在本系列的第一篇博客中，我们讨论了数据可用性、数据访问和洞察访问是如何随着时间的推移而发展的，以及googlecloud目前正在做些什么来帮助客户跨组织角色实现洞察的民主化。在这个博客中，我们将讨论为什么人工智能（AI）和机器学习（ML）对于在当今的大数据世界中产生洞察力至关重要，以及谷歌云正在做什么来扩展对这种强大分析方法的访问。

麦肯锡的一份报告强调了关键：到2030年，完全吸收人工智能的公司，其现金流可能翻番，而不吸收人工智能的公司，其现金流可能下降20%。ML和AI传统上被视为拥有博士学位的专家和专家的领域，因此许多企业领导者围绕人力资源挑战来制定他们的ML目标也就不足为奇了：创建新部门、雇用新员工、为现有员工制定保留计划等等。但事实并非如此。在Google Cloud，我们不仅致力于提高专家的工作效率，还致力于将ML功能应用到任何处理数据的人的日常工作中。

对于专家，传统的ML受众，我们构建了一整套工具。我们的人工智能平台使他们能够轻松地快速迭代，并有效地将想法转化为部署。在ML团队中，AI Hub可以更容易地与队友协作，避免重复工作流，更快地完成工作。最后，TensorFlow Enterprise直接从OSS项目（我们！）的主要贡献者那里在云中提供受支持和可伸缩的TensorFlow。使现有的专家更加灵活和快速，有助于他们增加产出，从而扩大组织内部对ML的访问。

然而，云服务器平台，要在整个组织中真正集成ML，我们需要创建更多的人物角色可以用来推动可操作的见解的工具。让我们来看看googlecloud在数据分析师、开发人员和数据工程师这三个关键角色上对ML的民主化做了些什么。

数据分析师

数据分析师，正如我们在第一篇博客中提到的，是许多财富500强公司的数据分析支柱。他们是数据仓库中的专家，非常熟悉SQL，并且了解业务需求。我们知道，云购全球，要将ML功能推向这个角色，我们需要在他们已有的专业知识的地方与他们会面。

这正是BigQueryML所做的：它将ML带到数据仓库中，并且部署时只使用了一些易于使用的SQL语句，这比分析人员所熟悉的依赖于Python、R和Scala的工具要熟悉得多许多数据科学家依赖。当BigQuery能够扩展到比传统企业数据仓库更大的数据量时，学习大数据，BigQueryML使数据分析师能够跨大量数据驱动ML，从而发现以前看不到的见解。BigQuery中有各种各样的可用模型，可以帮助客户驱动各种各样的用例，如建议、分段、异常检测、预测和预测。此外，大数据与应用，如果需要定制模型，ML专家可以构建模型导入BigQuery，分析师可以大规模使用这些模型。

我们已经看到不同行业的客户使用不同的用例成功地部署了BigQuery ML。Telus已经使用ML部署了异常检测，以保护其网络安全；UPS已经用它来实现精确的包容量预测；Geotab通过混合ML和地理空间分析来推动更智能的城市；我们甚至看到BigQuery ML被部署来预测电影观众。除此之外，我们看到零售商预测购买，淘客推广平台，金融服务机构确定保险风险，博彩公司预测长期客户价值。这种分析在过去是数据分析师无法推动的。如今，它不仅效率高，而且生产速度也很快。