![[東京現場]如何讓機器學習普及化？來聽Google Brain大神Jeff Dean怎麼說](https://image-cdn.learnin.tw/bnextmedia/image/album/2017-11/img-1511921745-44536.jpg?w=900&output=webp)
Google在2016年3月以Alphago打敗人類棋士，在科技圈掀起人工智慧熱潮後，今年又在杭州舉辦一次人機棋藝大賽，而這個比賽中，輸贏並非重點，真正的重點在向世人說明，人類如何和機器共同合作完成任務，從喚醒世人對於機器學習的重視到鼓勵業界大量採用，Goolge在機器學習下一步和新方針為何？
在東京的媒體活動上，Google研究團隊資深研究員，同時也是Google Brain負責人傑夫·迪恩（Jeff Dean）明確地指出，下一步的發展核心，是建構出更普及的機器學習與公平性。為了達成普及性目標，Goolge的策略是大量提供機器學習課程培訓機會（如將把Google機器學習線上課程免費釋出），讓更多人成為機器學習專家。
另一個策略則具有「破壞式創新」的本質：讓機器學習建模流程更為「自動化」，也就是說，讓本來難度很高的機器學習建模流程變得簡單容易。
自動化機器學習(AutoML)是什麼？
Google在今年的開發者大會上公佈自動化機器學習技術（Auto Machine Learning）。什麼是自動化機器學習？
迪恩直接說明，「AutoML是一組作為控制組網路 （controller network） 的神經網路，這個神經網絡能夠推導出上千個子模型架構 （child model architecture），並且在其中找出執行效率最好的一個子模型架構。 」
迪恩進一步解釋，Google AutoML模型架構能夠針對特定任務進行訓練，並且評估訓練品質。送出的回饋將回到控制組，以修正下一次的資料傳輸。「我們就這樣重複進行上千次的訓練。從產生新的架構、測試、向控制組回報成果、學習、再產生新架構......。」
而強化式學習 （Reinforcement Learning Approach） 能夠讓控制組網路從子模型架構的訓練中變得越來越好。最後控制組網路就能夠學習如何建構一個好的子模型架構（詳情請參見：Using Machine Learning to Explore Neural Network Architecture）。
迪恩是從純技術的角度出發，若把其含義簡化，我們可以說機器學習是自動化的自動化（automation of automation），那自動化機器學習可以理解成「自動化的自動化的『自動化』」。
而除了Google，市面上也還有Auto-sklearn的Auto-Weka、Prodigy與H2o Driverless AI等自動化機器學習工具。
Google AutoML已超越人類專家的表現
迪恩指出，Google AutoML已經有超越人類專家的表現。Google將最新的AutoML方法套用到ImageNet這個最受學術界推崇的電腦視覺數據集中，發現由AutoML所產出的模型比手動的模型還要精準，相較於其他由全球頂尖機器學習專家開發的模型，AutoML模型可更精準地解決問題（詳情請參見：AutoML for large scale image classification and object detection）。
3個原因，了解為什麼需要AutoML？
「AutoML可以讓更多人使用機器學習技術！並且更有彈性，有更好的結果。」迪恩認為。
1.大廠的雲端API沒辦法滿足所有需求
迪恩指出，在實務操作上，建構機器學習模型需要特定的知識基礎以及訓練。現在的業界作法，利用開放API的方式，提供預先訓練模型 （如Cloud API）的確能解決問題，但若開發者遇到特定的挑戰時，這些預先預練好的模型並沒有辦法發揮作用。「因此Google致力於研發讓機器學習建模過程的自動化。」
2.機器學習模型訓練難度高
除了現有工具沒有辦法發揮作用外，機器學習這件事本身難度就很高。臺灣大學資訊工程系教授林守德在人工智慧的藍海在哪裡？一文中就提及，「人工智慧專家都知道目前的技術還有許多需要突破的點。如機器學習需要依賴大量標注資料、訓練模型參數調校困難等問題。」
來自史丹佛人工智慧實驗室，同時也是博士候選人的依南（S. Zayd Enam）還特別以「機器學習這麼難？」為題撰文。文中指出機器學習非常難，因為1.推動機器學習研究進步的科學本身很困難，需要創新、實驗和堅持 2.把已知的機器學習模型應用到實際工作中也是一件困難的事情 3.機器學習的調適是『指數級』難度的，機器學習算法的Debug都需要很長的時間，很少有算法可以一次成功，所以更多的時間花在調模型上。
3.相關人才不足，人才昂貴
迪恩先前多次演講中提到，「全球目前僅有數千家公司有專業的機器學習人才，我們希望從成千上萬的機器學習難題中解脫出來。」人工智慧人才供給量最大的美國，也都還有巨大的缺口，更別說是其他地區，這些公司都為找不到適合的機器學習人才所苦。
警惕：機器學習公不公平？
不過，在Google致力於讓機器學習大量規模化的同時，也對於機器學習的公平性著墨甚深。「為確保我們所開發出來的系統的公平性，我們從一開始就將公平性和包容性，建構到我們的系統中」迪恩強調。
為此，迪恩指出Google啟動PAIR與Facets（訓練資料中的視覺化模式），從一開始就為機器學習模型建構出公平與包容性。
