云脑科技徐昊：AutoML 工程实践与大规模行业应用( 三 )

2019-01-05

图1/10

在工程应用的落地方面，AutoML 还处于实验阶段，模型的优化和调试效率有一定的问题，但是工程潜力巨大。它的缺点是：计算量巨大，不能满足项目快速迭代的需求；目前仅限于调参问题；在搜索和优化的过程中像一个黑盒子，人机交互较少。因此，AutoML 在大项目中应用落地还存在一定的问题。

图2/10

在工程实践中落地要考虑哪些因素呢？首先是精确度、工程迭代速度、Serving 压力，然后如果是深度学习，还要考虑深度学习优化加速，最后，线上模型的动态效果也需要考虑，因为线上模型的表现和线下的可能不一样。那么，对应的优化环节是下图左边的样本效率、特征效率、模型选择、优化效率和线上策略效率。

推荐阅读

上一篇：拼命三郎！为红米雷军深夜十二点不睡，早晨10点接着“战斗”！

下一篇：清华毕业计算机教授遭持枪劫车！靠“贪心算法”追回秒杀美国警察