摘要：云計算機器學習平臺的另一個大問題是所有公共云所共有的問題供應商鎖定。無論組織是使用云計算機器學習平臺還是其他類型的機器學習解決方案，收集這些數(shù)據(jù)并將其轉(zhuǎn)換為可用的數(shù)據(jù)都是一項艱巨的任務。云計算機器學習的替代品組織有很多其他平臺的替代品。

云計算機器學習平臺，有時也被稱為機器學習即服務(MLaaS)解決方案，可以讓企業(yè)更加輕松地采用人工智能(AI)。但專家表示，中小企業(yè)在考慮采用這些服務之前應該考慮其面臨的潛在挑戰(zhàn)。

云計算機器學習平臺，有時也被稱為機器學習即服務(MLaaS)解決方案，可以讓企業(yè)更加輕松地采用人工智能(AI)。但專家表示，中小企業(yè)在考慮采用這些服務之前應該考慮其面臨的潛在挑戰(zhàn)。

?

機器學習(ML)是人工智能的一個分支，它涉及創(chuàng)建計算機系統(tǒng)，可以在沒有明確編程的情況下學習，其應用將越來越廣泛。德勤公司在其對2018年的技術(shù)、媒體和電信預測中表示：“2018年，大中型企業(yè)將加大對機器學習的使用力度，該技術(shù)的實施和試點項目數(shù)量將比2017年翻一番，到2020年將會再次翻番。”

?

同樣，在IDC公司的預測中，包括機器學習(ML)解決方案在內(nèi)的認知和人工智能系統(tǒng)的支出將在2021年達到50.1%的復合年均增長率(CAGR)，市場規(guī)模將達到576億美元。

?

IDC認知/人工智能系統(tǒng)研究總監(jiān)David Schubmehl表示：“組織正在開發(fā)基于機器學習和深度學習的下一代智能應用項目，以及其他認知/人工智能技術(shù)。隨著企業(yè)競相將預測性和規(guī)范性功能嵌入其應用程序組合，人工智能成為企業(yè)和商業(yè)發(fā)展迅速擴大的領域。”

?

此外，據(jù)埃文斯數(shù)據(jù)公司最近的調(diào)查顯示，650萬技術(shù)開發(fā)人員正在使用某種形式的人工智能或機器學習，另有580萬開發(fā)人員計劃在六個月內(nèi)開始使用人工智能或機器學習。鑒于全球有超過2200萬的開發(fā)人員，這意味著大多數(shù)(大約56%)的人已經(jīng)在使用這些技術(shù)，或者很快就會這樣做。

?

而人工智能或機器學習的許多開發(fā)項目正在云端進行。Evans Data補充道：“那些正在使用人工智能或機器學習的開發(fā)人員中，有59%的人使用基于云計算的后端進行人工智能或機器學習的開發(fā)，因此我們估計大約有380萬開發(fā)人員在做這個事情。”

?

那么開發(fā)人員使用云計算機器學習工具構(gòu)建的應用程序有哪些?為什么有些開發(fā)人員選擇基于云計算的工具而不是其他類型的軟件?

?

云計算機學習用例

基于云計算的機器學習的用例與其他類型的機器學習的用例非常相似。一般來說，MLaaS平臺非常適合需要分析大量數(shù)據(jù)的應用程序。如果這些數(shù)據(jù)已經(jīng)存儲在云端，MLaaS平臺可能會更具吸引力。

?

例如，IDC公司曾表示，零售和金融服務行業(yè)將成為機器學習技術(shù)的較大嘗試者之一。對于這兩類公司而言，欺詐檢測是一個關(guān)鍵問題。而且，如果他們的交易數(shù)據(jù)已經(jīng)駐留在公共云中，那么使用由同一供應商提供的MLaaS平臺是有意義的。對于在線開展業(yè)務的零售公司來說，基于云計算機器學習平臺的推薦引擎可能有助于增加銷售。其他用于云計算機學習的良好用例可能包括商業(yè)智能、風險分析、IT安全、金融交易等。

?

