為了獲得最先進(jìn)的機(jī)器學(xué)習(xí)（ ML ）解決方案，數(shù)據(jù)科學(xué)家通常建立復(fù)雜的 ML 模型。然而， 這些技術(shù)的計(jì)算成本很高，直到最近還需要廣泛的背景知識(shí)、經(jīng)驗(yàn)和人力。

最近，在 GTC21 ， AWS 高級(jí)數(shù)據(jù)科學(xué)家 尼克·埃里克森 給出了一個(gè) session 分享如何結(jié)合 AutoGluon ， RAPIDS 和 NVIDIA GPU 計(jì)算簡(jiǎn)化實(shí)現(xiàn)最先進(jìn)的 ML 精度，同時(shí)提高性能和降低成本。 這篇文章概述了尼克會(huì)議的一些要點(diǎn)：

AutoML 是什么？ AutoGluon 有什么不同？

在 Kaggle 預(yù)測(cè)比賽中， AutoGluon 如何在僅僅三行代碼的情況下就超過 99% 的人類數(shù)據(jù)科學(xué)團(tuán)隊(duì)， 不需要專家知識(shí)？

AutoGluon 與 RAPIDS 的集成如何使訓(xùn)練速度提高 40 倍，推理速度提高 10 倍？

什么是AutoGluon？

AutoGluon 是一個(gè)開放源代碼的 AutoML 庫(kù)，它支持易于使用和易于擴(kuò)展的 AutoML ，重點(diǎn)放在自動(dòng)堆棧合并、深度學(xué)習(xí)和跨文本、圖像和表格數(shù)據(jù)的真實(shí)應(yīng)用程序上。面向 ML 初學(xué)者和專家， AutoGluon 使您能夠：

用幾行代碼為您的原始數(shù)據(jù)快速構(gòu)建深度學(xué)習(xí)和經(jīng)典 ML 解決方案的原型。

在沒有專家知識(shí)的情況下自動(dòng)使用最先進(jìn)的技術(shù)（如適用）。

利用自動(dòng)超參數(shù)調(diào)整、模型選擇/裝配、架構(gòu)搜索和數(shù)據(jù)處理。

輕松改進(jìn)/調(diào)整您的定制模型和數(shù)據(jù)管道，或?yàn)槟挠美ㄖ?AutoGluon 。

本文主要關(guān)注 AutoGluon Tabular ，這是一個(gè) AutoGluon API ，它只需要幾行 Python 就可以在未處理的表格數(shù)據(jù)集（如 CSV 文件）上訓(xùn)練高度精確的機(jī)器學(xué)習(xí)模型。 為了理解 AutoGluon Tabular 是如何做到這一點(diǎn)的，我們將首先解釋一些概念。

什么是監(jiān)督機(jī)器學(xué)習(xí)？

有監(jiān)督機(jī)器學(xué)習(xí) 將一組帶標(biāo)簽的訓(xùn)練實(shí)例作為輸入，并構(gòu)建一個(gè)模型，該模型旨在基于我們知道的關(guān)于該實(shí)例的其他信息（稱為實(shí)例的特征）正確預(yù)測(cè)每個(gè)訓(xùn)練實(shí)例的標(biāo)簽。這樣做的目的是建立一個(gè)精確的模型，可以自動(dòng)用未知的標(biāo)簽標(biāo)記未來的數(shù)據(jù)。

圖 1 ：有監(jiān)督機(jī)器學(xué)習(xí)使用標(biāo)記數(shù)據(jù)建立模型，對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行預(yù)測(cè)。

在表格數(shù)據(jù)集中，列表示變量的度量（又稱特征），行表示單個(gè)數(shù)據(jù)點(diǎn)。 例如，下表顯示了一個(gè)包含三列的小數(shù)據(jù)集：“有工作”、“擁有房子”和“收入”。在本例中，“ income ”是標(biāo)簽（有時(shí)稱為預(yù)測(cè)的目標(biāo)變量），其他列是用于嘗試預(yù)測(cè)收入的特征。

表 1 ：收入數(shù)據(jù)集

有監(jiān)督機(jī)器學(xué)習(xí)是一個(gè)迭代的、探索性的過程，它涉及到數(shù)據(jù)準(zhǔn)備、特征工程、驗(yàn)證拆分、缺失值處理、訓(xùn)練、測(cè)試、超參數(shù)調(diào)整、集成和評(píng)估 ML 模型，然后才能將模型用于生產(chǎn)中進(jìn)行預(yù)測(cè)。

