由于向云计算和微服务的转变，近年来企业构建技术的方式发生了巨大变化。AWS、Microsoft Azure和Google Cloud Platform 等公有云服务正在改变各种规模的公司了解和使用软件的方式。公有云服务不仅可以降低与现场服务器资源相关的资源成本，还可以更轻松地利用机器学习和人工智能等尖端技术创新。云正在产生所谓的“机器学习即服务”——这一趋势可以证明对各种类型和规模的组织都具有变革性。
根据已经发布的市场研究报告，机器学习即服务将在2017年至2023年间面临49％的复合年增长率（CAGR）。这一增长的主要驱动因素包括高级分析在制造业中的应用增加、大量的结构化和非结构化数据、以及机器学习与大数据的集成。
当然，机器学习对于许多企业来说是一个相对较新的领域，对MLaaS的需求最终会自我实现——如果它存在并且人们可以看到它带来的好处，那么需求只会继续下去。
但重要的是不要被炒作吓到。基于云的机器学习产品将花费大量资金，除了运行公有云的技术巨头之外，这些产品将不会帮助任何人。考虑到这一点，本文试图深入了解机器学习即服务以及最大的云供应商提供的服务。
机器学习即服务（MLaaS）是什么意思？
机器学习即服务（MLaaS）是一系列服务，为用户提供机器学习工具。企业和开发人员可以将机器学习模型整合到他们的应用程序中，而无需进行实施。这些服务包括数据可视化、面部识别、自然语言处理、聊天机器人、预测分析和深度学习等。
通常，对于给定的机器学习任务，用户必须执行各种步骤。这些步骤包括数据预处理、特征识别、建立机器学习模型以及训练模型。MLaaS服务通过仅向用户公开部分步骤，同时自动管理剩余步骤来简化此过程。某些服务还可以提供单击模式，用户无需执行前面提到的任何步骤。
什么类型的企业可以从机器学习即服务中受益？
大公司
大公司可以聘请专业的机器学习工程师和数据科学家，但他们仍然需要构建和管理自己的机器学习模型。这是一个耗时且复杂的过程。通过利用MLaaS服务，这些公司可以通过API执行预先训练的机器学习模型，这些API可以执行特定任务并节省时间。
中小企业
大公司可以投资自己的机器学习解决方案，因为他们拥有资源。然而，对于更多的中小型企业而言，这几乎很难实现。幸运的是，MLaaS改变了这一切，并使具有资源限制的组织可以访问机器学习。
通过使用MLaaS，企业可以利用机器学习并获得好处，而无需对基础设施或人才进行大量投资。无论是更智能的面向客户的应用程序，还是改进的运营智能和自动化，合理的资金支出都可以为企业带来巨大收益。
哪些类型的角色将从MLaaS中受益？
如果你有训练应用程序的数据，机器学习可以为任何类型的应用程序开发做出贡献。但是，在应用中添加AI功能并不容易。作为开发人员，除了常规应用程序开发清单之外，你还要担心许多其他因素，以使你的应用程序智能化。他们之中有一些是：
- 数据预处理
- 模型训练
- 模型评估
- 预测
- 数据科学专业知识
MLaaS提供的开发工具可以简化这些任务，使你可以轻松地将机器学习嵌入到应用程序中。开发人员可以使用MLaaS产品快速高效地构建，因为他们可以访问预先构建的算法和模型，这些算法和模型将需要大量资源来构建。
MLaaS还可以支持数据科学家和分析师。虽然大多数数据科学家应该具备从头开始构建和训练机器学习模型的必要技能，但它仍然是一项耗时的任务。正如已经提到的，MLaaS可以简化机器学习工程过程，这意味着数据科学家可以专注于需要更多思考和专业知识的优化。
顶级机器学习即服务（MLaaS）提供商
亚马逊网络服务（AWS），Azure和谷歌都在其云产品中提供MLaaS产品。
1、Google Cloud AI一目了然
Google的Cloud AI提供现代机器学习服务。它由预先训练的模型和服务组成，可生成你自己的定制模型。该服务快速、可扩展且易于使用。
以下是Google以前所未有的规模和速度为你的应用提供的服务：
Cloud AutoML Beta
它是一套机器学习产品，借助于这些产品，具有有限机器学习专业知识的开发人员可以根据其业务需求培训高质量的模型。它提供了一个简单的GUI（图形用户界面/接口），可以根据你自己的数据来训练、评估、改进和部署模型。
