从谷歌AutoML到百度EasyDL，AI大生产时代，调参师不
出品 | AI科技大本营
头图 | 付费下载于视觉中国
2018 年，Google Cloud 宣布将 AutoML 作为产品的一部分。至此，AutoML 开始进入大众的视野。
实际上，2013 年AutoWEKA的发布可以算作AutoML的开端；2014 年，ICML开始组织AutoML研讨会，AutoML成为学术界的研究热点之一；2018 年，Google 将AutoML产品化，产业界开始全面关注。
到底什么是AutoML？AutoML能解决什么问题？
其实，AutoML理念就是用 AI 设计 AI，将特征提娶模型选择、参数调节等需要人工干预的环节进行自动化，使得模型无需人工干预即可被应用。
Google CEO Sundar Pichai 曾表示Google 希望简化设计模型的，从而降低 AI 的门槛。设计是极其耗费时间的，其对专业知识的极高要求将适用人群缩小到了科研人员和工程师。这就是Google创造 AutoML 的原因，AutoML 表明，利用设计也是可行的。Google希望 AutoML 能拥有现在一些博士所具备的能力，并在 3~5 年内使众多开发者也能通过 AutoML 设计，满足其特定的需求。
由于AI 人才的极度稀缺，AutoML 诞生的初衷是为了降低 AI 开发者的门槛，帮助各行各业都能使用AI 的能力，让更多的 AI 应用落地。但 AutoML 只是针对 AI 落地中的特定环节，并不能真正解决 AI 落地的实际问题。
根据百度与波士顿咨询公司的联合调研报告，约86% 的市场需求需要定制开发业务场景下的AI模型。定制模型过程中，企业用户和开发者往往会面临缺少模型训练经验、数据采集和标注成本较高、模型适配与部署流程较为繁琐、模型优化迭代周期长等核心难点，从而会造成整个项目的成本高、周期长、且在前期对项目效果无法准确预期。
，需要降低门槛的不只是算法调优，被取代的也不仅仅是调参师，AI 大规模落地需要 AI 生产流程的全面自动化，于是就有了百度EasyDL。
从谷歌AutoML到百度EasyDL，被自动化的不只是模型设计
2017 年 11 月，为解决面临AI转型压力的企业开发者的问题，EasyDL 应运而生，百度也成为国内最早推出零门槛深度学习平台的公司。
2018 年 4 月，百度宣布全面开放EasyDL，基于百度飞桨在深度学习领域深厚的技术积累，EasyDL 开始走上快车道。
作为百度大脑推出的零门槛AI，EasyDL 支持面向各行各业有定制 AI 需求的企业用户及开发者使用。
EasyDL 集成了百度自研的AutoDL技术，帮助模型在给定的数据集上自动调优，获得更好效果。其中，AutoDL 包含Auto Augment（自动数据增强）、Auto Fiuner（自动超参搜索）、NAS（自动网络架构搜索）等自动化建模技术，旨在进行模型自动调优，获得更好效果，降低算法工程师进行模型调优的成本。
算法调优只是AI 应用落地中的一小部分，除此之外，EasyDL也通过技术手段尽可能降低AI 模型生产、应用全流程的成本。
，EasyDL有以下几大技术优势
一站式AI服务EasyDL提供围绕AI服务开发的端到端的一站式AI开发和部署平台，包括数据上传、数据标注、训练任务配置及调参、模型效果评估、模型部署。
完善安全的数据服务针对开发者在 AI 开发过程面临的数据痛点，EasyDL支持训练数据的高质量采集与高效标注，支持在模型迭代过程中不断扩充数据，助力持续提升模型效果。包含软硬一体采集方案、自动数据清洗/扩充、智能标注、自动数据闭环等。将模型开发所需人工标注的数据量减少70%，数据采集效率从周提升到小时。
超高精度训练效果内置基于百度超大规模数据训练的预训练模型，包括超大规模视觉预训练模型，及文本预训练模型文心ERNIE，底层结合百度自研 AutoDL/AutoML技术，基于少量数据就能获得出色效果和性能的模型。
端云结合灵活部署基于 EasyDL训练完成的模型可发布为公有云API、设备端 SDK、私有服务器部署、软硬一体方案，灵活适配各种使用场景及运行环境。用户无需关注模型转换、适配加速、服务部署等细节，能获得可直接运行、部署的镜像及可进行二次开发的SDK。特别是设备端部署已经支持四大操作系统，15+芯片类型，广泛适配了市场上的主流硬件设备。
目前，EasyDL还从覆盖更广泛的技术方向出发，推出传统ML 方向、方向、OCR、视频追踪等定制化能力，并从易用性的角度着手，在数据、模型、服务等各个方面，持续降低使用门槛。并且，EasyDL也会推出更多 QuickStart、Demo 教程，帮助用户快速上手。
简单只是外在，专业才能帮助AI真正大规模落地
EasyDL 通过对 AI 生产全流程的优化，极大降低了深度学习的应用门槛，使得企业不必花费高昂的成本构建算法工程师团队，也能享受到 AI 浪潮带来的红利。
