宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取
栗子 发自 凹非寺
量子位 报道 公众号 QbitAI
来自《铁男》
科幻剧情里，没有看过哪位大佬拿 Python 写代码。
眼前净是蓝汪汪的全息画面，用手指拖几下，再点几下，就算出了结果。
“我夜观星象，算出你上班时间看P站。” 误)
回到现实，虽说是没有全息图，但不写代码、拖拖拽拽就能搞机器学习，这等美事已经达成了：
MIT 和布朗大学联合开发了交互式数据科学系统，名字叫Northstar。
团队说，这是“全球最快的交互式 AutoML 工具”；除了速度，它生成模型的成绩，也已经在 DARPA D3M AutoML 比赛上超越了所有对手。
作为用户，你只要加载好数据集，再把想预测的目标，拖进一个预测器。几 十) 秒的光景，系统便会帮你找出最适合的机器学习模型。
有位不愿透露姓名的评论员说：
比用 TNT 还容易。
即便不是数据科学家，也可以充分利用手上的数据，来分析各种行业的现实问题。
并且，这套系统支持多人协作，不管是用同一台设备还是多台设备。电脑、平板、交互式白板……各种设备已支持。
现在，Northstar 在工业界和学界都有了用户，Adobe便是其中之一。
能做些什么？
先拿医学研究人员举个栗子。
MIT 在波士顿，那么就把整个波士顿的 ICU 患者健康信息全部投喂给 Northstar。
加载完成之后，性别、年龄、BMI、有没有消化疾病、心脏衰竭等等，各种参数都会进入“属性 Attributes) ”这一栏。
滑动的部分，就是各种属性
机器学习出场前
可以先观察不同属性之间的联系。
比如，通常认为男性比女性更容易发生心脏衰竭 Heart Failure) ，就来验证一下这个规律适不适用。
把“心衰”和“性别”两个属性拖出来，然后相连，发现女性的发病人数稍低。但把两个属性拖近彼此就会看到，按照比例计算，反而是女性比男性发病率高：
拖到靠近的位置，就可以计算比例
另外，还可以轻松观察多类疾病共存的概率。
比如，传染病、血液疾病和代谢疾病。
除了把三者相连之外，Northstar 还有一种更简洁的工具，叫frequent itemset：
它可以把三类疾病的所有可能组合，概率全部计算出来：
最容易并发的是代谢疾病和血液疾病，而代谢疾病单独存在的概率是全部可能性里最高的。
这时候，再用“年龄”属性筛选出 50 岁以上的患者，代谢疾病的百分数飙升到了 73%。
注：发现数据里，有很多患者年龄填了零，也可以一键清除他们，只留有效部分。
数据就观察到这里。
机器学习出场了
如果要预测某个患者有没有心脏衰竭，就从算法栏里拽出一个预测器 Predictor) 。
然后把要预测的“心脏衰竭”，拖到预测器的“目标 Target) ”里去。
这样，预测器的右边，便会产出一系列模型，每个模型的预测准确率都会显示出来。
模型生成完毕之后，可以选择一个成绩最好的模型，打开来仔细查看：
这个准确率92. 25%的方案，一共有 8 个步骤。
现在可以把这个模型导出为 Python 脚本，今后可以手动优化，也可以直接投入使用。
除此之外，还可以看到各个不同参数的权重：
其中，对预测心衰最有帮助的是一个叫“heart_ischemic”的特征。
意思是心脏缺血，常常是伴随着心脏衰竭而生。
所以下一步，就把这个特征也扔进预测器的目标里。
这样的话，再生成的模型就不依靠这个症状来预测了。
还有，可以把自己选中模型的预测结果，和 Ground Truth 对比观察。
像上图这样直接拖进去，就会得出假阴和假阳的情况。
选中这两部分，把它们和“年龄“摆在一起，就知道 AI 在哪个年龄段的预测更容易出错。
这个模型的错误率，几乎是随时间线性增长。
到这里，一个栗子就讲完了。
可问题是，AutoML 找出的模型一定是有效的么？
并不，如果预测成绩看上去很迷，可能是因为属性栏里的数据集，并不是有用的预测工具。
但没关系，系统自带数据集搜索工具datamart，输入关键字，可以查找相关的数据集。
比如，输入“贫困 Poverty) ”，就能看到美国各个县的人口数据。
有了这些数据，系统找出的贫困预测器，表现也会有所提升。
怎么做到的？
Northstar 的英勇体现在三个角度，一是速度，二是生成模型的质量，三是交互能力。
团队说，这是由系统的四个部分共同决定的 第三部分高能) 。
第一部分叫 Vizdom，就是前端，人类最直观感受到的部分，像一个没有边界的画板，可以在上面自在地发挥。
之所以自在，是因为背后有个强大的数据引擎：