圖 2 ：機(jī)器學(xué)習(xí)是一個(gè)迭代過程，包括特征提取、訓(xùn)練和評(píng)估，然后才能部署模型進(jìn)行預(yù)測(cè)。

什么是 AutoML

歷史上，實(shí)現(xiàn)最先進(jìn)的 ML 性能需要廣泛的背景知識(shí)、經(jīng)驗(yàn)和人力。根據(jù)自動(dòng)化的工具和級(jí)別， AutoML 使用不同的算法技術(shù)來嘗試為 ml 管道找到最佳的特性、超參數(shù)、算法和/或算法組合。通過 automating 耗時(shí)的 ML 管道，從業(yè)者和企業(yè)可以應(yīng)用機(jī)器學(xué)習(xí)更快更容易地解決業(yè)務(wù)問題。

AutoML 分三步進(jìn)行， AutoGluon 表格

自動(dòng)膠合板 可用于自動(dòng)構(gòu)建最先進(jìn)的模型，該模型使用兩個(gè)函數(shù) fit （） 和 predict （） 根據(jù)同一行中的其他列預(yù)測(cè)特定列的值，如下所示。

from autogluon.tabular import TabularPredictor， TabularDataset

# load dataset

train_data = TabularDataset（DATASET_PATH）

# fit the model

predictor = TabularPredictor（label=LABEL_COLUMN_NAME）.fit（train_data）

# make predictions on new data

prediction = predictor.predict（new_data）

函數(shù)的作用是：研究數(shù)據(jù)集，執(zhí)行數(shù)據(jù)預(yù)處理，擬合多個(gè)模型，并將它們結(jié)合起來生成一個(gè)高精度的模型。有關(guān)要嘗試的更完整的示例，請(qǐng)參見 關(guān)于預(yù)測(cè)表中列的 AutoGluon 快速入門教程。

圖 3 ： AutoGluon fit （）函數(shù)自動(dòng)構(gòu)建一個(gè) ML 模型，該模型可用于基于 predict （）函數(shù)同一行中的其他列來預(yù)測(cè)特定列的值。

用這個(gè)簡(jiǎn)單的代碼， AutoGluon 擊敗了其他 AutoML 框架和許多頂尖的數(shù)據(jù)科學(xué)家。 廣泛的評(píng)估 通過對(duì) Kaggle 和 OpenML AutoML 基準(zhǔn)測(cè)試的 50 個(gè)分類和回歸任務(wù)進(jìn)行測(cè)試，發(fā)現(xiàn) AutoGluon 比 TPOT 、 H2O 、 AutoWEKA 、 AutoSklearn 和 Google AutoML 表更快、更健壯、更準(zhǔn)確。同樣在兩個(gè)受歡迎的 Kaggle 比賽中， AutoGluon 在僅僅 4 小時(shí)的原始數(shù)據(jù)訓(xùn)練后就擊敗了 99% 的數(shù)據(jù)科學(xué)家。

圖 4 ： AutoGluon 的性能超過了其他 AutoML 框架和許多頂尖的 Kaggle 數(shù)據(jù)科學(xué)家。

自粘膠有什么不同？

大多數(shù) AutoML 框架致力于將算法選擇和超參數(shù)優(yōu)化（ CASH ）結(jié)合起來，提供從各種可能性中尋找最佳模型及其超參數(shù)的策略。然而，現(xiàn)金有一些缺點(diǎn)：

它需要許多重復(fù)的模型訓(xùn)練，而且大多數(shù)模型都被丟棄了，而沒有對(duì)最終結(jié)果做出貢獻(xiàn)。

超參數(shù)調(diào)優(yōu)做得越多，驗(yàn)證數(shù)據(jù)擬合過度的風(fēng)險(xiǎn)就越高。

超參數(shù)調(diào)整在加密時(shí)不太有用。

相比之下， AutoGluon Tabular 依靠專家數(shù)據(jù)科學(xué)家使用的方法來贏得競(jìng)爭(zhēng)：將多個(gè)模型集合起來，并將它們堆疊在多個(gè)層中，從而優(yōu)于其他框架。

