2021 年世界人工智能大会（WAIC）于 7 月 8 日 在上海世博中心拉开帷幕。九章云极DataCanvas董事长方磊受邀参加由世界人工智能大会组委会主办、机器之心承办的“2021 WAIC·AI开发者论坛”，并发表“Hypernets：自动化机器学习的基础框架”主题演讲。

本次论坛以「后深度学习的 AI 时代」为主题，作为本届 WAIC 开发者单元的主力军，WAIC· AI开发者论坛与 WAIC·开发者日一脉相承，连续三年始终专注 AI 技术人员与开发者。本次论坛邀请了15位学术界和产业界重磅嘉宾，覆盖多模态机器学习及大规模自动生成技术、AutoML框架、智能社区的多模态数据融合、智能制造中的算法平台以及下一代 AI 基础软件能力等话题，共同探讨AI前沿技术。九章云极DataCanvas董事长方磊围绕AutoML框架的重要性和基本抽象、Hypernets的概念模型和重要特性、Hypernets的具体示例三部分向广大开发者奉献了一场干货满满的技术福利。

AutoML框架的本质是空间搜索

AutoML技术的研发与应用是一个持之以恒的课题，随着对其研发的深入，很多AutoML工具的各部分高度耦合，只能针对特定问题，难以扩展。方磊表示，AutoML框架的本质就是空间搜索，在这里面很重要的思想就是抽象性和层级的必要。

AutoML框架是对AutoML领域面对的问题解构和抽象后形成的基础性支撑，无论是超参数优化、Full-Pipeline搜索还是神经网络架构搜索(NAS)问题，主要围绕3个基本部分：搜索空间(Search Space)、搜索策略(Search Strategy)和评估策略(EstimationStrategy)。AutoML框架应对各部分高度解耦以实现各部分自由扩展，开发者可以在此之上不断丰富搜索算法，设计多样搜索空间，避免共性问题重复开发，针对非共性问题实现灵活扩展，加速迭代效率，大幅低于降低自动机器学习的准入门槛，能够让开发者快速实现自动机器学习的搜索。

Hypernets——开发者的朋友

一款优秀的AutoML框架应当在上述三个部分具有：富有表现力的搜索空间描述语言、支持高维空间的高效搜索算法和高性能的评估策略。Hypernets作为一个自动机器学习的底层通用框架，满足单节点及分布式高性能的模型训练需求，可以在不同的空间进行搜索与训练，结合各种机器学习和深度学习框架开发专用自动机器学习工具，帮助用户快速开发专用领域的AutoML工具。同时，Hypernets支持最新的神经网络架构搜索（NAS）算法，可以实现深度学习的网络架构设计自动化。

方磊表示，Hypernets与目前众多的机器学习、深度学习框架相结合更快更好的生成自动机器学习工具。用5-10行代码完全可以搜索模型，因此Hyperents一个定位就非常清晰，不管开发一个训练框架还是开发应用模型，都是开发者的朋友。开发训练框架可以让框架使用Hypernets很容易结合出框架本身的自动机器学习能力；如果是开发应用模型，可以组合不同学习训练框架的同时，在上面使用Hypernets，端到端整个pipeline上进行自动机器学习的参数搜索，就会得到非常较好的模型。经过大量在行业上的应用，在特征丰富情况下，Hypernets在搜索能力包括分布式计算能力体现出来很多优势，搜索时间短，算力仅需普通训练的20-30倍，就能够得到一个性能大大提升的模型。

简单快速精准的自动机器学习开发过程

开发者通过Hypernets设计不同的模块空间(Module Space)和相应的参数空间(Parameter Space)，通过不同的连接方式(Connection Space)将各个模块空间组合成为一个高维的丰富动态搜索空间(Search Space)。遗传算法作为搜索策略的一个例子，是一种非常有效的寻找局部最优的方法，也可以与其他各类算法组合使用，实现更为强大的策略，例如在空间切分搜索的时候，使用遗传算法加速子空间中的迭代。评估策略的核心在于高效：在评估不精确的情况下，通过指导搜索方向、节省预处理时间、防止过拟合三种方式，减少计算量，高效地利用自动机器学习找到更好的模型。作为Hypernets的一个具体实例，HyperGBM在多个公开数据集上和真实业务场景上，超过或达到了人类专家和其他AutoML工具的水平。

强大的自动机器学习开源框架：Hypernets家族

Gartner在2020年十大科技趋势中，将以AutoML为代表的AI普及化作为数据与分析领域的重要战略技术之一。作为帮助用户快速开发专用领域的AutoML工具，Hypernets于2019年在GitHub进行开源，结合各种机器学习和深度学习框架开发专用自动机器学习工具，率先突破了机器学习建模过程中不均衡数据、概念漂移、模型泛化能力和大规模数据等诸多挑战，提供开放的训练服务框架，降低了AutoML工具的开发门槛，实现深度学习的网络架构设计自动化。

方磊提到，AutoML的核心内容是降低门槛构建模型。基于Hypernets框架，九章云极DataCanvas自主研发的HyperGBM不仅能够解决生产化困扰，同时实现了数据预处理、特征衍生、特征筛选、模型超参数优化、模型选择、模型融合全过程的全自动机器学习，仅需5行代码就可以实现高质量的模型，拥有开箱即用、简单易用等特点，解决企业在结构化数据建模的需求。

为避免共性问题重复开发，其研发的HyperKeras支持神经网络架构搜索和超参数优，专注非共性问题，实现灵活高效扩展。此外，九章云极DataCanvas对AutoML技术不断探索，开源项目DeepTables荣获全球知名国际性竞赛第一名，全新定义了深度学习技术在结构化数据分析领域的价值。

Hypernets家族开源地址

Hypernets

https://github.com/DataCanvasIO/Hypernets

HyperGBM

https://github.com/DataCanvasIO/HyperGBM

HyperKeras

https://github.com/DataCanvasIO/HyperKeras

随着人工智能时代对于AutoML需求的增加，九章云极DataCanvas将运用Hypernets框架融合更多的深度学习框架，推动神经网络架构搜索的前沿发展，助力实际应用场景中的深度学习模型落地，并且通过在AutoML、AutoDL领域不断的技术创新，为金融、通信、政府等众多行业实现数智化升级提供新动能。