隨著概念的普及，科技公司對人工智能的要求越來越高，成本、準確度、效率都影響著人工智能能否落地融入日常的使用中。對人工智能應用的快速增長也進而催生了對影響人工智能水平的關鍵要素——機器學習方法的需求。自動化機器學習方法AutoML應運而生。

近年來，在深度學習領域里，出現了一種「新式學習法」，很多人視它改變了設計復雜的深度學習網絡，把看似高不可攀的深度學習，「拉」到了人人觸手可及的程度。這個新方式，就是 AutoML。

2017 年 5 月，谷歌在 I/O 大會上發布了 AutoML，他們將 AutoML 應用到了深度學習的圖像識別和語言建模的兩大數據集中，他們提供的 Cloud AutoML 和 Google NAS 算法結合，把完整的機器學習工作做成了云端產品，用戶只需要提供數據，Cloud AutoML 將自動構建深度學習模型。換言之，AutoML想要做到的，正如其名：自動化機器學習。

傳統的AI模型訓練往往要經歷特征分析、模型選擇、調參、評估等步驟，這些步驟需要經歷數月的時間，如果完全沒經驗，時間會更長。AutoML雖然也需要經歷這些步驟，但是通過自動化的方式，可以減少這些步驟的時間。

選擇怎樣的參數，被選擇的參數是否有價值或者模型有沒有問題，如何優化模型，這些步驟在從前是需要依靠個人的經驗、知識或者數學方法來判斷的。

而AutoML可以完全不用依賴經驗，而是靠數學方法，由完整的數學推理的方式來證明。通過數據的分布和模型的性能，AutoML會不斷評估最優解的分布區間并對這個區間再次采樣。所以可以在整個模型訓練的過程中縮短時間，提升模型訓練過程的效率。

如何促進技術公平，降低技術應用門檻，讓不懂技術的用戶也可以使用人工智能；如何優化機器學習的流程和結果，輔佐數據科學家們投入更有價值的工作，正是 AutoML 以及人工智能領域未來希望攻克的難題之一。

在2018年谷歌云全球NEXT大會上，李飛飛宣布，谷歌AutoML Vision進入公共測試版，并推出了兩款新的AutoML產品：AutoML Natural Language和AutoML Translation。

這個名為Cloud AutoML的宏大項目浮出水面之時，被業內稱為“Google Cloud發展的戰略轉型”——一直以來面向機器學習人工智能開發者的Google Cloud，這次將服務對象轉向了普羅大眾。你只需在改系統中上傳自己的標簽數據，大能得到一個訓練好的機器學習模型。整個過程，從導入數據到標記到模型訓練，都可以通過拖放界面完成。

其實在谷歌發布AutoML前后，機器學習自動化的產品風潮已經吹起：2017年底，微軟發布CustomVision.AI，涵蓋圖像、視頻、文本和語音等各個領域。2018年 1 月，他們又推出了完全自動化的平臺 Microsoft Custom Vision Services（微軟定制視覺服務）。同年，國內也出現了不少相關產品，稱能夠解放算法工程師，讓AI自動化，其中的代表即是百度的EasyDL

EasyDL 在 2017 年 11 月初上線了定制化圖像識別服務，并在業內展開公開測試。在 2018 年 4 月、5 月和 7 月陸續發布了定制化物體檢測服務、定制化模型設備端計算和定制化聲音識別等多個定制化能力方向，并形成了從訓練數據到最終定制化服務的一站式端云一體平臺。

目前 EasyDL 的各項定制能力在業內廣泛應用，累計過萬用戶，在包括零售、安防、互聯網內容審核、工業質檢等等數十個行業都有應用落地，并提升了這些行業的智能化水平和生產效率。

此外，曠視原創自研的人工智能算法平臺Brain++也集成了行業領先的AutoML技術，對深度學習算法的各個關鍵環節進行自動化的設計、搜索和優化。

曠視Brain++ AutoML技術以One-Shot方法為核心，力圖一次訓練即可完成自動化過程，將計算代價減小至傳統AutoML方法的萬分之一，在可控的時間內搜索出高性能、易部署的模型結構。

相比于市場上的AutoML技術，曠視的AutoML技術有以下優勢：

1. 計算代價小。傳統的AutoML技術常常需要多次訓練模型甚至會遍歷部分模型空間，計算代價巨大。曠視的AutoML技術以one-shot方法為核心，只需訓練一次即可得到整個模型空間的刻畫，大大減小了計算代價，只是平常訓練代價的1-3倍。

2. 應用范圍廣。曠視的AutoML技術提供了一套完整的解決方案，覆蓋了大部分業務，包括活體檢測、人臉識別、物體檢測、語義分割等。

3. 部署方便。曠視的AutoML技術涵蓋了數據處理、模型訓練、模型壓縮、模型量化等流程，自動處理從數據到落地。

4. 精度高。曠視的AutoML技術在諸多視覺任務上，超過人類手工設計，達到了業界最優。