Ensembling 是如何工作的？

集成學(xué)習(xí)方法結(jié)合多種機(jī)器學(xué)習(xí)（ ML ）算法來獲得更好的模型。為了更好地理解這一點(diǎn)，讓我們看看隨機(jī)森林，它是決策樹的集合。

決策樹通過評(píng)估 if-then-else 和真/假特征問題樹，并估計(jì)評(píng)估做出正確決策的概率所需的最小問題數(shù)，創(chuàng)建預(yù)測(cè)目標(biāo)標(biāo)簽的模型。決策樹可用于分類以預(yù)測(cè)類別，或用于回歸以預(yù)測(cè)連續(xù)數(shù)值。例如，下面的決策樹（基于上表）嘗試使用特征“ has job ”和“ owns house ”的兩個(gè)決策節(jié)點(diǎn)來預(yù)測(cè)標(biāo)簽“ income ”。

圖 5 ：一個(gè)簡(jiǎn)單的決策樹模型，有兩個(gè)決策節(jié)點(diǎn)和三片葉子。

決策樹的優(yōu)點(diǎn)是易于解釋，但存在過度擬合和準(zhǔn)確性問題。建立一個(gè)精確的模型是介于兩者之間的 以及過度擬合——模型預(yù)測(cè)與訓(xùn)練數(shù)據(jù)的行為方式相匹配，并且被廣泛化，足以對(duì)看不見的數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測(cè)。

決策樹試圖找到最佳分割來對(duì)數(shù)據(jù)進(jìn)行子集劃分，這會(huì)導(dǎo)致嚴(yán)重的分割。 例如，給定下面左邊的數(shù)據(jù)集，我們想預(yù)測(cè)一個(gè)點(diǎn)的顏色，點(diǎn)越亮，值就越高。如右圖所示，決策樹會(huì)將數(shù)據(jù)分割成多個(gè)塊。 下一步，我們將研究如何使用 ensembling 改進(jìn)決策樹。

圖 6 ：左邊的示例數(shù)據(jù)集，目標(biāo)是預(yù)測(cè)點(diǎn)的顏色，點(diǎn)越亮，值越高。此數(shù)據(jù)集的決策樹 右邊是將數(shù)據(jù)分割成粗糙的塊。

Ensembling 是一種通過組合預(yù)測(cè)和改進(jìn)泛化來提高模型精度的行之有效的方法。 隨機(jī)森林 是一種流行的分類和回歸集成學(xué)習(xí)方法。 Random forest 使用一種稱為 bagging （ bootstrap aggregating ）的技術(shù)，從數(shù)據(jù)集和特征的隨機(jī) bootstrap 樣本并行地構(gòu)建完整的決策樹。 通過對(duì)所有樹的輸出進(jìn)行聚合來進(jìn)行預(yù)測(cè)，減少了方差，提高了預(yù)測(cè)精度。最終的預(yù)測(cè)是所有決策樹預(yù)測(cè)的多數(shù)類或均值回歸。 隨機(jī)性對(duì)森林的成功至關(guān)重要， bagging 確保沒有決策樹是相同的，減少了單個(gè)樹的過度擬合問題。

圖 7 ： Random forest 使用一種稱為 bagging 的技術(shù)從數(shù)據(jù)集和特性的隨機(jī)引導(dǎo)樣本構(gòu)建決策樹。

為了理解這是如何給出更好的預(yù)測(cè)，讓我們看一個(gè)例子。這里是圖 6 中所示的數(shù)據(jù)集的四個(gè)不同的決策樹，測(cè)試數(shù)據(jù)點(diǎn)的預(yù)測(cè)顏色不同。我們可以看到，每一種方法都給出了解的近似值，而這種近似值不足以作出精確的預(yù)測(cè)。

圖 8 ： 圖 6 所示的數(shù)據(jù)集有四個(gè)不同的決策樹，一個(gè)測(cè)試數(shù)據(jù)點(diǎn)有不同的預(yù)測(cè)顏色 。

當(dāng)這四個(gè)決策樹被合并并平均在一起時(shí)，粗糙的邊界消失了，并且像下面的隨機(jī)森林示例一樣被平滑?，F(xiàn)在 測(cè)試數(shù)據(jù)點(diǎn)的預(yù)測(cè)顏色是來自其他樹預(yù)測(cè)的顏色的混合。

