云计算机器学习平台，有时也被称为机器学习即服务(MLaaS)解决方案，可以让企业更加轻松地采用人工智能(AI)。但专家表示，中小企业在考虑采用这些服务之前应该考虑其面临的潜在挑战。

 ‍

    机器学习(ML)是人工智能的一个分支，它涉及创建计算机系统，可以在没有明确编程的情况下学习，其应用将越来越广泛。德勤公司在其对2018年的技术、媒体和电信预测中表示：“2018年，大中型企业将加大对机器学习的使用力度，该技术的实施和试点项目数量将比2017年翻一番，到2020年将会再次翻番。”

    同样，在IDC公司最新的预测中，包括机器学习(ML)解决方案在内的认知和人工智能系统的支出将在2021年达到50.1%的复合年均增长率(CAGR)，市场规模将达到576亿美元。

    IDC认知/人工智能系统研究总监David Schubmehl表示：“组织正在开发基于机器学习和深度学习的下一代智能应用项目，以及其他认知/人工智能技术。随着企业竞相将预测性和规范性功能嵌入其应用程序组合，人工智能成为企业和商业发展迅速扩大的领域。”

    此外，据埃文斯数据公司最近的调查显示，650万技术开发人员正在使用某种形式的人工智能或机器学习，另有580万开发人员计划在六个月内开始使用人工智能或机器学习。鉴于全球有超过2200万的开发人员，这意味着大多数(大约56%)的人已经在使用这些技术，或者很快就会这样做。

    而人工智能或机器学习的许多开发项目正在云端进行。Evans Data补充道：“那些正在使用人工智能或机器学习的开发人员中，有59%的人使用基于云计算的后端进行人工智能或机器学习的开发，因此我们估计大约有380万开发人员在做这个事情。”

    那么开发人员使用云计算机器学习工具构建的应用程序有哪些？为什么有些开发人员选择基于云计算的工具而不是其他类型的软件？

 ‍‍

    云计算机学习用例

 ‍

    基于云计算的机器学习的用例与其他类型的机器学习的用例非常相似。一般来说，MLaaS平台非常适合需要分析大量数据的应用程序。如果这些数据已经存储在云端，MLaaS平台可能会更具吸引力。

    例如，IDC公司曾表示，零售和金融服务行业将成为机器学习技术的最大尝试者之一。对于这两类公司而言，欺诈检测是一个关键问题。而且，如果他们的交易数据已经驻留在公共云中，那么使用由同一供应商提供的MLaaS平台是有意义的。对于在线开展业务的零售公司来说，基于云计算机器学习平台的推荐引擎可能有助于增加销售。其他用于云计算机学习的良好用例可能包括商业智能、风险分析、IT安全、金融交易等。

    另一方面，数据驻留在网络边缘的应用可能不是采用云计算机学习的一个好选择。最明显的例子是自动驾驶汽车。由于延迟问题，自动驾驶汽车将花费一定时间将数据传输到云端进行分析，然后在做出行驶决策之前再返回指令，显然云计算不能满足这样的实时要求。

    同样，物联网(IoT)和医疗保健诊断也不是适合采用基于云计算的机器学习的行业领域，因为它们可能还需要大量的数据传输。但专家们表示，在某些情况下，采用云计算可能还是有意义的。一般来说，他们建议在仔细权衡可用选项的优缺点后选择机器学习平台。 

 ‍

    基于云计算的机器学习的好处

 ‍

    云计算机学习相对于其他类型的机器学习解决方案的最大优点之一是，它可以使组织能够访问高性能的基础设施，而这些基础设施本身可能无法承受。机器学习应用需要大量的处理能力，而提供这种功率级别的系统在传统上非常昂贵。如今，许多组织使用依赖图形处理单元(GPU)来处理机器学习工作负载的系统，在云端租用这些系统通常比直接购买这些系统更加经济实惠。

    但是值得人们注意的是，在不久的将来，支持机器学习的基础设施可能会变得更加实惠。德勤公司的报告指出，开发新型芯片可以使机器学习成本降低10倍到100倍，甚至1000倍。

    云计算机学习的另一个与成本相关的好处是可以轻松获得经济实惠的数据存储。随着数据量的不断增长，许多企业发现，将冷数据转移到公共云系统比继续将其存储在自己的数据中心上成本要低很多。如果数据已经存储在公共云中，那么使用基于云计算的机器学习服务通常也是有意义的。将大量数据从一个地方迁移到另一个地方可能会花费大量的时间，并为项目增加大量费用。但是，如果一个组织可以轻松地将机器学习工具应用于云端而不用迁移数据的话，那么这可能是使用MLaaS的强有力的理由。