另一方面，數(shù)據(jù)駐留在網(wǎng)絡邊緣的應用可能不是采用云計算機學習的一個好選擇。最明顯的例子是自動駕駛汽車。由于延遲問題，自動駕駛汽車將花費一定時間將數(shù)據(jù)傳輸?shù)皆贫诉M行分析，然后在做出行駛決策之前再返回指令，顯然云計算不能滿足這樣的實時要求。

?

同樣，物聯(lián)網(wǎng)(IoT)和醫(yī)療保健診斷也不是適合采用基于云計算的機器學習的行業(yè)領域，因為它們可能還需要大量的數(shù)據(jù)傳輸。但專家們表示，在某些情況下，采用云計算可能還是有意義的。一般來說，他們建議在仔細權(quán)衡可用選項的優(yōu)缺點后選擇機器學習平臺。?

基于云計算的機器學習的好處

云計算機學習相對于其他類型的機器學習解決方案的較大優(yōu)點之一是，它可以使組織能夠訪問高性能的基礎設施，而這些基礎設施本身可能無法承受。機器學習應用需要大量的處理能力，而提供這種功率級別的系統(tǒng)在傳統(tǒng)上非常昂貴。如今，許多組織使用依賴圖形處理單元(GPU)來處理機器學習工作負載的系統(tǒng)，在云端租用這些系統(tǒng)通常比直接購買這些系統(tǒng)更加經(jīng)濟實惠。

?

但是值得人們注意的是，在不久的將來，支持機器學習的基礎設施可能會變得更加實惠。德勤公司的報告指出，開發(fā)新型芯片可以使機器學習成本降低10倍到100倍，甚至1000倍。

?

云計算機學習的另一個與成本相關(guān)的好處是可以輕松獲得經(jīng)濟實惠的數(shù)據(jù)存儲。隨著數(shù)據(jù)量的不斷增長，許多企業(yè)發(fā)現(xiàn)，將冷數(shù)據(jù)轉(zhuǎn)移到公共云系統(tǒng)比繼續(xù)將其存儲在自己的數(shù)據(jù)中心上成本要低很多。如果數(shù)據(jù)已經(jīng)存儲在公共云中，那么使用基于云計算的機器學習服務通常也是有意義的。將大量數(shù)據(jù)從一個地方遷移到另一個地方可能會花費大量的時間，并為項目增加大量費用。但是，如果一個組織可以輕松地將機器學習工具應用于云端而不用遷移數(shù)據(jù)的話，那么這可能是使用MLaaS的強有力的理由。

?

基于云計算的機器學習的最后一個主要好處是由MLaaS或其他機器學習的自動化供應商提供的開發(fā)工具可以簡化在應用程序中嵌入機器學習的過程。應用程序開發(fā)人員和數(shù)據(jù)科學家與機器學習專業(yè)知識的競爭非常激烈，這需要企業(yè)提高人員的薪金。很多組織負擔不起甚至找不到工作人員來創(chuàng)建和使用機器學習應用程序。

?

MLaaS產(chǎn)品推出了讓民眾成為數(shù)據(jù)科學家的承諾，讓沒有編碼專業(yè)知識或高級學位的商業(yè)專業(yè)人員使用機器學習。例如，谷歌公司最近宣布了AutoML，它表示將“使人工智能可以訪問所有業(yè)務”。

?

許多機器學習廠商表示，他們的客戶能夠快速獲得基于云計算的機器學習解決方案。機器學習廠商DataRobot公司副總裁兼銀行總經(jīng)理Greg Michaelson表示：“大規(guī)模部署機器學習可能是一個復雜的過程。但是，像AWS公司這樣的云計算服務和自動化機器學習的結(jié)合使得組織能夠在幾分鐘內(nèi)啟動并運行，這使得他們的團隊能夠快速構(gòu)建的預測模型，從數(shù)據(jù)中獲得關(guān)鍵的洞察力。”?

