摘要
机器学习（Machine Learning, ML）领域已获得广泛应用，推动了将ML技术适配至特定场景的强烈需求。然而，这一过程通常成本高昂且实现复杂。当前主流的ML任务自动化方法（如AutoML）往往耗时较长，且对人类开发者而言难以理解。相比之下，尽管人类工程师具备卓越的任务理解能力与问题求解推理能力，但其经验与知识往往零散且难以被量化方法有效利用。本文旨在弥合机器智能与人类知识之间的鸿沟，提出一种新颖的框架，该框架利用前沿的大语言模型（Large Language Models, LLMs）为新任务开发机器学习解决方案。我们展示了将LLMs的能力拓展至理解结构化输入并进行深入推理，以应对新型ML任务的可行性。研究发现，经过针对性设计后，LLM能够（i）从已有ML任务经验中进行有效观察，并（ii）进行高效推理，从而为新任务生成具有竞争力的解决方案。所生成的解决方案可直接应用，达到高水平的性能表现。相关示例与代码已开源，详见：https://github.com/microsoft/CoML。