在《AutoML成就指數(shù)級增長：感知、認知、決策算法布局提升企業(yè)決策水平》白皮書中，全面展示了AutoML技術和算法全景，以及圍繞提升企業(yè)決策能力的各類AutoML應用，在決策質量決定企業(yè)管理水平、進而深刻影響企業(yè)發(fā)展的當下，詮釋了AutoML如何幫助企業(yè)全面提升決策水平，決勝數(shù)字化時代。
AutoML是支撐AI民主化的關鍵技術。Gartner在《2020年十大戰(zhàn)略性技術趨勢：民主化》報告中提出，“盡管過去企業(yè)構建機器學習應用難度高、效率低，但近年來企業(yè)對機器學習技術的需求仍在快速增長，期望通過機器學習落地更多AI應用，這對AutoML技術帶來巨大需求。Gartner認為，AutoML能夠減輕人員負擔，降低技術門檻，推動AI民主化實現(xiàn)。
自動化決策能力助推企業(yè)指數(shù)級增長
近年來，大量成長速度遠超同行的互聯(lián)網(wǎng)巨頭公司不斷涌現(xiàn)，通過卓越的效率實現(xiàn)了指數(shù)級增長，成為各個細分領域的領頭羊。而對經(jīng)營體系更為復雜、業(yè)務覆蓋更為分散的傳統(tǒng)企業(yè)而言，該如何改善公司治理，實現(xiàn)指數(shù)級增長?
憑借多年幫助海量客戶提升業(yè)務價值的經(jīng)驗，第四范式發(fā)現(xiàn)，企業(yè)實現(xiàn)高速增長的核心在于更優(yōu)的業(yè)務決策，以決策帶動企業(yè)治理水平與業(yè)務價值提升。
著名軍事學家John Boyd于1977年提出 OODA Loop決策周期理論，該理論目前已被廣泛應用于指導企業(yè)決策。他認為，決策過程是由“觀察(Observe)- 判斷(Orient)- 決策(Decide)- 行動(Act)”四個環(huán)節(jié)組成的相互關聯(lián)、相互重疊的循環(huán)周期?！坝^察”，即企業(yè)需要全面觀察經(jīng)營環(huán)境信息，為決策提供充足的信息依據(jù)；“判斷”，即企業(yè)需要通過觀察，精準的判斷所處現(xiàn)狀及未來發(fā)展，為決策提供可靠的參考結論；“決策”，即制定較優(yōu)的決策方案，為整個決策流程走好最終的關鍵一步。而行動則是基于前三步的成果采取相應措施。在整個決策周期中，能否理想的完成觀察、判斷及決策環(huán)節(jié)，將決定該業(yè)務決策的整體質量和效果。
以決策為核心的全棧AutoML算法布局，第四范式構成完整智能決策
為實現(xiàn)全面觀察、精準判斷和更優(yōu)決策的目標，第四范式建立了以提升整體決策水平為核心，包含感知類、認知類及決策類的全棧AutoML算法布局，為企業(yè)真正帶來決策水平的全面提升。
感知類算法加持觀察環(huán)節(jié)，實現(xiàn)全面觀察
企業(yè)業(yè)務場景中的圖像、文本、語音等非結構化數(shù)據(jù)爆炸性增長，提升了企業(yè)實現(xiàn)全面觀察的難度。如何有效處理海量多模態(tài)數(shù)據(jù)，最大程度激活并發(fā)揮其潛在數(shù)據(jù)價值，是企業(yè)在觀察環(huán)節(jié)面臨的關鍵挑戰(zhàn)。
第四范式AutoCV、AutoNLP、AutoSpecch等感知類AutoML算法全面支持圖像、文本、語音等主流多模態(tài)數(shù)據(jù)處理，通過挖掘各類數(shù)據(jù)價值，充分滿足企業(yè)全面觀察需求。為解決傳統(tǒng)AI感知類模型搭建門檻高、效率低等問題，第四范式感知類AutoML算法自動化自適應數(shù)據(jù)增強及網(wǎng)絡架構搜索、自學習調參等模型構建流程，助力企業(yè)低門檻、高效率構建感知類AI應用。此外，通過遷移學習為長尾場景提供預訓練模型，企業(yè)僅需少量自身業(yè)務數(shù)據(jù)即可高效啟動長尾場景，進一步加速全業(yè)務場景的感知能力提升。