圖 9 ：隨機(jī)森林 模型 對(duì)于 圖 8 中的四個(gè)決策樹 。

隨機(jī)林中的所有決策樹都是次優(yōu)的，它們?cè)陔S機(jī)方向上都是錯(cuò)誤的。當(dāng)平均決策樹時(shí)，它們錯(cuò)誤的原因相互抵消，這稱為方差抵消。 結(jié)果質(zhì)量更高，因?yàn)樗鼈兎从沉舜蠖鄶?shù)樹做出的決定。平均值限制了誤差，即使有些樹是錯(cuò)的，有些樹是對(duì)的，所以這組樹一起朝著正確的方向移動(dòng)。

當(dāng)許多不相關(guān)的決策樹組合在一起時(shí)，它們產(chǎn)生的模型具有很高的預(yù)測(cè)能力，能夠抵抗過度擬合。這些概念是流行的機(jī)器學(xué)習(xí)算法的基礎(chǔ)，例如 隨機(jī)森林， XGBoost ， Catboost 和 LightGBM 這些都是由自動(dòng)膠所使用的。

多層疊加

你可以更進(jìn)一步與 ensembling ，經(jīng)驗(yàn)豐富的機(jī)器學(xué)習(xí)實(shí)踐者 將 RandomForest 、 CatBoost 、 k 近鄰和其他的輸出結(jié)合起來，以進(jìn)一步提高模型精度。在 ML 競(jìng)爭(zhēng)社區(qū)很難找到一個(gè)單一的模型贏得的競(jìng)爭(zhēng)，每一個(gè)獲勝的解決方案都包含了模型的集合。

Stacking 是一種使用“基本”回歸或分類模型集合的聚合預(yù)測(cè)作為訓(xùn)練元分類器或回歸“堆?！蹦Ｐ偷奶卣鞯募夹g(shù)。

圖 10 ：堆疊技術(shù)。

多層堆垛機(jī)將堆垛機(jī)模型輸出的預(yù)測(cè)結(jié)果作為輸入輸入到其他更高層的堆垛機(jī)模型中。在許多 Kaggle 比賽中，在多個(gè)層次上迭代這個(gè)過程是一個(gè)獲勝的策略。多層疊加集成功能強(qiáng)大，但很難使用和實(shí)現(xiàn)，目前除了 Autogluon 之外，其他任何 AutoML 框架都沒有使用它。

無需專家知識(shí)， AutoGluon 自動(dòng)組裝和訓(xùn)練一種新形式的多層堆疊，如圖 11 所示，采用 k 折疊裝袋。其工作原理如下：

底座： 第一層有多個(gè)基礎(chǔ)模型，這些模型分別經(jīng)過訓(xùn)練，并使用 k-fold 集成裝袋（下文討論）。

連接：將基礎(chǔ)層模型預(yù)測(cè)與輸入特征連接起來，作為下一層的訓(xùn)練輸入。

堆垛：多個(gè)堆垛機(jī)模型在 concat 層輸出上進(jìn)行訓(xùn)練。與傳統(tǒng)的堆疊策略不同， AutoGluon 重用與 stackers 相同的基本層模型類型（具有相同的超參數(shù)值）。 此外，堆垛機(jī)模型不僅將前一層模型的預(yù)測(cè)作為輸入，而且還將原始數(shù)據(jù)特征本身作為輸入。

加權(quán)：最后的堆疊層應(yīng)用集合選擇以加權(quán)的方式聚合堆疊機(jī)模型的預(yù)測(cè)。 在高容量模型堆棧中聚合預(yù)測(cè)可以提高對(duì)過度擬合的恢復(fù)能力

