自动机器学习技术，特别是Google的AutoML，自发布以来一直在稳步提升，越来越多的数据科学家将其应用于解决现实问题。本周，Google在其博客上发布了几个应用案例。让来详细了解一下这些案例。
如果有人让尝试一碗从未去过的餐馆的面条，有多大可能识别出这碗面条来自哪家餐馆？听起来像是一个不可能的问题，对吧？但对于Google的AutoML工具来说，这并非不可能。一个使用AutoML训练的机器学习模型，通过查看面条碗的图像，能够以95%的准确率识别出餐馆。该模型能够分析图像的微小细节，并预测面条是在哪家餐馆制作的。令人难以置信！
模型的开发者Kenji Doi收集了来自不同拉面二郎位置的48,244张面条碗照片（拉面二郎是日本一家受欢迎的餐厅连锁店）。然后，Kenji移除了不适合训练的照片，例如重复的照片。他标记了48,000张照片（来自41个拉面二郎位置的1170张照片）。
Kenji然后将他的数据集上传到AutoML，并发现训练出的模型给出了94.5%的准确率（94.8%的精确度和94.5%的召回率）。换句话说，该模型能够在100次中有94.5次识别出面条碗的准备地点！可以查看下面的混淆矩阵来了解模型。注意，行代表实际的店铺，列是预测的店铺。
在另一个案例中，Mercari利用AutoML来分类带有其品牌名称的图像。该公司最近在日本推出了一个新的应用程序，用于销售品牌商品。根据Mercari的说法，他们一直在“开发自己的机器学习模型，该模型建议从用户界面上传的照片中识别出12个主要品牌之一的品牌名称”。他们当前的模型使用TensorFlow上的迁移学习，准确率约为75%。
但Mercari的数据科学家决定尝试AutoML。结果让他们的旧模型相形见绌。他们在50,000张图像上训练了模型，并实现了91.3%的准确率。这是一个令人难以置信的16%的增长，超过了他们已经存在的模型！