認知類算法助力判斷環(huán)節(jié)，實現(xiàn)精準判斷
伴隨著消費升級，消費者需求趨于多樣化、個性化，企業(yè)業(yè)務的復雜度激增，業(yè)務現(xiàn)狀洞察以及未來趨勢預判的難度顯著提升。企業(yè)亟需在變化多端的外部市場環(huán)境下，構建高準確率的AI認知模型以實現(xiàn)精準判斷，洞察現(xiàn)狀、預判未來。
認知模型是基于歷史數(shù)據(jù)訓練得到的，在其訓練過程中，需要對歷史數(shù)據(jù)進行清洗處理，提取其中的有效特征，并基于場景特性選取適配的模型，進行調優(yōu)訓練。然而，其中的數(shù)據(jù)、特征、模型三大要素均存在特定難點，且過程復雜、效率低下。
第四范式認知類 AutoML算法全面覆蓋了三大要素的關鍵技術難點，可幫助企業(yè)構建滿足精準判斷需求的AI模型，助力企業(yè)獲得理想認知能力，在各業(yè)務場景中實現(xiàn)精準業(yè)務判斷及預測。
目前，第四范式AutoML正在多項認知類競賽中挑戰(zhàn)人類數(shù)據(jù)科學家。據(jù)世界知名的Kaggle機器學習競賽結果顯示，全世界平均每50位數(shù)據(jù)科學競賽選手才有1位擊敗第四范式AutoML。相比Google AutoML(優(yōu)于46%的數(shù)據(jù)科學家)，第四范式在認知類問題上體現(xiàn)出顯著優(yōu)勢（優(yōu)于98%的數(shù)據(jù)科學家）。
決策類算法賦能決策環(huán)節(jié)，實現(xiàn)更優(yōu)決策
市場競爭激烈動蕩，市場環(huán)境千變萬化，企業(yè)越來越難以通盤考量諸多影響因素，及時做出更優(yōu)決策。一方面，企業(yè)需要以低成本對各方案結果進行準確預判，從而避免在現(xiàn)實中驗證方案帶來的高實驗成本和長反饋周期，這要求企業(yè)具有高保真度的決策模擬器。另一方面，企業(yè)的實際業(yè)務環(huán)境極其復雜，海量因素之間相互制約影響，這要求企業(yè)能夠在決策中充分考慮各類因素及其相互關系。
第四范式推出AutoEL（自動環(huán)境學習）及AutoRL（自動強化學習）兩大決策類算法，形成完整的智能決策解決方案。該解決方案基于企業(yè)業(yè)務邏輯，全面評估潛在的決策影響因素，并在高度還原的虛擬業(yè)務環(huán)境不斷試錯，獲取更優(yōu)方案， 助力企業(yè)真正實現(xiàn)更優(yōu)的智能決策。
交互式AutoML框架，全面實現(xiàn)模型效果
除了全面提升企業(yè)決策水平的全棧AutoML算法布局外，第四范式同樣關注如何通過充分發(fā)揮科學家的領域經(jīng)驗，進一步提升AI模型效果上線效果。為此，第四范式推出Interactive AutoML的交互式機器學習框架，使科學家能夠在目標設定、搜索空間配置等技術環(huán)節(jié)介入AI開發(fā)，以自身領域知識優(yōu)化機器學習進程，幫助AutoML達成更優(yōu)的模型結果。
總結來說，傳統(tǒng)AI應用構建的門檻高，嚴重依賴科學家，而AutoML技術打破了AI對人的依賴。第四范式作為全球領先的AutoML技術廠商，構建了包括自動化的感知、認知、決策三大類算法，并由機器自動完成模型構建的全棧算法體系，助力企業(yè)低門檻、高效率實現(xiàn)AI的規(guī)?；嫣嵘髽I(yè)決策水平。同時，第四范式將復雜的開發(fā)流程和算法組合產(chǎn)品化、自動化，打造了Sage AIOS、Sage HyperCycle ML、天樞等AI產(chǎn)品，為企業(yè)提供一站式?jīng)Q策平臺，助力企業(yè)規(guī)?；涞?AI 應用，全面提升治理能力，實現(xiàn)指數(shù)級增長。