圖 11 ： AutoGluon 的多層堆疊集成。

k-fold Ensembling 套袋

AutoGluon 通過將所有可用數(shù)據(jù)用于訓(xùn)練和驗(yàn)證，通過在堆棧的所有層對(duì)所有模型進(jìn)行 k 折集成裝袋來提高堆棧性能。 k-fold ensemble bagging 類似于 k-fold cross validation，這是一種最大化訓(xùn)練數(shù)據(jù)集的方法，通常用于超參數(shù)調(diào)整以確定最佳模型參數(shù)。通過 k 折交叉驗(yàn)證，數(shù)據(jù)被隨機(jī)分成 k 個(gè)分區(qū)（折疊）。每個(gè)折疊一次用作驗(yàn)證數(shù)據(jù)集，而其余的 （Out-Of-Fold – OOF） 用于訓(xùn)練。模型使用 OOF 訓(xùn)練集進(jìn)行訓(xùn)練并使用驗(yàn)證集進(jìn)行評(píng)估，從而產(chǎn)生 k 個(gè)模型精度測(cè)量值。 AutoGluon 不是確定最佳模型并丟棄其余模型，而是將所有模型打包并從訓(xùn)練期間未看到的分區(qū)上的每個(gè)模型獲得 OOF 預(yù)測(cè)。這為每個(gè)模型創(chuàng)建了 k 折預(yù)測(cè)，用作下一層的元特征。

圖 12 ： k 折整體裝袋。

為了進(jìn)一步提高預(yù)測(cè)精度和減少過度擬合， AutoGluon 表格 在訓(xùn)練數(shù)據(jù)的 n 個(gè)不同的隨機(jī)分區(qū)上重復(fù) k 次裝袋過程，平均重復(fù)袋子上的所有 OOF 預(yù)測(cè)。在調(diào)用 fit （）函數(shù)時(shí)，通過估計(jì)在指定的時(shí)間限制內(nèi)可以完成多少輪來選擇 n 。

為什么 AutoGluon 需要 GPU 加速

多層堆棧集成提高了精度，然而，這意味著要訓(xùn)練數(shù)百個(gè)模型，這比基本的 ML 用例需要更多的計(jì)算密集型任務(wù)，并且比加權(quán)集成要貴 10 到 20 倍。 在過去，復(fù)雜性和計(jì)算需求使得多層堆棧集成很難在許多生產(chǎn)用例和大型數(shù)據(jù)集上實(shí)現(xiàn)。對(duì)于 AutoGluon 和 NVIDIA GPU 計(jì)算 ，情況不再如此。

在體系結(jié)構(gòu)上， CPU 由幾個(gè)內(nèi)核組成，這些內(nèi)核有大量的高速緩存，一次可以處理幾個(gè)軟件線程。相反， GPU 由數(shù)百個(gè)內(nèi)核組成 可以同時(shí)處理數(shù)千個(gè)線程。 GPU 的性能超過 20 倍 在 ML 工作流程中比 CPU 更快，并徹底改變了深度學(xué)習(xí)領(lǐng)域。

圖 13 ： CPU 由幾個(gè)核組成，而 GPU 則由幾百個(gè)核組成。

NVIDIA 開發(fā)了 RAPIDS ——一個(gè)開源的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)加速平臺(tái)，用于在 GPUs 中完全執(zhí)行端到端的數(shù)據(jù)科學(xué)培訓(xùn)管道。它依賴于 NVIDIA ? ［［ZCK0 號(hào)］? 用于低級(jí)計(jì)算優(yōu)化的原語(yǔ)，但通過用戶友好的 Python 接口（如 pandas 和 sciketlearnapi ）公開了 GPU 并行性和高內(nèi)存帶寬。

使用 RAPIDS 的 cuML ， 流行的機(jī)器學(xué)習(xí)算法，比如隨機(jī)森林， XGBoost 和其他許多產(chǎn)品都支持單 GPU 和大型數(shù)據(jù)中心部署。對(duì)于大型數(shù)據(jù)集，這些基于 GPU 的實(shí)現(xiàn)可以加快機(jī)器學(xué)習(xí)模型的訓(xùn)練速度—通過 在隨機(jī)森林的情況下高達(dá) 45 倍 ，超過 100x 支持向量機(jī) 和 k 近鄰最高可達(dá) 600 倍 。這些加速可以將夜間作業(yè)轉(zhuǎn)換為交互式作業(yè)，允許探索更大的數(shù)據(jù)集，并且可以在以前訓(xùn)練單個(gè)模型所需的時(shí)間內(nèi)嘗試幾十種模型變體。

圖 14 ：帶有 GPU 和 RAPIDS 的數(shù)據(jù)科學(xué)管道。

AutoGluon 的 最新版本 通過與 RAPIDS 集成，充分利用了 NVIDIA GPU 計(jì)算的潛力。通過這些集成， AutoGluon 能夠在 GPU 上訓(xùn)練流行的 ml 算法并提高性能， 使更廣泛的受眾能夠訪問高性能的 AutoML 。

