由於向雲計算和微服務的轉變，近年來企業構建技術的方式發生了巨大變化。AWS、Microsoft Azure和Google Cloud Platform 等公有云服務正在改變各種規模的公司瞭解和使用軟件的方式。

根據已經發布的市場研究報告，機器學習即服務將在2017年至2023年間面臨49％的複合年增長率（CAGR）。這一增長的主要驅動因素包括高級分析在製造業中的應用增加、大量的結構化和非結構化數據、以及機器學習與大數據的集成。

當然，機器學習對於許多企業來說是一個相對較新的領域，對MLaaS的需求最終會自我實現——如果它存在並且人們可以看到它帶來的好處，那麼需求只會繼續下去。

但重要的是不要被炒作嚇到。基於雲的機器學習產品將花費大量資金，除了運行公有云的技術巨頭之外，這些產品將不會幫助任何人。考慮到這一點，本文試圖深入瞭解機器學習即服務以及最大的雲供應商提供的服務。

機器學習即服務（MLaaS）是什麼意思？

機器學習即服務（MLaaS）是一系列服務，為用戶提供機器學習工具。企業和開發人員可以將機器學習模型整合到他們的應用程序中，而無需進行實施。這些服務包括數據可視化、面部識別、自然語言處理、聊天機器人、預測分析和深度學習等。

通常，對於給定的機器學習任務，用戶必須執行各種步驟。這些步驟包括數據預處理、特徵識別、建立機器學習模型以及訓練模型。MLaaS服務通過僅向用戶公開部分步驟，同時自動管理剩餘步驟來簡化此過程。某些服務還可以提供單擊模式，用戶無需執行前面提到的任何步驟。

什麼類型的企業可以從機器學習即服務中受益？

大公司

大公司可以聘請專業的機器學習工程師和數據科學家，但他們仍然需要構建和管理自己的機器學習模型。這是一個耗時且複雜的過程。通過利用MLaaS服務，這些公司可以通過API執行預先訓練的機器學習模型，這些API可以執行特定任務並節省時間。

中小企業

大公司可以投資自己的機器學習解決方案，因為他們擁有資源。然而，對於更多的中小型企業而言，這幾乎很難實現。幸運的是，MLaaS改變了這一切，並使具有資源限制的組織可以訪問機器學習。

通過使用MLaaS，企業可以利用機器學習並獲得好處，而無需對基礎設施或人才進行大量投資。無論是更智能的面向客戶的應用程序，還是改進的運營智能和自動化，合理的資金支出都可以為企業帶來巨大收益。

哪些類型的角色將從MLaaS中受益？

如果你有訓練應用程序的數據，機器學習可以為任何類型的應用程序開發做出貢獻。但是，在應用中添加AI功能並不容易。作為開發人員，除了常規應用程序開發清單之外，你還要擔心許多其他因素，以使你的應用程序智能化。他們之中有一些是：

• 數據預處理
• 模型訓練
• 模型評估
• 預測
• 數據科學專業知識

MLaaS提供的開發工具可以簡化這些任務，使你可以輕鬆地將機器學習嵌入到應用程序中。開發人員可以使用MLaaS產品快速高效地構建，因為他們可以訪問預先構建的算法和模型，這些算法和模型將需要大量資源來構建。

MLaaS還可以支持數據科學家和分析師。雖然大多數數據科學家應該具備從頭開始構建和訓練機器學習模型的必要技能，但它仍然是一項耗時的任務。正如已經提到的，MLaaS可以簡化機器學習工程過程，這意味著數據科學家可以專注於需要更多思考和專業知識的優化。

頂級機器學習即服務（MLaaS）提供商

亞馬遜網絡服務（AWS），Azure和谷歌都在其雲產品中提供MLaaS產品。

1、Google Cloud AI

Google的Cloud AI提供現代機器學習服務。它由預先訓練的模型和服務組成，可生成你自己的定製模型。該服務快速、可擴展且易於使用。

以下是Google以前所未有的規模和速度為你的應用提供的服務：

Cloud AutoML Beta

它是一套機器學習產品，藉助於這些產品，具有有限機器學習專業知識的開發人員可以根據其業務需求培訓高質量的模型。它提供了一個簡單的GUI（圖形用戶界面/接口），可以根據你自己的數據來訓練、評估、改進和部署模型。

