Page 11 - SPARK Xpress Q4

SPARK Xpress 2021 N0.04

AutoML 快速迭代 AutoML 打破傳統機器學習限制

加速ＡＩ策略發展及部署應用 解決 AI 人才荒

自動化機器學習 (AutoML) 全名為 Automated Machine Learning， 數位轉型浪潮下，AI 成為企業保持競爭力的重要關鍵，隨著新興

自 2014 年以來，為機器學習和深度學習領域最炙手可熱的領域之一。 技術的快速發展，企業面臨產學之間人才不足的鴻溝及大量資本投入

2017 年 5 月，Google Brain 研究人員為 AutoML 奠定了基礎，為了實 與效益短期難以平衡的兩難。在典型的機器學習開發應用過程中，從

現機器學習模型的設計自動化，採用了強化學習的方法讓 AI 系統學會自 資料清理，特徵提取、到模型訓練，需高度仰賴大量資料科學家高度

我提升能夠創造自己的 AI 系統，奠定基礎且創建 AutoML。 專業的技能組合，加上作業流程繁複耗費大量的時間及人力成本，若

專業領域人員若未具備足夠的經驗及分析能力，則難以在巨量數據中
自動化機器學習 AutoML 簡單來說，也就是將機器學習模型自動化，
找出關鍵特徵，發揮實質效益；AutoML 的出現突破了機器學習廣泛
縮短資料處理、開發部署等人工作業時程。AutoML 作為一個加速迭代
應用的限制，結合超級自動化和數據公民化兩大特點，將模型訓練的
的解決辦法，協助使用者 ( 如分析師、演算法開發人員或資料科學家等 )，
過程自動化執行，改善重複性任務效率，協助資料科學家專注於業務
快速提供初步的解決方案，並針對反饋結果重新收集數據、重製特徵因

分析、關鍵問題的釐清與解決。
子，更快進入下一輪的訓練或創建最佳模型進行金融場域的主題應用。

AutoML 為機器學習的數據公民化邁出第一步，過去資料科學家
機器學習模型的創建過程
需花費數小時從程式碼撰寫的工作內容，改透過 AutoML 的簡易拖曳

方式即可完成模型建置，平台視覺化設計，更大幅降低非 IT 人員學
痛點 1：
習門檻，也提升了跨團隊協作門檻與溝通效率；利用 AutoML 內建的
演算法訓練需要

時間和精力去來 演算法，自動化執行模型建制流程，
回嘗試，找到最
最終模型評估 大幅縮短 AI 模型開發時間，這項技
佳的參數組合
資料預處理 業務客戶數據
術的革新，讓資料科學家不再需要

耗費大量時間摸索巨量資料，並且

演算法選擇 能快速試驗專案可行性，激發多元
痛點 2：
因子特徵工程 創新的應用場景，提升企業營運效
最終模型生成和部
署往往斷開處理， 率增加獲利動能。
需要開發人員開發
模型上線部署 時間去做部署

圖 2：資料來源 數位數據暨科技發展部整理。
10 11