還記得《鋼鐵俠》中托尼·斯塔克常用的炫酷無比的全息黑科技嗎？現(xiàn)在，MIT和布朗大學聯(lián)合開發(fā)了一套觸屏式交互數(shù)據(jù)分析和預測系統(tǒng)，可能讓用戶找到一點電影中的感覺。整個系統(tǒng)就像一塊無限大的“交互式畫布”，僅需幾秒就能生成預測結(jié)果。

在電影《鋼鐵俠》中，托尼·斯塔克使用全息計算機將3D數(shù)據(jù)投射到空氣中，用雙手操縱，并從中找到解決超級英雄麻煩的辦法。現(xiàn)在，麻省理工學院和布朗大學的研究人員也開發(fā)了出一套在觸摸屏上運行的交互式數(shù)據(jù)分析系統(tǒng)，讓每個人都能解決現(xiàn)實問題。

這套交互式數(shù)據(jù)科學系統(tǒng)名為Northstar，在云中運行，但系統(tǒng)界面支持任何觸摸屏設備，包括智能手機和大型交互式平板。用戶提供系統(tǒng)數(shù)據(jù)集，并使用手指或數(shù)字筆在用戶友好的界面上操作，組合和提取功能。

在ACM SIGMOD 2019上發(fā)表的該項目的研究論文中，研究人員詳細介紹了Northstar的一個新組件，有“虛擬數(shù)據(jù)科學家”之稱的VDS，它可以立即生成機器學習模型，在數(shù)據(jù)集上運行預測任務。比如，醫(yī)生可以使用該系統(tǒng)來預測哪些患者更容易患某些疾病，企業(yè)主可以用它來預測銷售情況。每個團隊成員都可以利用交互式設備實現(xiàn)實時的協(xié)作。

論文鏈接：

https://dl.acm.org/citation.cfm?id=3319863

研究人員稱，Northstar的目的是通過快速準確地進行復雜分析，推進數(shù)據(jù)科學的普及。

“即使是不了解數(shù)據(jù)科學的咖啡店老板，也應該能夠在未來幾周內(nèi)預測銷售情況，確定要進多少貨。”論文共同作者之一、長期擔任Northstar的項目負責人的蒂姆·克拉斯卡說。他還擔任麻省理工學院計算機科學與人工智能實驗室（CSAIL）電氣工程與計算機科學副教授，新數(shù)據(jù)系統(tǒng)與AI實驗室（DSAIL）的創(chuàng)始聯(lián)合主任。“在擁有數(shù)據(jù)科學家的公司中，數(shù)據(jù)科學家和非專業(yè)人士之間有很多交流，我們可以將他們都聚到一個地方來。”

VDS基于自動機器學習（AutoML）技術(shù)開發(fā)，該技術(shù)讓數(shù)據(jù)科學基礎(chǔ)不高的人也能夠訓練AI模型，根據(jù)自己的數(shù)據(jù)集進行預測。目前，該工具在DARPA舉辦的D3M AutoML競賽中處于領(lǐng)先地位，這項賽事每六個月舉辦一次，決出性能最高的AutoML工具。

此論文作者還包括：第一作者、MIT研究生Zeyuan Shang，以及EmanS，CSAIL和DSAIL項目的博士后Emanuel Zgraggen。布朗大學的Benedetto Buratti，Yeounoh Chung，Philipp Eichmann和Eli Upfal，以及最近從布朗大學調(diào)任德國達姆施塔特技術(shù)大學的Carsten Binnig。

"一塊無限大的交互式畫布”

這項新研究是麻省理工學院和布朗大學在Northstar項目上多年合作的成果。過去四年多以來，研究人員發(fā)表了大量詳細介紹Northstar各個組成部分的論文，包括交互式界面，多平臺操作、加速結(jié)果以及用戶行為研究。

Northstar的初始界面是一塊空白屏幕。用戶將數(shù)據(jù)集上傳到系統(tǒng)中，該數(shù)據(jù)集顯示在左側(cè)的“數(shù)據(jù)集”框中。任何數(shù)據(jù)標簽都會自動填入下面的獨立“屬性”框。還有一個“運算符”框，其中包含各種算法和新的AutoML工具。所有數(shù)據(jù)都在云中存儲和分析。

“這就像一塊無限大的畫布，你可以在這里展示想要的一切。“ Northstar互動界面的主要開發(fā)人員Zgraggen說。“然后可以將所有內(nèi)容鏈接在一起，創(chuàng)建更復雜的數(shù)據(jù)問題。”

史上最快AutoML工具：生成近似結(jié)果只需幾秒

使用VDS，用戶現(xiàn)在還可以通過使模型適合其任務（例如數(shù)據(jù)預測，圖像分類或分析復雜圖形結(jié)構(gòu)）來對該數(shù)據(jù)運行預測分析。

比如，醫(yī)學研究人員希望根據(jù)數(shù)據(jù)集中的所有特征預測哪些患者可能患有血液病。他們可以從算法列表中拖出“AutoML”。首先會生成一個空白框，會帶出有一個“目標”標簽，在這個標簽下，再拖出“血液”特征。系統(tǒng)將自動找到性能最佳的機器學習流程，不斷更新預測精度，并以百分數(shù)顯示在屏幕上。用戶可以隨時停止這個過程，進行優(yōu)化搜索，并檢查每個模型的錯誤率、結(jié)構(gòu)、計算和其他事項。

研究人員表示，VDS是迄今為止速度最快的交互式AutoML工具，部分原因是他們的定制化“估計引擎”的作用。該引擎作用于用戶交互界面和云存儲之間，能夠自動創(chuàng)建數(shù)據(jù)集的幾個有代表性的樣本，以便逐步處理，在幾秒鐘內(nèi)就能生成高質(zhì)量的結(jié)果。

“我們花了兩年時間設計VDS，模仿數(shù)據(jù)科學家是怎么想的，”論文第一作者Zeyuan Shang說，也就是說針對某項特定任務，VDS可以立即基于一系列編碼規(guī)則，判斷出應該/不該使用哪些模型，實施哪些預處理步驟。它首先從那些可能的機器學習流程的大量列表中進行選擇，并在樣本集上運行模擬。同時記住結(jié)果并改進選擇方案。在迅速提供一個近似結(jié)果后，系統(tǒng)會在后端對結(jié)果進行細化，但最終結(jié)果通常與第一次近似結(jié)果非常接近。

“用戶使用預測器，肯定不希望等四個小時才獲得第一個結(jié)果。他們希望已經(jīng)看到預測的過程，如果發(fā)現(xiàn)錯誤，可以立即糾正。這在任何其他系統(tǒng)中通常是不可能實現(xiàn)的。“Kraska說。

研究人員在300個真實數(shù)據(jù)集上對VDS工具進行了評估。與其他最先進的AutoML系統(tǒng)相比，VDS給出的預測近似結(jié)果精度相當，但用時僅幾秒鐘，比其他工具（幾分鐘到幾小時）快得多。

未來，研究人員還準備為該工具添加一項新功能，提醒用戶潛在的數(shù)據(jù)偏差或錯誤。比如，為了保護患者隱私，研究人員有時會在醫(yī)療數(shù)據(jù)集中將患者的年齡標記為0歲（表示年齡未知）或200歲（表示患者年齡超過95歲）。新手可能無法識別這樣的“錯誤”標記，這種標記可能會對分析造成很大干擾。

“對于新用戶來說，你可能會覺得獲得的結(jié)果已經(jīng)很棒了，”Kraska說。“但我們希望可以提醒用戶，實際上數(shù)據(jù)集中可能存在一些異常值，表明存在某些問題。”