Google Cloud Machine Learning（ML）引擎

Google Cloud Machine Learning Engine是一項提供培訓和預測的服務，使開發人員和數據科學家能夠構建卓越的機器學習模型並在生產中進行部署。你不必擔心基礎架構，而是可以專注於模型開發和部署。它提供兩種類型的預測：

在線預測將ML模型與無服務器，完全託管的託管部署在一起，可實時響應高可用性。

批量預測具有成本效益，可為異步應用程序提供無與倫比的吞吐量。

Google BigQuery

它是一個用於數據分析的雲數據倉庫 。它使用SQL並提供Java數據庫連接（JDBC）和開放式數據庫連接（ODBC）驅動程序，以便快速輕鬆地進行集成。它提供了諸如自動縮放和高性能流以加載數據的好處。你可以使用自己喜歡的BI工具（如Tableau，MicroStrategy，Looker等）創建出色的報表和儀表板。

Dialogflow企業版

Dialogflow是一個端到端，一次構建部署——無處不在的開發套件，用於為網站、移動應用程序、流行的消息傳遞平臺和物聯網設備創建對話界面 。Dialogflow Enterprise Edition用戶可以訪問Google Cloud Support和服務級別協議（SLA）以進行生產部署。

雲語音到文本

Google Cloud Speech-to-Text允許你通過應用神經網絡模型將語音轉換為文本。API支持120種語言，可幫助你擴展用戶群。它可以處理實時流媒體和預先錄製的音頻。

2、Microsoft Azure AI

Azure平臺有各種AI工具和服務，可以幫助你建立智能應用。它使用Bot工具提供認知服務和會話AI，這有助於在任何情況下使用Azure機器學習構建自定義模型。你可以使用其企業級AI基礎架構在任何規模的場景運行AI工作負載。以下是Azure AI提供的服務：

預建服務

你無需成為數據科學專家即可使系統更加智能和吸引人。預構建的服務配有高質量的RESTful智能API，可滿足以下要求：

願景：讓你的應用識別並分析圖像和視頻中的內容。提供圖像分類、圖像中的光學字符識別、面部檢測、人物識別和情感識別等功能。

演講：在應用或服務中集成語音處理功能，例如文本到語音，語音到文本，發言人識別和語音翻譯。

語言：應用程序或服務將理解非結構化文本的含義或發言者話語背後的意圖。它具有諸如文本情感分析，關鍵短語提取，自動化和可自定義的文本翻譯等功能。

知識：創建可以集成到應用程序和服務中的知識豐富的資源。它提供了諸如從非結構化文本中提取QnA，從Q＆A集合中創建知識庫以及為知識庫進行語義匹配等功能。

搜索：使用Search API，你可以在數十億個網頁中找到正在尋找的內容。它提供的功能包括無廣告、安全、位置感知的網絡搜索、Bing視覺搜索、自定義搜索引擎創建等等。

定製服務

Azure Machine Learning是一種完全託管的雲服務，可幫助你輕鬆準備數據、構建和培訓自己的模型：

• 可以在桌面上快速創建原型，然後在VM上擴展或使用Spark群集進行擴展 。
• 可以管理模型性能，確定最佳模型，並使用數據驅動的洞察力來推廣它。
• 在任何地方部署和管理模型。
• 使用Docker容器，可以在雲、本地或邊緣更快地將模型部署到生產環境中。
• 將最佳表現模型推廣到生產中，並在必要時重新培訓。

3、AWS機器學習服務

AWS提供的機器學習服務可幫助開發人員通過預先培訓的服務輕鬆地為任何應用程序添加智能。對於培訓和推理，它提供了廣泛的計算選項，包括基於GPU的強大實例，計算和內存優化實例，甚至FPGA。你將從一組用於數據分析的服務中進行選擇，包括數據倉庫、商業智能、批處理、流處理和數據工作流程編排。

