如何让AI人人可用?OneClick.ai要用自动化打破技术障碍

创业邦 | Hannah 来源:创业邦

近年来,AI凭借效率优势和应用场景日渐丰富,被越来越多的行业用户所认可。但在发展过程中,AI也面临着一些根本性的挑战,比如从技术团队建设、数据清洗、算法设计、模型优化再到后期的实施部署,所需要的人力物力成本都很高,以人才为例,拥有AI专业背景知识与研究经验的人才年薪动则几百万且非常稀缺,而培养一个合格的AI人才也需要6-10年的时间。

 在这样的背景下,对于非技术领域企业哪怕是一些销售超过1000亿人民币的大企业,自建团队都显得不切实际,那AI技术能力从哪儿来?对于部分技术企业来说,AI技术人才又贵又少,如何将他们从模型开发中解放出来,去了解更多业务?如果对业务不了解又如何在极短的时间内满足相应业务的需要快速建立模型投入生产?

 OneClick.ai的创始人沈渊认为,机器自动化是一个解决办法。即通过自动化模型开发和部署,用户无需编程,无需任何数据科学经验与技术背景,只需导入数据,定义预测目标即可得到模型。

 让机器自己去学习

 在机器自动化领域,近几年国内外一些巨头公司也都部署了相关的业务,国内的百度、阿里都提供了人工智能平台服务,国外的微软推出了全自动图像平台 Custom Vision Services,支持图像分类,允许用户利用少量图像创建CNN 模型。谷歌今年也上线了Cloud AutoML,支持计算机视觉模型。

 这些巨头公司大多通过两种方式提供服务,一种是直接提供即插即用的API接口,用户完全不需要任何专业知识就可以方便的使用。不过这种方式仅限于具有普遍性的一些应用,比如机器翻译、人脸识别等。另外一种服务是以开发工具的形式提供的,通过可视化来提高人工智能的开发效率。这种方式功能纵然灵活、强大了许多,但也要求使用者具备相当的机器学习专业知识和实际经验。

 如何能够兼顾API方式的便捷和开发工具方式的灵活性呢?将自动化机器学习(AutoML)技术与深度学习相结合,自动完成算法模型(包括神经网络结构)的定制、训练,既可以为多种业务场景提供定制解决方案,而且没有人工定制开发所面临的高成本高风险等问题。

 销售预测及供应链管理等时序数据应用成为应用频次最多业务场景

 近年,流量红利已开始萎缩,企业经营成本也越来越高,更多的企业开始关注对运营、收益、供应链的管理优化,以求降低成本,更好的适应市场需求的变化,而这些场景面临的共同挑战是对历史销售数据的充分挖掘。

 传统时序分析技术,由于处理的数据类型过于单一、缺乏对不同产品数据之间关系的分析能力,导致准确率低,也不能很好的处理实际应用中常见的促销、新品等问题。即使投入长时间的研发和巨额的成本,也很难帮助企业获得预期的效果。

 深度学习的特点让算法可以在短时间内发现时序数据中数以万计的隐藏规律,并将这些复杂的规律统筹起来进行预测。这些规律包括但不局限于年度、季节、月份的周期效应、节假日、销售周期的影响,以及产品之间的竞争、促进关系。深度学习对数据中的非时间因素也可以最大限度的利用,即便这些信息是以文字形式呈现的,比如产品描述、产品类别、销售渠道、促销信息、市场推广、销售目标、提成等。

 实际使用过程中,零售业务单品销售预测准确度保持在 90% 以上,比传统的预测方法提高了十几个百分点。

 OneClick.ai目前采用按月收费的订阅制,针对不同的数据处理需求提供多种个人、企业套餐,支持云端和本地两种部署方案。

 相对于稀少的专业机器学习人才,业务人员更熟悉业务逻辑,通过自动化平台,数据的预处理、建模、训练全部在平台中自动完成,无需用户的参与,业务人员更能够发挥他们的业务经验,把复杂的人工智能技术问题转化为简单的业务问题。

 但在这个过程中也必须认识到,当前的机器自动化使用的更多的是学习系统,而不是传统的手工编码软件,如果从带有偏见的数据中学习,那么基于此学习的机器学习模型就会使这些偏见延续下去,而这将会影响到机器自动化在更多安全关键系统中的应用。


1080x640.jpg

扫码
关注
意见
反馈
返回
顶部