智能化人工智能：IBM新系统能自动选择最佳的AI算法

并非所有的深度学习系统都已同样的方式输入、转换和输出数据。事实上，没有一个万能的人工智能算法适用于所有任务，为不同任务选择最佳算法往往需要漫长而令人沮丧的练习（找到趁手的锤子，如何选择正确的机器学习算法）。对于入门者来说幸运的是，IBM最近开发了一个能够自动选择AI机器学习算法的自动化系统。

IBM爱尔兰研究院的数据科学家Martin Wistuba在最近的博客文章和随附的论文中描述了该方法。他声称该系统选择算法的速度比其他方法快50,000倍，而错误率只有略微增加。

“在IBM，工程师和科学家从大量备选方案中选择出最佳的深度学习模型架构，这是一个耗时费力的手动过程; 然而，使用自动化AI算法选择解决方案来匹配神经网络算法可以节省大量时间，并使非专家用户也能够更快地上手应用深度学习，“他写道。“我的进化算法旨在将搜索正确深度学习架构算法的搜索时间缩短到几个小时，从而使深度学习网络架构的优化成为每个人都能负担得起的任务。”

上图：单个神经网络突变过程示意图 图片来源：IBM

这里是Wistuba的“神经进化”系统的关键所在：卷积神经网络架构可以看作是“神经细胞”构成的序列，它们会变异（增加或者减少层）  直到某一个最适合给定数据集和任务的结构被找到。Wistuba写道，神经网络的这些突变不会影响网络的预测，而且能大大加快了培训时间。

为了测试该方法的功效，Wistuba用它来为CIFAR-10和CIFAR-100数据集选择图像分类算法（标记图像由多伦多大学公开提供）。

“在训练的前10个小时内，准确度迅速提高，然后进展缓慢但稳定，”Wistuba写道。“与最先进的人工设计架构相比，我的算法的分类错误率稍高，但需要的时间要少得多，其中架构的搜索方法基于增强学习，以及其他自动化方法的搜索基于进化算法。”

Wistuba希望未来将该系统集成到IBM的云服务中，并将其应用扩展到更大的数据集和其他领域，如自然语言处理。

自动算法选择并不新鲜 ，谷歌曾用这种方法来改善智能手机面部识别和物体检测的准确率。 但如果Wistuba的系统功能与宣传相符，将意味着代表着该领域的重大进步。