以下是AWS提供的服務：

AWS機器學習應用程序

Amazon Comprehend：這是一種自然語言處理（NLP）服務，可以使用機器學習識別關係並在文本中找到見解。它識別文本語言，並理解文本的正面或負面信息，提取關鍵短語，如地點、人物、品牌或事件。然後使用標記化和詞性分析文本，並按主題自動組織文本文件集合。

Amazon Lex：這項服務提供了亞馬遜Alexa用於開發人員的相同深度學習技術，幫助他們輕鬆構建複雜、自然的語言和會話機器人。它具有先進的深度學習功能，如自動語音識別（ASR）和自然語言理解（NLU），以促進更多的場景，如與用戶的對話交互。

Amazon Polly：這種文本到語音轉換服務使用先進的深度學習技術產生聽起來像人聲的語音。它提供各種語言的數十種生活聲音。你可以簡單地選擇理想的語音，並構建在許多不同國家/地區使用的支持語音的應用程序。

Amazon Rekognition：

AWS機器學習平臺

Amazon SageMaker：它是一個解決機器學習過程中複雜性的平臺，從構建到部署模型。它是一個完全託管的平臺，可幫助開發人員和數據科學家快速輕鬆地構建、培訓和部署任何規模的機器學習模型。

AWS DeepLens：它是一款完全可編程的攝像機，配有教程、代碼和預訓練模型，旨在擴展深度學習技能。它為提供示例項目，在不到10分鐘的時間內為你提供深度學習的實踐和實踐經驗。只需從AWS管理控制檯點擊幾下，就可以將在Amazon SageMaker中培訓的模型發送到AWS DeepLens。

Amazon ML：這是一項提供可視化工具和嚮導的服務，可指導創建機器學習模型，而無需學習複雜的ML算法和技術。使用簡單的API，你可以輕鬆獲得應用程序的預測。它具有高度可擴展性，每天可以生成數十億的預測，並以實時和高吞吐量提供這些預測

在AWS上進行深度學習

AWS Deep Learning AMIs：這提供了基礎架構和工具，可以在任何規模上加速雲中的深度學習。要訓練複雜的自定義AI模型，或者嘗試新算法，可以快速啟動Amazon EC2實例，這些實例預先安裝在流行的深度學習框架中，如Apache MXNet和Gluon， TensorFlow，Microsoft Cognitive Toolkit，Caffe，Caffe2，Theano，火炬，PyTorch，Chainer和Keras。

Apache MXNet on AWS：這是一個快速、可擴展的培訓和推理框架，具有易於使用、簡潔的機器學習API。它允許所有技能水平的開發人員開始使用Gluon，在雲端、邊緣設備和移動應用程序上進行深入學習。你可以在幾行Gluon代碼中構建線性迴歸、卷積網絡和用於對象檢測、語音識別、推薦和個性化的循環LSTM。

TensorFlow on AWS：你可以使用TensorFlow快速輕鬆地開始在雲中進行深度學習。AWS為提供Amazon SageMaker的全面管理TensorFlow體驗。你還可以使用AWS Deep Learning AMI通過TensorFlow和其他流行框架（如Apache MXNet和Gluon，Caffe，Caffe2，Chainer，Torch，Keras和Microsoft Cognitive Toolkit）構建自定義環境和工作流。

結論

機器學習和人工智能可能很昂貴——技能和資源可能會花費很多。因此，MLaaS將成為雲中極具影響力的發展趨勢。

是的，AWS，Azure和GCP提供的服務範圍令人印象深刻，但它確實是最顯著的便捷性和便利性。通過這些服務，可以輕鬆設置和運行機器學習算法，從而增強業務流程和操作、客戶交互和整體業務戰略。你不需要博士學位，也不需要從頭開始編寫算法。隨著越來越多的公司意識到潛在的機器學習對其業務的影響，MLaaS市場可能會繼續增長。當然，未來是否能提供比現有云提供商更好的服務集呢？這有待觀察。

閱讀更多 數字經濟週刊 的文章

關鍵字: 雲計算 數據挖掘 學習