第二部分叫 IDEA，就是这个引擎。全称“交互式数据探索加速器“，可以理解成样本管理器。
它把内存分成三份，一是结果缓存 Result Cache) ，二是样本存储 Sample Store) ，三是索引 Indexes) 。
当用户开始操作，IDEA 就会从各种数据源吸取数据，推测性地 Speculatively) 执行运算，然后把结果缓存下来，支援用户后面可能下达的指令。
同时，IDEA 还会把所有传入的数据，缓存到“样本存储”的位置。如果没空间了，IDEA 就开始更新缓存：用水塘抽样 Reservoir Sampling)，给数据集生成一个代表性样本 Representative Sample) ，就算数据流有偏差也是后面再处理：
要避免数据流的偏差 Bias) 带来的影响，IDEA 利用了许多数据库都有的采样算子，以及这些数据的随机偏移 Random Offsets) 。
IDEA 还可能把水塘样本分成几个分层 Stratified) 的子样本，用来过度表示 Overrepresent) 一个分布的尾端，或者用来创建专门的索引。
它所有的决定，都要根据用户过往和当下的操作不断优化：
比如，当用户把一个新属性拖进画布，系统就会分配更多资源到这个新属性上，为用户可能发出的请求提前做好准备。
另外，随着计算的进行，IDEA 还会把精确度越来越高的结果，不断传输到前端，也包括这些结果的完整性和误差分析。
这样，即便用户任意发挥，系统也能快速待命，不论数据大小，不论数据类型。
第三部分叫 Alpine Meadow，重中之重。
在 IDEA 准备好数据之后，就是它负责选出最适合的算法，最适合的超参数。
2013 年，团队曾经开发出MLbase：用一种简单的声明式方法 Declarative Way) ，来说明 ML 任务是什么 但不发出具体指令) ；还提供一个新的优化器，选出一个学习算法，并且能够动态地适应当前的任务。
只不过，MLbase 不是为了和人类交互而生的，调参常常要几小时。
所以，团队在此基础上一顿操作，获得了快速有效的 Alpine Meadow：
先是证明了，把基于规则的优化 Rule-Based Optimization) 方法，和多臂老虎机、贝叶斯优化以及元学习，巧妙结合在一个系统里，能有效找到最好的 ML 模型。
并设计了一个自适应的选择算法，通过对比训练集和验证集的误差，早期就可以剪掉 Prune) 一些不靠谱的 pipeline。这在训练实例的样本越来越大的情况下，有助于达到更高的效率。
结果是，Alpine Meadow 广泛支持各类任务，多才多艺的程度，远远超过其他 AutoML 系统：
并且，它在从前没见过的数据集上，有 80% 的情况超越了作为基线的专家系统：
下面看速度。
绿色是 Alpine Meadow 找出第一个方案需要的时间。在成功的数据集数量相同的情况下，用时远低于其他算法：
方案在数据集上的相对排名，依然明显超过其他算法 越低越好) ：
然后，是 DARPA 比赛的分数 已 Normalized) ：
截至目前，它已经超越了 DARPA D3M AutoML 比赛上的全部对手。
虽然，Alpine Meadow 单打独斗也没有问题。但在这个四部分组成的系统里，还有最后一个部分：
第四部分是 QUDE，它可以监控用户的每一个交互动作，对常见的错误和问题给出警告。
这些模块合在一起，才是完整的 Northstar。
美中不足，现在似乎还没有个人用户的入口。
“全 MIT 最聪明的人”
MIT 和布朗大学组成的团队，已经在 NorthStar 上面耗时四年。
领队是 Tim Kraska 副教授，来自 MIT 赫赫有名的 CSAIL 实验室。
项目已经发射了许多篇论文，其中核心的Meadow Alpine论文，登上了 SIGMOD ’19。
论文一作名叫尚泽远，也来自 CSAIL，是 Kraska 的博士生。
少年的校园主页，域名瞩目：http://smartest.mit.edu/
下方还有一行傲娇的说明：
如果想知道谁是 MIT 最聪明的人，请前往 https://www.shangzeyuan.com/
Alpine Meadow 论文传送门：
http://sci-hub.tw/https://dl.acm.org/citation.cfm?id=3319863
NorthStar 论文传送门：
http://www.vldb.org/pvldb/vol11/p2150-kraska.pdf
作者系网易新闻·网易号“各有态度”签约作者
支付宝扫一扫
微信扫一扫
