免費三天！一場由硬盤故障檢測引發的AutoML微認證熱潮

 　　“又是硬盤惹的禍!”當硬盤的聲音突然由原來正常的摩擦音變成了怪音，或者出現開機慢、系統卡死等情況，你可能早就在心中抱怨了千百遍。

 　　統計數據顯示，當前數據中心硬件故障中有48%為硬盤故障，且運維人員往往會“后知后覺”，這極大地影響了IT系統的運維效率和成本。

　　有AI，一切問題都不是事兒

 　　遇到硬盤故障，你會怎么做?把它交給專業人員處理，聽天由命?現在，隨著人工智能(AI)、機器學習等技術的落地，包括硬盤在內的各種硬件設備故障都可以準確檢測甚至預知，使得業務連續性得到更好的保障。

 　　AI不是數據科學家、AI架構師、AI算法工程師的事嗎?對于大量像你我這樣非人工智能專業人士來說，即使知道AI可以更好地“挽救”硬盤，但似乎也于事無補。

 　　不可否認，AI在行業落地過程中確實存在著諸如技術門檻高、開發周期長、專業人才短缺、模型的可復制性差等若干問題和挑戰。由于專業技能的缺失或不系統，即使具有一定AI基礎的專業人士有時也很難判斷自己構建的模型是不是優化的。專業人士尚且如此，那么對于零基礎或者剛剛入門AI的人來說，自己通過搭建AI模型來檢測硬盤故障是不是不可能完成的任務呢?

 　　功夫不負有心人，終于讓我在華為云學院上找到了NAIE AutoML(Automatic Machine Learning)的一項微認證課程。通過自助式的在線學習，即使是非AI專業人士也能很快掌握AutoML的開發技巧。有了AutoML作后盾，硬盤故障檢測成了小菜一碟。

　　有AutoML，硬盤故障檢測小菜一碟

 　　AutoML是一個既能滿足專業開發人員需求，又非常適合AI初學者的工具。AutoML是一個自動化機器學習分析系統，可以讓普通的開發人員、業務人員參與機器學習建模，同時把數據科學家從繁瑣、反復的算法調優中解放出來，從而降低機器學習的使用門檻，提升工作效率。AutoML不愧為一個靈巧的“多面手”，這是因為它將機器學習中的數據預處理、特征工程、算法模型、集成學習等經驗性工作自動化，大幅度提升了開發效率。

 　　通過華為云學院提供的NAIE AutoML微認證課程，即使是“小白”也可以親自動手查找和分析硬盤故障，而不用再求助他人，心里一種滿滿的成就感油然而生。

 　　基于硬盤SMART特征，可以通過機器學習實現硬盤故障提前預測故障時間點，估算數據修復窗口，并根據負載制定修復計劃，提前進行修復操作。這樣做的好處顯而易見：實現主動響應，提前規劃故障處理窗口，將現網業務的影響降到最低;減少大量數據恢復的人力;實現主動規劃，可預測故障時間點，估算數據提前規劃故障的處理窗口，將運維人員被動響應、臨時突發的工作狀態轉變為主動規劃、統一處理，從而減輕運維人員的壓力。

 　　使用過NAIE AutoML的人都有同感，入門易、上手快。因為NAIE AutoML框架具備強大的超參優化引擎、集成學習、可擴展、可復現等關鍵特性，極大地降低了機器學習的門檻，可以顯著提高模型開發的效率。具體來說，針對硬盤故障檢測，基于AutoML建模，雖然要通過加載依賴包和數據、定義業務目標、AutoML模型訓練、模型保存和加載、模型推理、模型評估等幾個環節，但這些環節都可以通過直接調用AutoML自動化完成，從而大大提高了開發效率，同時降低了復雜度。

 　　筆者親自體驗了基于WebIDE的實驗流程：只要注冊一個華為云賬號，進入模型訓練服務，就可以輕松完成項目創建并導入數據;接下來，就可以創建并進入WebIDE開發環境;在最核心的模型訓練、推理和評估階段，基于AutoML可以開發硬盤故障代碼，并調試、運行代碼;最后一步，刪除WebIDE開發環境。整個過程體驗下來，十分流暢，也并沒有想象中那樣復雜。

 　　普通AI開發者可以直接調用NAIE AutoML來處理大部分業務場景問題;對于專業AI開發者，NAIE AutoML可以提供高可擴展的接口，供用戶針對業務場景自定義相關模塊以解決相應的業務問題。

 　　俗話說，工欲善其事，必先利其器。NAIE AutoML可以輔助用戶更高效、更迅速地解決AI開發問題。

　　有華為云微認證，隨時隨地提升專業技能

 　　說到這，不管你是一個專業的AI開發者，或者只是對AI感興趣、想嘗試一下的“小白”，是不是都有一種想利用NAIE AutoML一展身手的沖動?

　　快速加入：

 　　//edu.huaweicloud.com/certifications/c6976dcfac5644c79987337e01e6d844