前面提到的兩個範例, 一個是MNiST手寫辨識, 一個是心血管疾病的應用, 處理這兩個範例的過程中大致做了這些事

• 資料清理: 例如處理空值
• 選擇演算法: 我們使用了resnet與 xgboot
• 決定參數: 第一個範例是epoch數, 第二個範例是訓練資料與測試資料的分割比例
• 產生model與metrics: 把model與metrics記錄在MLFlow以進行比較
• 驗證model: 例如以accuracy當做model的metric

在範例中這個過程只做兩次, 但通常為了要找出最佳的model與參數, 這個過程需要反覆執行, 也就是一直爆調參數, 調到符合我們的要求為止, 這個過程極為耗費時間與人力.

2018年, Google在Google Cloud NEXT 大會上正式推出新一代機器學習產品：Cloud AutoML, 讓資料清理、選擇演算法、決定參數的任務可以很容易完成並且可以得到優化後的模型, 接著在機器學習的領域, AutoML就成為機器學習領域的熱門主題.

Amazon SageMaker平台上也有AutoML的功能, 稱為 auto pilot. 例如上傳一個表格資料(csv檔), 並且在SageMaker auto pilot中指定target(就是你要推論的目標欄位), 這樣auto pilot就會回傳最佳模型與參數, 然後再將這個最佳模型進行部署. 在執行autoML的過程中, 會經過下列步驟, 例如前六個步驟是

• Pre-processing
• Candidate Definitions Generated
• Feature Engineering
• Model Tuning
• Deploying Model
• Explainability Report Generated

需要等待一段時間才會完成, 完成之後會列出訓練過後的model列表, 並且在最佳model上打個星號, 這時候你就可以使用這個best model進行部署.

以上述的使用情境來看, 的確可以讓非專業資料科學家也能取得一個可用的(或最佳的)的model, 大幅降低對AI技術的要求門檻, 讓企業或組織能以比較容易的方式進入AI領域.

除了各大雲端平台之外, 也已有多個open source專案提供AutoML library, 例如

• auto-sklearn
• TransmogrifAI
• Neural Network Intelligence

下一篇, 將使用auto-sklearn為範例說明AutoML的使用方法