今年5月，谷歌AI工程師想要設計一款機器學習軟件，將自己從艱辛而繁雜的深度學習模型設計過程中解脫出來，於是就有了AutoML的誕生。而現在，令最初的締造者感到鬱悶的是：AutoML在某些方面已經超越了自己。
“那些機器（AutoML）可以在數個小時內完成人類碼農幾個星期甚至幾個月才能完成的任務”並且，AutoML系統記錄內容分類的得分也達到了史無前例的82%。而在最近一個比較複雜的任務中（圖像標記多個對象的位置），AutoML的得分為43%，而AI工程師自己的得分是39%。這也意味著，AutoML創作的代碼比人類自己編寫的更加優質。
谷歌團隊認為，AutoML儘管沒有繼承谷歌頂尖工程師的理論基礎和數學才華，但可以通過機器深度學習，在數千次建模與訓練反饋的不斷試錯中，發現更好的、更準確的設計架構。而相較之下，人類工程師會自動摒棄掉一些看起來似乎沒有優勢的組合，在這個過程中有可能出現偏差。
加州大學伯克利分校研究員 Roberto Calandra也表示 ：“AI工程師的很大一部分工作本質上非常無聊，需要嘗試各種配置來看哪些神經網絡效果更好。”在這一階段中，只能憑藉AI工程師的本能以及不斷試錯，而AutoML將會加速這一過程。
對於整個AI行業而言，AutoML會降低機器學習的門檻。畢竟，現今AI工程師的薪資待遇並非一些小公司能夠承擔得起的。在最近一份網絡上流傳的“2018屆互聯網校招高薪清單”中，谷歌中國對人工智能、算法工程師崗位分別開出了高達56萬、51萬的年薪，更不用提前不久今日頭條拋出的“百萬薪資招聘算法工程師計劃”。
未來，一些非專業研究人員或許也能利用AutoML，根據自己的需要創造神經網絡。
分享到:
閱讀更多 陳昊芝 的文章
