IDC预计，2020-2025年间，中国人工智能市场复合增长率将达到35.2%，持续保持中国速度，仍然占据全球主导地位。从整体解决方案的角度，预计到2024年，人工智能技术支出占整体IT支出的比例也将从2020年的5.2%提升至9.1%。

AutoML技术将为企业数智化升级带来何种机遇和可能？

九章云极DataCanvas联合全球知名的研究机构IDC中国重磅发布**《引入AutoML，破局企业智能白皮书》** ，探讨AutoML创新应用的新未来。

今天的AI：潜力与挑战并存

人工智能发展迅猛，其落地应用带来的业务价值——为客户提供全渠道智能服务体验，精准识别潜在用户，降低运营成本，降低运营风险，提高生产效率等等日渐清晰。然而，推动AI落地的挑战依然非常突出：

图丨开发机器学习、AI面临的挑战

在行业企业开始广泛而深入地推进AI的阶段，如何解决人才匮乏、数据稀缺、内部技能短缺的挑战是当务之急。IDC认为，解决这些挑战的路径有提供低代码开发模式、预训练模型、自动化AI等，这些路径都可以在自动化机器学习平台得以实现。

机器学习开发新要求：自动化

完整的机器学习/AI应用开发链路包含数据准备、模型训练、上线部署过程。而数据准备耗时长、模型选择以及训练技术门槛高，都是现阶段制约机器学习与AI规模化应用的瓶颈。自动化机器学习旨在解决如上挑战，降低组织应用AI的门槛，加快AI应用，实现真正的AI普惠。

图丨机器学习开发流程

人工智能的先行者对完整的AI开发流程已经积累了一定的实践经验，而处于人工智能应用初期的企业则可能会面临数据、人才、技能等多方面的挑战。

图丨企业采用机器学习平台希望改善的环节

要加速机器学习与人工智能的落地，除了解决人才、技能、数据资源、AI解决方案成本问题，在进行AI开发的过程中，也有必要从数据收集到特征工程提取、模型训练、再到部署上线的全流程，为各个环节提供一定的自动化工具或端到端的开发套件，引入自动化机器学习工具。

降低AI门槛，加速智能化

降低机器学习、AI应用开发门槛已成为推动AI规模落地的重要路径。如何实现端到端的AI开发自动化、机器学习自动化，也是技术供应商的重点攻关方向。

图丨机器学习自动化实现方式

围绕ML （机器学习）过程中的数据获取和预测，AutoML （自动化机器学习）用于实现自动化的特征工程、模型选择、超参优化等功能，已经实现了很多性能提升。IDC根据当前的实现路径分成如下几个阶段。

图丨AutoML成熟度阶段划分

IDC认为，全面认识AutoML工具，了解不同机器学习平台提供的自动化能力，才能为企业内部各部门的用户适配不同程度的自动化工具。

企业级AutoML需具备的能力

在综合当前产品以及行业用户智能化现状的基础上，IDC认为企业级AutoML产品在遵循机器学习开发流程的基础之上，现阶段必须具备六大能力：需具备适配行业属性、开放灵活、低代码易上手、良好的可视化效果、效率与成本的平衡以及支持快速部署的能力。

图丨企业级AutoML需要具备的能力

自动化之外，可解释性也将加速AutoML的应用。在采用自动化机器学习加速AI落地、扩展AI应用部署的同时，可解释性、AI治理能