Gartner&第四范式全球首发AutoML技术应用白皮书

（原标题：Gartner&第四范式全球首发AutoML技术应用白皮书）

2020年伊始，全球领先的研究和咨询机构Gartner发布了《2020年十大战略性技术趋势：民主化》报告，系统阐述了“AI民主化”在企业智能化转型过程中的意义，以及AutoML对实现AI民主化的关键作用。在该份报告中，第四范式获得了Gartner的认可，被列入了AutoML技术代表性厂商。为此，第四范式联合Gartner发布了全球首个针对AutoML的系列白皮书——《AI for Everyone，AutoML引领AI民主化》以及《AutoML成就指数级增长：感知、认知、决策算法布局提升企业决策水平》。

AutoML是支撑AI民主化的关键技术。Gartner在《2020年十大战略性技术趋势：民主化》报告中提出，“尽管过去企业构建机器学习应用难度高、效率低，但近年来企业对机器学习技术的需求仍在快速增长，期望通过机器学习落地更多AI应用，这对AutoML技术带来巨大需求。Gartner认为，AutoML能够减轻人员负担，降低技术门槛，推动AI民主化实现。

在《AutoML成就指数级增长：感知、认知、决策算法布局提升企业决策水平》白皮书中，全面展示了AutoML技术和算法全景，以及围绕提升企业决策能力的各类AutoML应用，在决策质量决定企业管理水平、进而深刻影响企业发展的当下，诠释了AutoML如何帮助企业全面提升决策水平，决胜数字化时代。

自动化决策能力助推企业指数级增长

近年来，大量成长速度远超同行的互联网巨头公司不断涌现，通过卓越的效率实现了指数级增长，成为各个细分领域的领头羊。而对经营体系更为复杂、业务覆盖更为分散的传统企业而言，该如何改善公司治理，实现指数级增长?

凭借多年帮助海量客户提升业务价值的经验，第四范式发现，企业实现高速增长的核心在于更优的业务决策，以决策带动企业治理水平与业务价值提升。

著名军事学家John Boyd于1977年提出 OODA Loop决策周期理论，该理论目前已被广泛应用于指导企业决策。他认为，决策过程是由“观察(Observe)- 判断(Orient)- 决策(Decide)- 行动(Act)”四个环节组成的相互关联、相互重叠的循环周期。“观察”，即企业需要全面观察经营环境信息，为决策提供充足的信息依据；“判断”，即企业需要通过观察，精准的判断所处现状及未来发展，为决策提供可靠的参考结论；“决策”，即制定较优的决策方案，为整个决策流程走好最终的关键一步。而行动则是基于前三步的成果采取相应措施。在整个决策周期中，能否理想的完成观察、判断及决策环节，将决定该业务决策的整体质量和效果。

以决策为核心的全栈AutoML算法布局，第四范式构成完整智能决策

为实现全面观察、精准判断和更优决策的目标，第四范式建立了以提升整体决策水平为核心，包含感知类、认知类及决策类的全栈AutoML算法布局，为企业真正带来决策水平的全面提升。

感知类算法加持观察环节，实现全面观察

企业业务场景中的图像、文本、语音等非结构化数据爆炸性增长，提升了企业实现全面观察的难度。如何有效处理海量多模态数据，最大程度激活并发挥其潜在数据价值，是企业在观察环节面临的关键挑战。

第四范式AutoCV、AutoNLP、AutoSpecch等感知类AutoML算法全面支持图像、文本、语音等主流多模态数据处理，通过挖掘各类数据价值，充分满足企业全面观察需求。为解决传统AI感知类模型搭建门槛高、效率低等问题，第四范式感知类AutoML算法自动化自适应数据增强及网络架构搜索、自学习调参等模型构建流程，助力企业低门槛、高效率构建感知类AI应用。此外，通过迁移学习为长尾场景提供预训练模型，企业仅需少量自身业务数据即可高效启动长尾场景，进一步加速全业务场景的感知能力提升。

认知类算法助力判断环节，实现精准判断

伴随着消费升级，消费者需求趋于多样化、个性化，企业业务的复杂度激增，业务现状洞察以及未来趋势预判的难度显著提升。企业亟需在变化多端的外部市场环境下，构建高准确率的AI认知模型以实现精准判断，洞察现状、预判未来。

认知模型是基于历史数据训练得到的，在其训练过程中，需要对历史数据进行清洗处理，提取其中的有效特征，并基于场景特性选取适配的模型，进行调优训练。然而，其中的数据、特征、模型三大要素均存在特定难点，且过程复杂、效率低下。

第四范式认知类 AutoML算法全面覆盖了三大要素的关键技术难点，可帮助企业构建满足精准判断需求的AI模型，助力企业获得理想认知能力，在各业务场景中实现精准业务判断及预测。

目前，第四范式AutoML正在多项认知类竞赛中挑战人类数据科学家。据世界知名的Kaggle机器学习竞赛结果显示，全世界平均每50位数据科学竞赛选手才有1位击败第四范式AutoML。相比Google AutoML(优于46%的数据科学家)，第四范式在认知类问题上体现出显著优势（优于98%的数据科学家）。

决策类算法赋能决策环节，实现更优决策

市场竞争激烈动荡，市场环境千变万化，企业越来越难以通盘考量诸多影响因素，及时做出更优决策。一方面，企业需要以低成本对各方案结果进行准确预判，从而避免在现实中验证方案带来的高实验成本和长反馈周期，这要求企业具有高保真度的决策模拟器。另一方面，企业的实际业务环境极其复杂，海量因素之间相互制约影响，这要求企业能够在决策中充分考虑各类因素及其相互关系。

第四范式推出AutoEL（自动环境学习）及AutoRL（自动强化学习）两大决策类算法，形成完整的智能决策解决方案。该解决方案基于企业业务逻辑，全面评估潜在的决策影响因素，并在高度还原的虚拟业务环境不断试错，获取更优方案， 助力企业真正实现更优的智能决策。

交互式AutoML框架，全面实现模型效果

除了全面提升企业决策水平的全栈AutoML算法布局外，第四范式同样关注如何通过充分发挥科学家的领域经验，进一步提升AI模型效果上线效果。为此，第四范式推出Interactive AutoML的交互式机器学习框架，使科学家能够在目标设定、搜索空间配置等技术环节介入AI开发，以自身领域知识优化机器学习进程，帮助AutoML达成更优的模型结果。

总结来说，传统AI应用构建的门槛高，严重依赖科学家，而AutoML技术打破了AI对人的依赖。第四范式作为全球领先的AutoML技术厂商，构建了包括自动化的感知、认知、决策三大类算法，并由机器自动完成模型构建的全栈算法体系，助力企业低门槛、高效率实现AI的规模化，全面提升企业决策水平。同时，第四范式将复杂的开发流程和算法组合产品化、自动化，打造了Sage AIOS、Sage HyperCycle ML、天枢等AI产品，为企业提供一站式决策平台，助力企业规模化落地 AI 应用，全面提升治理能力，实现指数级增长。