Google Cloud Machine Learning（ML）引擎
Google Cloud Machine Learning Engine是一项提供培训和预测的服务，使开发人员和数据科学家能够构建卓越的机器学习模型并在生产中进行部署。你不必担心基础架构，而是可以专注于模型开发和部署。它提供两种类型的预测：
在线预测将ML模型与无服务器，完全托管的托管部署在一起，可实时响应高可用性。
批量预测具有成本效益，可为异步应用程序提供无与伦比的吞吐量。
Google BigQuery
它是一个用于数据分析的云数据仓库 。它使用SQL并提供Java数据库连接（JDBC）和开放式数据库连接（ODBC）驱动程序，以便快速轻松地进行集成。它提供了诸如自动缩放和高性能流以加载数据的好处。你可以使用自己喜欢的BI工具（如Tableau，MicroStrategy，Looker等）创建出色的报表和仪表板。
Dialogflow企业版
Dialogflow是一个端到端，一次构建部署——无处不在的开发套件，用于为网站、移动应用程序、流行的消息传递平台和物联网设备创建对话界面 。Dialogflow Enterprise Edition用户可以访问Google Cloud Support和服务级别协议（SLA）以进行生产部署。
云语音到文本
Google Cloud Speech-to-Text允许你通过应用神经网络模型将语音转换为文本。API支持120种语言，可帮助你扩展用户群。它可以处理实时流媒体和预先录制的音频。
2、Microsoft Azure AI
Azure平台有各种AI工具和服务，可以帮助你建立智能应用。它使用Bot工具提供认知服务和会话AI，这有助于在任何情况下使用Azure机器学习构建自定义模型。你可以使用其企业级AI基础架构在任何规模的场景运行AI工作负载。以下是Azure AI提供的服务：
预建服务
你无需成为数据科学专家即可使系统更加智能和吸引人。预构建的服务配有高质量的RESTful智能API，可满足以下要求：
愿景：让你的应用识别并分析图像和视频中的内容。提供图像分类、图像中的光学字符识别、面部检测、人物识别和情感识别等功能。
演讲：在应用或服务中集成语音处理功能，例如文本到语音，语音到文本，发言人识别和语音翻译。
语言：应用程序或服务将理解非结构化文本的含义或发言者话语背后的意图。它具有诸如文本情感分析，关键短语提取，自动化和可自定义的文本翻译等功能。
知识：创建可以集成到应用程序和服务中的知识丰富的资源。它提供了诸如从非结构化文本中提取QnA，从Q＆A集合中创建知识库以及为知识库进行语义匹配等功能。
搜索：使用Search API，你可以在数十亿个网页中找到正在寻找的内容。它提供的功能包括无广告、安全、位置感知的网络搜索、Bing视觉搜索、自定义搜索引擎创建等等。
定制服务
Azure Machine Learning是一种完全托管的云服务，可帮助你轻松准备数据、构建和培训自己的模型：
- 可以在桌面上快速创建原型，然后在VM上扩展或使用Spark群集进行扩展 。
- 可以管理模型性能，确定最佳模型，并使用数据驱动的洞察力来推广它。
- 在任何地方部署和管理模型。
- 使用Docker容器，可以在云、本地或边缘更快地将模型部署到生产环境中。
- 将最佳表现模型推广到生产中，并在必要时重新培训。
3、AWS机器学习服务
AWS提供的机器学习服务可帮助开发人员通过预先培训的服务轻松地为任何应用程序添加智能。对于培训和推理，它提供了广泛的计算选项，包括基于GPU的强大实例，计算和内存优化实例，甚至FPGA。你将从一组用于数据分析的服务中进行选择，包括数据仓库、商业智能、批处理、流处理和数据工作流程编排。
以下是AWS提供的服务：
AWS机器学习应用程序
Amazon Comprehend：这是一种自然语言处理（NLP）服务，可以使用机器学习识别关系并在文本中找到见解。它识别文本语言，并理解文本的正面或负面信息，提取关键短语，如地点、人物、品牌或事件。然后使用标记化和词性分析文本，并按主题自动组织文本文件集合。
