李飞飞、李佳宣布发布Cloud AutoML：AI技术「飞入寻常百姓家」

李飞飞一直倡导AI民主化，今日谷歌云发布Cloud AutoML，希望帮助ML/AI专业知识和能力有限的企业也能够使用AI技术构建定制化AI模型。目前已有一万多家企业使用Cloud AutoML。

谷歌发布 Cloud AutoML，旨在帮助更多公司构建高质量定制化模型。李飞飞和李佳在相关博客中称：「Cloud AutoML 将帮助 AI 专家更加高产，不断拓展 AI 的新领域，帮助经验不足的工程师构建梦寐以求的强大 AI 系统。」

李佳在朋友圈中称：

今天我们 CloudAI 团队推出了 Cloud AutoML, 自动生成 ML 模型的技术。这是飞飞和我加入谷歌云以来的一个里程碑。迄今为止，我们团队推出了 10 多个 AI 产品，超过一万家公司在使用我们的产品。感恩团队的辛勤工作推动 AI 产品和技术发展！Cloud AutoML 是我们在推广 AI 技术的新尝试，为没有 ML 专业背景的公司量身打造。AI 赋能，愿更多的人能被 AI 惠及！

李飞飞和李佳发布博客介绍 AutoML，机器之心对博客内容编译如下：

一年前我们加入 Google Cloud 时，就致力于 AI 民主化。我们的目标是降低入门门槛，使尽可能多的开发者、研究者和企业能够使用 AI。

谷歌云 AI 团队一直朝着这个目标前进，也做出了一些成绩。2017 年，我们发布 Google Cloud Machine Learning Engine，帮助具备机器学习专业知识的开发者轻松构建可在任意类型和规模的数据上运行的 ML 模型。我们展示了如何在预训练模型上构建现代机器学习服务，包括视觉、语音、NLP、翻译和 Dialogflow API，为商业应用带来更大的规模和更快的速度。我们的数据科学家和 ML 研究者社区 Kaggle 不断发展，现已有超过 100 万成员。今天，超过一万家企业在使用谷歌云 AI 服务，包括 Box、Rolls Royce Marine、Kewpie 和 Ocado。

但是我们还可以做得更多。目前，只有少数企业具备应用 ML 和 AI 进展的人才和财力。能够创建先进机器学习模型的人非常有限。而且即使你的公司里有 ML/AI 工程师，你仍然必须管控构建定制化 ML 模型所需的时间和复杂流程。尽管谷歌提供可用于多项具体任务的 API，提供预训练机器学习模型，但要实现「AI 人人可用」仍然有很长的路要走。

为了缩小差距，使每家公司都可以使用 AI，我们发布 Cloud AutoML。Cloud AutoML 使用谷歌的 learning2learn 和迁移学习等先进技术，帮助 ML 专业知识有限的公司构建高质量定制化模型。我们相信 Cloud AutoML 将帮助 AI 专家更加高产，不断拓展 AI 的新领域，帮助经验不足的工程师构建梦寐以求的强大 AI 系统。

我们发布的第一个 Cloud AutoML 是 Cloud AutoML Vision，帮助更快、更容易地构建图像识别 ML 模型。可拖放的界面使上传图像、训练管理模型，以及直接在谷歌云上部署训练模型变得更加容易。使用 Cloud AutoML Vision 分类 ImageNet 和 CIFAR 等流行的公开数据集的实践表明它比普通的 ML API 准确率更高，误分类更少。

Cloud AutoML Vision 还具备以下特性：

提高准确率：Cloud AutoML Vision 基于谷歌的先进图像识别方法构建，包括迁移学习和神经架构搜索技术。这意味着即使你的公司机器学习能力不足，也可以得到准确率更高的模型。

生产就绪模型的周转时间更快：在 Cloud AutoML 的帮助下，你可以在数分钟内创建简单的模型来试运行自己的 AI 应用，或者在一天时间内构建一个完整的生产就绪模型。

