人工智能(A I)的工作有一個(gè)諷刺之處：它涉及大量的手工、嘗試和錯誤的努力，以建立最高精度的預測模型。 隨著(zhù)機器學(xué)習和深度學(xué)習框架的不斷出現，以及對它們的更新，以及對工具平臺的更改，難怪如此多的人工智能工作是如此的臨時(shí)性。 但是，為什么一個(gè)關(guān)于自動(dòng)化的技術(shù)會(huì )涉及這么多定制的努力呢?

所有手工工作的問(wèn)題有兩個(gè)：第一，沒(méi)有數據科學(xué)培訓的人幾乎不可能從事人工智能工作;第二，具有數據科學(xué)背景的人本身面臨著(zhù)一個(gè)非常低效的工作流程。

然而，隨著(zhù)自動(dòng)機器學(xué)習(AutoML)的出現，這種僵局現在開(kāi)始變得清晰起來(lái)。 一些公司，如數據機器人，專(zhuān)門(mén)從事它。 其他AI創(chuàng )業(yè)公司，如Dataiku、H20和Rapid Miner，以及Tibco等已建立的企業(yè)軟件公司，也擁有廣泛的AI平臺，具有AutoML功能。 主要的公共云平臺也是如此，包括Micros of tAzure、AmazonWeb服務(wù)和GoogleCloud平臺。 還有開(kāi)源的AutoML框架，如Auto-sklearn、Auto-Keras和Uber最近的開(kāi)源Ludwig平臺。

汽車(chē)ML看起來(lái)比時(shí)尚多得多。 事實(shí)上，我在A(yíng)I市場(chǎng)上交談過(guò)的一些人認為AutoML可能是AI整體的未來(lái)。 只要你有一個(gè)干凈的數據集，你知道它中的哪一列是“標簽”(a.k.a目標)，即你想用新數據預測的值，AutoML將為你建立一個(gè)模型，并大大減少努力。 而且，有時(shí)，你會(huì )得到你的模型，根本沒(méi)有額外的努力。

考慮到這一點(diǎn)，我認為一個(gè)入門(mén)的東西可能是有序的，這篇文章是我試圖提供一個(gè)。 免責聲明：雖然我自80年代以來(lái)一直是AI的追隨者，90年代末以來(lái)一直是數據挖掘系統的愛(ài)好者，但我不是數據科學(xué)家。 因此，我的詞匯和解釋在教學(xué)上并不權威----在某些情況下，它們可能是天真的。 但我在這里得到的東西應該能幫助你理解AutoML平臺的能力，我希望它能幫助你判斷市場(chǎng)上的產(chǎn)品和框架。