Amazon Lex：这项服务提供了亚马逊Alexa用于开发人员的相同深度学习技术，帮助他们轻松构建复杂、自然的语言和会话机器人。它具有先进的深度学习功能，如自动语音识别（ASR）和自然语言理解（NLU），以促进更多的场景，如与用户的对话交互。
Amazon Polly：这种文本到语音转换服务使用先进的深度学习技术产生听起来像人声的语音。它提供各种语言的数十种生活声音。你可以简单地选择理想的语音，并构建在许多不同国家/地区使用的支持语音的应用程序。
Amazon Rekognition：此服务可以识别图像或视频中的对象、人物、文本、场景和活动以及任何不适当的内容。它还为图像和视频提供高度准确的面部分析和面部识别。
AWS机器学习平台
Amazon SageMaker：它是一个解决机器学习过程中复杂性的平台，从构建到部署模型。它是一个完全托管的平台，可帮助开发人员和数据科学家快速轻松地构建、培训和部署任何规模的机器学习模型。
AWS DeepLens：它是一款完全可编程的摄像机，配有教程、代码和预训练模型，旨在扩展深度学习技能。它为提供示例项目，在不到10分钟的时间内为你提供深度学习的实践和实践经验。只需从AWS管理控制台点击几下，就可以将在Amazon SageMaker中培训的模型发送到AWS DeepLens。
Amazon ML：这是一项提供可视化工具和向导的服务，可指导创建机器学习模型，而无需学习复杂的ML算法和技术。使用简单的API，你可以轻松获得应用程序的预测。它具有高度可扩展性，每天可以生成数十亿的预测，并以实时和高吞吐量提供这些预测
在AWS上进行深度学习
AWS Deep Learning AMIs：这提供了基础架构和工具，可以在任何规模上加速云中的深度学习。要训练复杂的自定义AI模型，或者尝试新算法，可以快速启动Amazon EC2实例，这些实例预先安装在流行的深度学习框架中，如Apache MXNet和Gluon， TensorFlow，Microsoft Cognitive Toolkit，Caffe，Caffe2，Theano，火炬，PyTorch，Chainer和Keras。
Apache MXNet on AWS：这是一个快速、可扩展的培训和推理框架，具有易于使用、简洁的机器学习API。它允许所有技能水平的开发人员开始使用Gluon，在云端、边缘设备和移动应用程序上进行深入学习。你可以在几行Gluon代码中构建线性回归、卷积网络和用于对象检测、语音识别、推荐和个性化的循环LSTM。
TensorFlow on AWS：你可以使用TensorFlow快速轻松地开始在云中进行深度学习。AWS为提供Amazon SageMaker的全面管理TensorFlow体验。你还可以使用AWS Deep Learning AMI通过TensorFlow和其他流行框架（如Apache MXNet和Gluon，Caffe，Caffe2，Chainer，Torch，Keras和Microsoft Cognitive Toolkit）构建自定义环境和工作流。
结论
机器学习和人工智能可能很昂贵——技能和资源可能会花费很多。因此，MLaaS将成为云中极具影响力的发展趋势。
是的，AWS，Azure和GCP提供的服务范围令人印象深刻，但它确实是最显著的便捷性和便利性。通过这些服务，可以轻松设置和运行机器学习算法，从而增强业务流程和操作、客户交互和整体业务战略。你不需要博士学位，也不需要从头开始编写算法。随着越来越多的公司意识到潜在的机器学习对其业务的影响，MLaaS市场可能会继续增长。当然，未来是否能提供比现有云提供商更好的服务集呢？这有待观察。
- 达索系统全球CEO：科学是公司的DNA 坚持长期主义 – 2023年12月28日
- 发改委：实施绿色低碳先进技术示范工程重点方向含“工业互联网+绿色低碳” – 2023年8月24日
- 如何以技术手段破解数据合规难题 – 2023年8月17日