构建涉及图像，文本和表格数据集的机器学习应用程序并不容易。它需要特征工程或使用数据领域知识来创建使AI算法起作用的特征，此外还需要进行大量数据预处理，以确保在经过训练的模型中不会出现偏差。
这大概就是为什么亚马逊开发了AutoGluon，这是一个开放源代码库，旨在使开发人员仅用几行代码即可编写AI嵌入的应用程序。它在GitHub上悄然兴起后大约一个月，于今天公开发布。
AutoGluon的目标是自动化开发人员历史上必须自己做出的许多决策。通常，像超参数调整这样的任务是手动执行的，需要科学家预测超参数（代表构建人工智能模型时所做的选择）将如何影响模型训练。另一个通常由人监督的任务称为神经架构搜索（neural architecture search），需要复杂的工程，至少在一定程度上，开发人员必须为其各自的模型确定最佳设计。
为此，AutoGluon可以通过自动调整默认范围内的选择来生成仅需三行代码的模型，而这些默认范围在已知范围内可以很好地完成给定任务。开发人员只需指定他们何时准备好其训练有素的模型，作为回应，AutoGluon就会利用可用的计算资源在分配的运行时中找到最强大的模型。
它以亚马逊和微软三年前进行的工作-Gluon为基础，后来又在Apache MXNet和微软的Cognitive Toolkit中发布。Gluon是一个机器学习界面，允许开发人员使用一组预先构建和优化的组件来构建模型，而AutoGluon则不断地处理开发过程。
AutoGluon开箱即用，可以识别用于表格预测，图像和文本分类以及对象检测的模型，并且它提供了API，可供经验丰富的开发人员使用以进一步改善模型的预测性能。它需要Python 3.6或3.7版本，并且目前仅支持Linux，但是Amazon表示Mac OSX和Windows版本很快就会推出。
“我们开发AutoGluon是为了让机器学习真正大众化，让所有开发人员都能使用深度学习的功能，”AWS应用科学家Jonas Mueller在一份声明中说。“AutoGluon解决了这个问题，因为所有的选项都会自动调整到默认范围内，而这些默认范围对于特定的任务和模型来说性能良好。”
AutoGluon的首次亮相是在对Amazon Web Services（AWS）的SageMaker进行重大升级之后进行的，该工具包用于不断培训机器学习模型并将其部署到云和边缘环境。AWS SageMaker Studio是一种模型培训和工作流管理工具，可将所有代码，笔记本和文件夹用于机器学习收集到一个地方，而SageMaker Notebook可让开发人员快速启动Jupyter笔记本进行机器学习项目。还有SageMaker Autopilot，可通过自动选择算法并调整模型来自动创建模型。SageMaker Experiments，用于测试和验证模型；SageMaker调试器，可提高模型的准确性；和SageMaker Model Monitor，它可以检测概念偏差。
Amazon之前发布了AWS深度学习容器，这是一个预装了流行深度学习框架的Docker图像库，以及一系列完全托管的服务，包括Personalize、Textract、Fraud Detector和CodeGuru。根据Statista的数据，凭借AutoGluon等独立工具，这家西雅图科技巨头正在追逐一个到2025年预计价值1186亿美元的市场。
声明：本文由易百纳技术社区编写，文章内容来自venturebeat，版权归原作者所有，转载请注明出处，如有侵权请联系删除。
