人工智能（A I）的工作有一個諷刺之處：它涉及大量的手工、嘗試和錯誤的努力，以建立最高精度的預(yù)測模型。 隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)框架的不斷出現(xiàn)，以及對它們的更新，以及對工具平臺的更改，難怪如此多的人工智能工作是如此的臨時性。 但是，為什么一個關(guān)于自動化的技術(shù)會涉及這么多定制的努力呢？

所有手工工作的問題有兩個：第一，沒有數(shù)據(jù)科學(xué)培訓(xùn)的人幾乎不可能從事人工智能工作;第二，具有數(shù)據(jù)科學(xué)背景的人本身面臨著一個非常低效的工作流程。

然而，隨著自動機(jī)器學(xué)習(xí)（AutoML）的出現(xiàn)，這種僵局現(xiàn)在開始變得清晰起來。 一些公司，如數(shù)據(jù)機(jī)器人，專門從事它。 其他AI創(chuàng)業(yè)公司，如Dataiku、H20和Rapid Miner，以及Tibco等已建立的企業(yè)軟件公司，也擁有廣泛的AI平臺，具有AutoML功能。 主要的公共云平臺也是如此，包括Micros of tAzure、AmazonWeb服務(wù)和GoogleCloud平臺。 還有開源的AutoML框架，如Auto-sklearn、Auto-Keras和Uber最近的開源Ludwig平臺。

汽車ML看起來比時尚多得多。 事實(shí)上，我在AI市場上交談過的一些人認(rèn)為AutoML可能是AI整體的未來。 只要你有一個干凈的數(shù)據(jù)集，你知道它中的哪一列是“標(biāo)簽”（a.k.a目標(biāo)），即你想用新數(shù)據(jù)預(yù)測的值，AutoML將為你建立一個模型，并大大減少努力。 而且，有時，你會得到你的模型，根本沒有額外的努力。

考慮到這一點(diǎn)，我認(rèn)為一個入門的東西可能是有序的，這篇文章是我試圖提供一個。 免責(zé)聲明：雖然我自80年代以來一直是AI的追隨者，90年代末以來一直是數(shù)據(jù)挖掘系統(tǒng)的愛好者，但我不是數(shù)據(jù)科學(xué)家。 因此，我的詞匯和解釋在教學(xué)上并不權(quán)威----在某些情況下，它們可能是天真的。 但我在這里得到的東西應(yīng)該能幫助你理解AutoML平臺的能力，我希望它能幫助你判斷市場上的產(chǎn)品和框架。