    基于云计算的机器学习的最后一个主要好处是由MLaaS或其他机器学习的自动化供应商提供的开发工具可以简化在应用程序中嵌入机器学习的过程。应用程序开发人员和数据科学家与机器学习专业知识的竞争非常激烈，这需要企业提高人员的薪金。很多组织负担不起甚至找不到工作人员来创建和使用机器学习应用程序。

    MLaaS产品推出了让民众成为数据科学家的承诺，让没有编码专业知识或高级学位的商业专业人员使用机器学习。例如，谷歌公司最近宣布了AutoML，它表示将“使人工智能可以访问所有业务”。

    许多机器学习厂商表示，他们的客户能够快速获得基于云计算的机器学习解决方案。机器学习厂商DataRobot公司副总裁兼银行总经理Greg Michaelson表示：“大规模部署机器学习可能是一个复杂的过程。但是，像AWS公司这样的云计算服务和自动化机器学习的结合使得组织能够在几分钟内启动并运行，这使得他们的团队能够快速构建世界级的预测模型，从数据中获得关键的洞察力。” 

    基于云计算机器学习面临的挑战

    尽管云计算机器学习平台有很多好处，组织仍然需要克服一些挑战才能使用它们。这些挑战中最大的问题是缺乏熟练的工作人员。

    谷歌公司在其AutoML公告中指出，目前，世界上只有少数企业才能够获得所需的人才和预算，以充分了解机器学习和人工智能的发展。并且能够创建高级机器学习模型的人数非常有限。如果是可以使用机器学习和人工智能工程师的公司之一，那么仍然需要管理构建自己的自定义机器学习模型的时间密集型和复杂的过程。虽然谷歌公司通过执行特定任务的API提供了预训练的机器学习模型，但是如果想要把人工智能引入每个公司，那么还有很长的路要走。

    而MLaaS平台使机器学习更容易，但它们仍然不容易应用。

    人工智能的风险投资基金机构DCVC公司的创始合伙人Bradford Cross曾经在博客中表示，MLaaS产品将会遭遇失败，因为“知道自己在做什么的人只是使用开源，而不会使用任何东西工作的人，甚至是使用API。”

    时间会告诉人们，云计算机器学习产品是否能够实现机器学习的民主化目标，但他们面临着一个艰难的挑战。

    云计算机器学习平台的另一个大问题是所有公共云所共有的问题：供应商锁定。组织担心，如果他们开始使用太多的单个供应商提供的服务，而其采用另一个供应商提供的服务将变得非常困难。而这反过来又可能使它们容易受到云计算服务提供商的价格上涨的影响。

    整合来自不同数据源的数据也会造成障碍。许多机器学习项目都依赖于来自许多不同地方的数据。无论组织是使用云计算机器学习平台还是其他类型的机器学习解决方案，收集这些数据并将其转换为可用的数据都是一项艰巨的任务。

    这给所有机器学习项目带来了另一个挑战——脏数据。当Kaggle公司对数据科学工作者的最大障碍进行调查时，49.4%的受访者选择的第一个反应是肮脏的数据。如果依赖于不良信息，世界上最好的机器学习工具将不会有效，并且使数据进入可用状态，继续为数据科学专业人士消耗大量时间和精力。 

    云计算机器学习的替代品

    组织有很多其他MLaaS平台的替代品。如前所述，许多专业数据科学家选择使用开源机器学习工具，如TensorFlow，Apache Spark的MLlib或Caffe。此外，许多企业选择从Alpine Data，Dataiku，DataRobot，Domino Data Lab，FICO，H2O.ai，RapidMiner，SAS和Statistica等厂商购买预测分析和机器学习解决方案。许多这样的软件(无论是专有的还是开源的)都可以部署在内部部署数据中心或云端。

    此外，许多其他类型的企业软件也具备一些机器学习功能。一些组织发现，他们已经使用或正在考虑购买的商业智能、CRM、营销情报、安全情报、电子商务或其他类型的解决方案具有他们所需的机器学习功能。因此，一些组织可能不需要建立自己的机器学习应用程序。 

    流行的云计算机器学习服务

    即使有了所有这些替代方案，随着组织增加使用机器学习，云计算机器学习平台仍然越来越受欢迎。以下的图表提供了一些最著名的云机器学习工具的概述：