机器学习2.0时代：用自动化AI干掉一大票专家

目前，当企业想用机器学习解决问题时，他们往往需要一个团队。即使是一个非常简单的问题，也需要多位数据科学家、机器学习专家以及领域专家共同商定优先事项并交换数据和信息。

这个过程往往效率低下，需要数月时间才能获得结果。并且这也只能解决当下的问题。下一次再出现问题时，企业必须重复上述过程。

麻省理工学院（MIT）的一群研究人员想知道，“如果我们尝试另一种策略会怎么样？如果我们创建自动化工具，让主题专家能够使用机器学习自己解决这些问题呢？”

过去五年，MIT信息与决策系统实验室首席研究科学家Kalyan Veeramachaneni与Max Kanter以及Ben Schreck为应用机器学习设计严格的范例。Schreck与Veeramachaneni是MIT的同学，后来一起创立了机器学习初创企业Feature Labs。

该团队首先将整个过程划分为一组离散的步骤。例如，一个步骤涉及搜索具有预测能力的埋藏模式，称为“特征工程”。另一个步骤称为“模型选择”，其中从许多可用选项中选择最佳建模技术。然后他们自动执行这些步骤，发布开源工具以帮助领域专家有效地完成这些工作。

在 “机器学习2.0：工程数据驱动的AI产品” 论文中，该团队汇集了这些自动化工具，将原始数据转化为可靠的、可部署的模型。这种自动化链让主题专家，甚至那些没有数据科学经验的专家，都可以使用机器学习来解决业务问题。

Schreck说，“通过自动化，机器学习2.0让主题专家可以将更多时间花在真正需要其领域专业知识的步骤上，比如决定首先解决哪些问题并评估预测如何影响业务成果。”

去年，Accenture加入MIT和Feature Labs团队开展一个雄心勃勃的项目，通过开发和部署机器学习模型来构建人工智能项目经理，该模型可以提前预测关键问题，并增强软件行业经验丰富的人力资源项目经理。

这是一个测试机器学习2.0自动化工具Featuretools的机会，Featuretools是一个由DARPA的模型数据驱动发现（D3M）项目资助的开源库，用于处理现实世界的问题。

Veeramachaneni和他的同事们每一步都与Accenture的领域专家密切合作，从找出要解决的最佳问题到通过一系列强有力的测试。该团队构建的第一个模型是根据大量的交付指标来预测软件项目的性能。测试完成后发现，该模型可以正确预测80％以上的项目绩效结果。

使用Featuretools涉及一系列人机交互。在这种情况下，Featuretools首先向领域专家推荐了40000个功能。接下来，人类利用他们的专业知识将这个列表缩小到100个最有希望的特征，然后他们开始训练机器学习算法。

接下来，领域专家使用该软件来模拟使用该模型，并测试新的实时数据如何工作。该方法还扩展了典型的“训练 - 测试验证”协议，以适应当代机器学习 研究，使其更适用于在现实世界使用。随后该模型部署，每周对数百个项目进行预测。

Accenture全球技术官Sanjeev Vohra说，“我们希望将机器学习应用于我们在技术服务业务中面临的关键问题，更具体地说，我们希望亲自看看MIT的机器学习 2.0是否有助于预测软件交付中的潜在风险。事实上我们对结果非常满意，并将广泛分享，以便其他人也能从中受益。”

在另一份联合论文“人工智能项目经理”中，团队逐步了解他们如何使用机器学习2.0范例来实现快速准确的预测。

Veeramachaneni说：“20年来，将机器学习应用于解决问题的任务一直是作为一个研究或可行性项目，或者是一个发现的机会。借助这些新的自动化工具，现在可以从原始数据创建机器学习模型，并在几周内就能用上它们。”

该团队打算继续完善机器学习2.0，以解决尽可能多的行业问题。“这是大众化机器学习背后的真正想法。我们希望让机器学习对广大人群有用。”他补充道。

在接下来的五年中，我们很可能会看到机器学习2.0的采用有所增加。“随着势头的增强，开发人员将能够像建立数据库一样建立机器学习设备，”Feature Labs首席执行官Max Kanter说。“这将变的很简单。”