简介

机器学习作为一种新兴的、酷炫的新兴技术，近年来从未缺少令人兴奋的头条新闻和突破。

2015年，深度学习模型在ImageNet挑战赛中超越人类，将一个物体的图像分为不同的类别。2016年，AlphaGo在5场比赛中击败世界围棋冠军。2018年，亚利桑那州一辆自动驾驶汽车撞上行人……

最后一辆并不完全令人兴奋，但该领域的快速发展非常明显

在这篇文章中，我将探讨企业如何利用多云方法轻松实现机器学习

机器学习作为一种企业解决方案

当今企业也将人工智能领域的进步视为机遇，并希望将机器学习作为一种可行的企业解决方案。正如Gartner 2019年CIO调查所证明的那样，"在过去四年中，实施人工智能（AI）的企业数量增长了270%，在过去一年中增长了三倍"

当企业尝试实施机器学习解决方案时，这一目标不同于试图突破科学界限的学术研究。企业通常试图解决一个特定的业务问题或在某个领域改进其KPI。他们工作的数据也非常特定于他们的业务，这需要特定领域的知识来理解数据实际上告诉你什么。

让我们先看看企业如何处理机器学习项目

当我们谈论机器学习时，首先想到的可能是数据科学家。他们的工作通常侧重于通过应用各种机器学习方法来找到一种利用给定数据集的方法，并且希望结果将提供有意义的业务洞察力，以便做出决策。然后使用统计矩阵（如精度、均方误差、F分数等）来衡量这种利用的成功程度，这些矩阵完美地描述了机器学习模型的性能，但没有直接回答企业应该如何反应的问题。

对于业务分析师来说，他们通常没有深入了解机器学习的工作原理，以及如何对其进行评估，但他们完全了解业务问题以及需要做些什么来改善这种情况。

因此，很常见的情况是，由一个既有数据科学家又有业务人员参与的团队来管理机器学习项目。这种方法的一个问题是，这两方通常使用不同的工具和系统。数据科学家使用的系统具有足够的计算能力，能够处理大型数据集上的复杂计算。业务方面在他们的任务关键型ERP系统或数据库上工作，需要稳定的操作，因此在同一个系统上运行昂贵的机器学习过程不是一个好主意。为了整合系统，数据工程师或系统集成商通常参与构建数据管道或系统接口。

随着云服务的出现和普及，划分上述每个角色的边界开始消失。云提供了各种易于实现的服务。这些服务也相互兼容，易于集成。例如，如果您的业务数据存储在同一个云中，您也在其中构建了机器学习模型，那么数据科学家就不再需要构建复杂的数据管道来获取和提供模型。同样，随着云机器学习服务的推出，数据工程师或业务分析师不再需要深入的机器学习知识来构建一个完整的功能模型。

请参阅本帖，了解机器学习相关角色的全面解释

云和机器学习服务

云上的机器学习服务可分为三类：

大多数AWS、微软Azure和谷歌云平台等云服务提供商提供了所有这三种服务，更注重第二和第三种选择，为用户提供易于使用的机器学习服务。

尽管全自动MLaaS听起来非常诱人，大数据怎么查询，它提供的功能尚未广泛适用于实际应用程序。以机器学习研究与开发的先驱Google为例，它提供了一种称为AutoML的全自动机器学习服务。目前，AutoML支持图像、视频、文本、语音、表格数据，大数据下载，并允许您只需单击几下就可以训练最先进的机器学习模型。但是，它缺乏灵活性，无法让您根据特定的数据集和用例自定义模型。

考虑一家消费品制造商，它试图构建一个移动应用程序，允许其客户在商店里用手机拍摄产品的照片，以检索更多与产品相关的信息（如本应用程序）。这种应用程序可以利用机器学习模型，根据用户拍摄的图片对产品进行分类。根据拍摄角度的不同，产品的照片看起来会非常不同，一个产品的自上而下的照片可能与从侧面拍摄的照片非常不同，从一个角度看，它甚至可能与另一个产品非常相似。

人类非常善于处理这个问题，因为我们通过认知空间映射确切地知道我们是如何看待一个对象的。我们离目标是远还是近？我们在往下看吗？或者我们是相对于它移动？如果机器学习模型在拍摄照片时也使用手机的陀螺仪数据，好评返现，那么可以获得类似的空间地图，这应该告诉你手机相机是向下看还是水平看。