易用性：AutoML Vision 提供一个简单的用户界面，你可以指定数据，然后将其转换成满足个人需求的自定义高质量模型。

「Urban Outfitters 一直在寻找提升客户购物体验的新方法，」URBN 数据科学家 Alan Rosenwinkel 说，「创建和保持一套完整的产品属性对向客户提供相关产品的推荐、准确的搜索结果以及有效的产品过滤器至关重要；然而手动创建产品属性是很困难和费时的。为了解决这个问题，我们的团队评估了 Cloud AutoML，通过识别细微的产品特征，例如图案和领口风格，以自动化产品属性加工。Cloud AutoML 具有很大的潜力，可以帮助我们的客户发现心仪的产品，获得更好的产品推荐和搜索体验。」

迪士尼消费产品和互动媒体 CTO 和 SVP Mike White 说：「Cloud AutoML 可以帮助我们构建模型，用迪士尼的特征、产品类别和颜色标注我们的产品。这些标注被整合到我们的搜索引擎中，在 shopDisney 上获得了更好的用户体验，包括相关搜索结果、结果发现和产品推荐等方面。」

来自 Zoological Society of London（ZSL）的 Sophie Maxwell 称：「ZSL 是一个国际环保组织，致力于全世界的动物和生态环境保护，其中最重要的环节是追踪野生动物的数量，以了解它们的分布和人类对这些物种的影响。为了达到这个目的，ZSL 在野外部署了很多相机陷阱，在受到热或移动触发的时候拍摄经过的动物。这些设备捕捉到的几百万张照片需要进行手动分析和用相关物种标注，例如大象、狮子和长颈鹿等，这是一项劳力密集和代价昂贵的工作。ZSL 的 Conservation Technology Unit 和谷歌的 Cloud ML 团队有过密切的协作，以帮助发展这项激动人心的技术。ZSL 的目的是将图像标注自动化，以降低成本，进行更广泛的部署，从而更加深刻地理解如何有效地保护全世界的野生动物。」

如果你有兴趣尝试 AutoML Vision，可以在这个网站上申请访问授权：https://services.google.com/fb/forms/cloudautomlalphaprogram/。

AutoML Vision 是我们和 Google Brain 以及其它谷歌 AI 团队密切协作的结果，并且是多个开发中的 Cloud AutoML 产品之一。虽然在使 AI 更加普及的道路上，我们还处于起步阶段，但目前使用 Cloud AI 产品的客户数量已经超过了一万，这令我们深受鼓舞。我们希望 Cloud AutoML 的发布有助于发现 AI 的更多商业用途。

参考：

• Learning Transferable Architectures for Scalable Image Recognition (https://arxiv.org/pdf/1707.07012.pdf), Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. Arxiv, 2017.

• Progressive Neural Architecture Search (https://arxiv.org/abs/1712.00559), Chenxi Liu, Barret Zoph, Jonathon Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin Murphy, Arxiv, 2017.

• Large-Scale Evolution of Imfiers (https://arxiv.org/abs/1703.01041), Esteban Real, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin. International Conference on Machine Learning, 2017.

• Neural Architecture Search with Reinforcement Learning (https://arxiv.org/abs/1611.01578), Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.

• Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning (https://arxiv.org/abs/1602.07261), Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, Alex Alemi. AAAI, 2017.

• Bayesian Optimization for a Better Dessert (https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/46507.pdf), Benjamin Solnik, Daniel Golovin (https://research.google.com/pubs/DanielGolovin.html),Greg Kochanski (https://research.google.com/pubs/105545.html), John Elliot Karro (https://research.google.com/pubs/105483.html), Subhodeep Moitra (https://research.google.com/pubs/SubhodeepMoitra.html), D. Sculley (https://research.google.com/pubs/author38217.html). NIPS, Workshop on Bayesian Optimization, 2017.