據了解，Google計算機科學家創建了一個AI來烘焙美味餅干。　Google Vizier算法通過自動優化機器學習模型的超參數，縮短了繁瑣的手動任務。

Google的計算機科學家創建了一個AI來烘焙美味的餅干。這個領先的機器學習算法，被稱為Google Vizier。為了測試它，研究人員參考了一種常規的指標：食堂的餅干標準。

這個算法非常強大，但它們還不完全成熟，需要通過有效的方式，手動進行微調。

算法需要詳細設置“超參數”：預先設定的適應于手頭問題的參數。這不容易，因為機器學習算法是“黑匣子”：即使你已經做到了，你也不能完全確定算法如何獲得最佳的結果。一個常見的調整方法為“梯度下降”：基本上，你需要通過梯度下降優化參數，讓算法運行。

Google Vizier通過自動優化機器學習模型的超參數，縮短了繁瑣的手動任務。據Google研究人員介紹，該算法已經在整個公司內使用。

他們在本周發布的一篇論文(文末鏈接)中寫道，“ Google研究人員”使用Vizier執行超參數調優研究，并進行了數百萬次試驗研究...如果沒有有效的黑盒優化，該研究項目是不可能的”。

Google Vizier中使用的另一項技術是“遷移學習”，主要是從經驗中學習。使用先前研究的數據作為指導，Vizier算法可以為新算法提出最佳超參數。該方法進行了大量研究被證明是最有效的，即使當數據相對較少時也運行良好。

除了幫助研究之外，Google Vizier還在公司內部應用，研究人員表示：“這個算法對許多Google產品的開發模式表現出顯著的改進，為十多億人提供了可觀的更好的用戶體驗”。

這些改進包括對Google網站功能的自動化A / B測試，包括字體、顏色和搜索結果的優化。例如，使用Google地圖時，算法可用于優化特定搜索的相關性與用戶距離之間的權衡。

Google Vizier也可以用于解決凌亂的物理世界中的黑盒優化問題。

為了測試他們的算法，研究人員向在Google食堂制作餅干的承包商提供了餅干食譜。他們對結果進行了口味測試，并追蹤了廚師為提高口味所做的任何改變。食譜是另一種算法，具有類似的黑盒子屬性(因為你根本不知道為什么你的烤餅出錯了)。

這項測試允許研究人員嘗試遷移學習的方法：他們寫道：“在開始大規模烘烤之前，我們在較小規模的過程中制作了一些烘焙食譜。” “這提供了有用的數據，我們可以從烘焙中大規模遷移學習。

然而偶爾也會略有錯誤——例如，當醒面時間過久時。研究人員說，經過幾輪測試之后，餅干更好吃了。

面包、壽司、餡餅紛紛表示，想要被這個算法烘焙...