AutoGluon + RAPIDS 基準(zhǔn)

對(duì)于 1 。 15 億行航空公司數(shù)據(jù)集 用于梯度增壓機(jī) （ GBM ） 基準(zhǔn)測(cè)試套件 ， AutoGluon + RAPIDS 的訓(xùn)練速度比 cpu 上的 AutoGluon 快 25 倍，準(zhǔn)確率為 81 。 92% ，比 XGBoost 基線高 7% 。 GPU 更喜歡更長(zhǎng)的培訓(xùn)時(shí)間，因?yàn)楣潭ǖ膯?dòng)成本變得不那么重要。

圖 15 ： AutoGluon + RAPIDS 比 CPU 上的 AutoGluon 加速訓(xùn)練 25 倍，準(zhǔn)確率為 81 。 92% 。

為了獲得 81 。 92% 的準(zhǔn)確率， gpu 上的 AutoGluon + RAPIDS 訓(xùn)練時(shí)間為 4 小時(shí)，而 cpu 為 4 。 5 天。

圖 16 ： GPU 上的 AutoGluon + RAPIDS 訓(xùn)練時(shí)間為 4 小時(shí)，而 CPU 為 4 。 5 天。

GPU 上的 AutoGluon + RAPIDS 不僅速度更快，而且成本更低，? 盡可能多的 CPU 訓(xùn)練到相同的精度（ AWS EC2 定價(jià)： p3 。 2XL $ 0 。 9180 /小時(shí)， m5 。 2XL $ 0 。 1480 /小時(shí)）。

圖 17 ： GPU 上的 AutoGluon + RAPIDS 成本更低，? 盡可能多的 CPU 訓(xùn)練到同樣的精度。

開始吧

要開始使用 AutoGluon 和 RAPIDS ：

啟動(dòng) 帶 p3 。 2XL 的 AWS EC2 實(shí)例 GPU

為 CUDA 選擇深度學(xué)習(xí) AMI

安裝 RAPIDS

安裝 AutoGluon 表格

試試這個(gè) AutoGluon + RAPIDS Python 筆記本使用來自 Otto 集團(tuán)產(chǎn)品分類挑戰(zhàn)賽的數(shù)據(jù)

AutoGluon 網(wǎng)站 為開發(fā)人員提供了大量的教程，幫助他們利用機(jī)器學(xué)習(xí)來處理表格、文本和圖像數(shù)據(jù)（包括分類/回歸等基本任務(wù)，以及對(duì)象檢測(cè)等更高級(jí)的任務(wù)）。

Conclusion

AutoGluon AutoML 工具箱使培訓(xùn)和部署尖端技術(shù)變得很容易 復(fù)雜業(yè)務(wù)問題的精確機(jī)器學(xué)習(xí)模型。此外， AutoGluon 與 RAPIDS 的集成充分利用了 NVIDIA GPU 計(jì)算的潛力，使復(fù)雜模型的訓(xùn)練速度提高了 40 倍，預(yù)測(cè)速度提高了 10 倍。

關(guān)于作者

Nick Becker 是 NVIDIA 的 RAPIDS 團(tuán)隊(duì)的高級(jí)軟件工程師和數(shù)據(jù)科學(xué)家，他致力于構(gòu)建 GPU 加速的數(shù)據(jù)科學(xué)產(chǎn)品。尼克有技術(shù)和政府方面的專業(yè)背景。在 NVIDIA 之前，他曾在數(shù)據(jù)科學(xué)初創(chuàng)公司 Enigma Technologies 工作。在《謎》之前，他曾在美國(guó)中央銀行聯(lián)邦儲(chǔ)備理事會(huì)（ Federal Reserve Board of Governors ）進(jìn)行經(jīng)濟(jì)學(xué)研究和預(yù)測(cè)。

Nick Erickson 是 Amazon 網(wǎng)絡(luò)服務(wù)人工智能的高級(jí)數(shù)據(jù)科學(xué)家。他是開源 AutoML 框架 autoglion 的主要開發(fā)人員和合著者。尼克正在尋求推進(jìn)對(duì)人工智能的科學(xué)理解，并利用不斷增長(zhǎng)的計(jì)算能力來創(chuàng)建有利于社會(huì)的強(qiáng)大的自適應(yīng)程序。

審核編輯：郭婷