百度的理念是，希望通过先进的技术把 AI 开发变得像使用家电一样简单，用户不必了解家电的内部构造和电路原理，也能享受家电带来的便捷。
越是追求使用简单，它的内在就会越复杂。EasyDL也是一样，为了面向用户提供简单易用的使用流程，EasyDL平台内部采用了诸多复杂的深度学习算法和工程技术，以保证应用效果。
1）数据处理
在很多场景中，数据难收集和难处理是一大痛点，也是阻碍 AI 模型开发和应用的常见问题之一。今年 5 月 EasyDL 全新发布了 EasyData 智能数据服务平台，提供一站式的数据采集、数据清洗、数据标注、数据回流的完整解决方案，助力开发者高效获取AI 开发所需的高质量数据。
在数据采集方面，EasyData提供软硬一体、端云协同的自动数据采集方案，目前支持接入摄像头采集图片、云服务数据回流两种数据采集方式，其中摄像头采集图片提供了免费的本地采集 SDK，可以支持各类硬件平台的自定义抽帧采集图片，并将图片即时同步到 EasyData 管理。
在数据标注方面，EasyData 提供了图片、文本、音频、视频四种数据格式的11 种数据标注模板，并提供了最全面的智能标注方案，在物体检测、图像分割、文本分类三类任务场景中，通过百度自研的Hard Sample主动学习挖掘算法，进行针对性适配，在同样的模型效果指标下，可减少 70% 的数据标注量。
在数据清洗方面，EasyData提供了图片数据清洗的完整解决方案，支持相似度去重、去模糊、裁剪、旋转、镜像5种标准的清晰方案，以及高级清洗方案，可过滤无人脸、无人体的图片，并可根据需求保留识别出来的人脸或人体数据做为标注信息，大幅提升清洗数据的效率。
2）模型训练
AI 的行业应用场景是非常分散的，如何保障各个场景下模型的效果都达到较高的水平，使得精度符合应用要求，也是非常大的挑战。
目前EasyDL在这个方向上，一方面是通过大规模预训练模型，基于百度积累多年的海量数据和知识预训练，能够保证模型的泛化效果和通用性；另一方面是通过建设领域模型，针对特定场景提供具备更好适配性的算法模型。
在视觉任务中，图像分类训练任务内置百度基于海量互联网数据，包括 10万+分类、6500 万图片训练的超大规模预训练模型，平均精度可提升3.24%-7.73%；物体检测训练任务内置百度基于 800+ 标签、170 万图片，1000 万+ 检测框训练的超大规模物体检测预训练模型，平均精度可提升 1.78%-4.53%。
在方向，EasyDL预置了由百度自研预训练模型文心（ERNIE）。据悉，文心在中英文的 16 个任务上已经超越了业界最好模型，全面适用于各类NLP 应用场景。
由于目前大部分模型采用的都是分布式训练，为了提升训练效率，提高加速比，EasyDL基于飞桨 DGC 加速机制，通过只传送重要梯度（稀疏更新）的方式来减少通信带宽使用，在网络带宽受限的情况可以大幅提升通信效率，相比普通分布式训练，有70% 以上的训练速度增益。
3）服务部署
在的部署环节上，AI 模型小型化和边缘计算的发展是技术趋势也是挑战，而百度一直在这一领域有着深厚的积累。目前，EasyDL的设备端SDK已经适配了百度昆仑芯片、Intel 神经加速棒、华为 NPU、华为 Atlas、高通 DSP、RK 等15+芯片类型，以及 4 大常用操作系统，并实现了模型自动的量化压缩和性能加速。在软硬一体方案部署上，EasyDL提供了 基于 Nvidia Jetson 和百度自研硬件EdgeBoard的共6款软硬一体方案，支持专项适配与加速，覆盖高中低全矩阵，模型识别速度可提升 10 倍。
，对于开发者来说，简单的流程只是外在，而EasyDL的专业才是帮助 AI 大规模落地的秘籍。
AI的“万有引力”人人做AI，才能AI为人人
据了解，目前使用EasyDL的用户数已经超过70 万，目前已经覆盖20多个行业场景，包括安全、互联网、工业、农业、医疗、物流、零售、教育、科研等。
随着 AI 技术的发展，各行各业应用 AI 进行转型的需求也在爆发式增长。当前，AI 赋能千行万业的愿景仍然处于起步阶段，AI 在很多时候更被认为是很高深需要非常大投入的技术领域，而实际上EasyDL正在颠覆这一点。
百度EasyDL平台正在不断升级自身技术，为 AI 落地持续赋能，为产业智能化转型提供更多创新力量。与此，EasyDL也正在积极的推进生态的建设，比如9 月底新上线的模型AI市场，就是通过平台化的基础设施，促进生态的繁荣。
为了进一步降低企业应用 AI 的门槛与成本，EasyDL也重磅推出“万有引力”计划，为有 AI 应用需求的企业提供专项基金，助力万家企业，创享 AI 能力。
AI 的作用是相互的，只有人人做 AI，人人用 AI，才能最终实现AI for Everyone。