基于云計算機器學習面臨的挑戰(zhàn)

盡管云計算機器學習平臺有很多好處，組織仍然需要克服一些挑戰(zhàn)才能使用它們。這些挑戰(zhàn)中較大的問題是缺乏熟練的工作人員。

?

谷歌公司在其AutoML公告中指出，目前，世界上只有少數(shù)企業(yè)才能夠獲得所需的人才和預算，以充分了解機器學習和人工智能的發(fā)展。并且能夠創(chuàng)建高級機器學習模型的人數(shù)非常有限。如果是可以使用機器學習和人工智能工程師的公司之一，那么仍然需要管理構(gòu)建自己的自定義機器學習模型的時間密集型和復雜的過程。雖然谷歌公司通過執(zhí)行特定任務的API提供了預訓練的機器學習模型，但是如果想要把人工智能引入每個公司，那么還有很長的路要走。

?

而MLaaS平臺使機器學習更容易，但它們?nèi)匀徊蝗菀讘谩?/p>

?

人工智能的風險投資基金機構(gòu)DCVC公司的創(chuàng)始合伙人Bradford Cross曾經(jīng)在博客中表示，MLaaS產(chǎn)品將會遭遇失敗，因為“知道自己在做什么的人只是使用開源，而不會使用任何東西工作的人，甚至是使用API。”

?

時間會告訴人們，云計算機器學習產(chǎn)品是否能夠?qū)崿F(xiàn)機器學習的民主化目標，但他們面臨著一個艱難的挑戰(zhàn)。

?

云計算機器學習平臺的另一個大問題是所有公共云所共有的問題：供應商鎖定。組織擔心，如果他們開始使用太多的單個供應商提供的服務，而其采用另一個供應商提供的服務將變得非常困難。而這反過來又可能使它們?nèi)菀资艿皆朴嬎惴仗峁┥痰膬r格上漲的影響。

?

整合來自不同數(shù)據(jù)源的數(shù)據(jù)也會造成障礙。許多機器學習項目都依賴于來自許多不同地方的數(shù)據(jù)。無論組織是使用云計算機器學習平臺還是其他類型的機器學習解決方案，收集這些數(shù)據(jù)并將其轉(zhuǎn)換為可用的數(shù)據(jù)都是一項艱巨的任務。

?

這給所有機器學習項目帶來了另一個挑戰(zhàn)——臟數(shù)據(jù)。當Kaggle公司對數(shù)據(jù)科學工作者的較大障礙進行調(diào)查時，49.4%的受訪者選擇的第一個反應是骯臟的數(shù)據(jù)。如果依賴于不良信息，世界上較好的機器學習工具將不會有效，并且使數(shù)據(jù)進入可用狀態(tài)，繼續(xù)為數(shù)據(jù)科學專業(yè)人士消耗大量時間和精力。?

云計算機器學習的替代品

組織有很多其他MLaaS平臺的替代品。如前所述，許多專業(yè)數(shù)據(jù)科學家選擇使用開源機器學習工具，如TensorFlow，Apache Spark的MLlib或Caffe。此外，許多企業(yè)選擇從Alpine Data，Dataiku，DataRobot，Domino Data Lab，F(xiàn)ICO，H2O.ai，RapidMiner，SAS和Statistica等廠商購買預測分析和機器學習解決方案。許多這樣的軟件(無論是專有的還是開源的)都可以部署在內(nèi)部部署數(shù)據(jù)中心或云端。

?

此外，許多其他類型的企業(yè)軟件也具備一些機器學習功能。一些組織發(fā)現(xiàn)，他們已經(jīng)使用或正在考慮購買的商業(yè)智能、CRM、營銷情報、安全情報、電子商務或其他類型的解決方案具有他們所需的機器學習功能。因此，一些組織可能不需要建立自己的機器學習應用程序。?

流行的云計算機器學習服務

即使有了所有這些替代方案，隨著組織增加使用機器學習，云計算機器學習平臺仍然越來越受歡迎。以下的圖表提供了一些最著名的云機器學習工具的概述：