Google剛剛宣布了對其機器學習服務(MLaaS)進行重大改進，以縮小過去一年中和微軟之間的競爭差距。不僅如此， Amazon的AWS去年11月份在AWS Re:Invent上宣布了自己新的MLaaS工具和服務，試圖讓AI應用開發(fā)人員在AWS云上構(gòu)建自己的智能應用。 如今MLaaS還處于起步階段，但對于那些更傾向于將所有雜亂細節(jié)留給其他人的企業(yè)來說，MLaaS可能會成為一個占主導的人工智能平臺，這些企業(yè)點擊一下就可以租賃到人工智能服務。本文總結(jié)了每個公司的戰(zhàn)略和策略，并試圖確定誰是贏家和輸家。

MLaaS：承諾和問題

機器學習是很難的，特別是深度學習這個復雜領(lǐng)域。深度神經(jīng)網(wǎng)絡是以數(shù)以百萬計的數(shù)據(jù)樣本進行訓練的，通過使用大量NVIDIA GPU進行分析，以提取和識別各種功能和類別。這是“人工智能時代”的曙光，所以企業(yè)和政府機構(gòu)當然在爭先恐后地弄清楚他們需要做什么來避免錯過“下一個大事件”。為了到達目的地(無論在哪里)，他們必須決定投資哪些項目，聘請稀缺人才，購買大量的服務器和GPU，為監(jiān)督學習任務提供數(shù)據(jù)，然后建立和優(yōu)化自己的深度神經(jīng)網(wǎng)絡(DNN)。聽起來很難?那么，MLaaS提供了一個更簡單的選擇：選擇一個捷徑，并使用預先訓練的神經(jīng)網(wǎng)絡來處理由主要云服務提供商提供的圖像、視頻、語音和自然語言處理。為什么要花時間和金錢自己來訓練一個神經(jīng)網(wǎng)絡，尤其是當你可以寫一個基于云的應用、通過一個簡單的API來訪問一個預先訓練好的網(wǎng)絡?

Google、微軟和AWS：不同的優(yōu)勢和方法

Google MLaaS

戰(zhàn)略：Google利用自己在人工智能和深度學習方面的領(lǐng)先專長(Google內(nèi)部擁有超過7000個人工智能項目，全球超過100萬人工智能用戶)，為人工智能開發(fā)提供最先進的開發(fā)工具和最高性能的硬件平臺。這完全是關(guān)于開發(fā)人員的，因為Google不擁有像微軟這樣的用戶。

策略：

- 讓TensorFlow成為人工智能硬件和軟件之王。

- 將人工智能應用于人工智能的開發(fā)。Google聲稱其最近宣布的Google Cloud AutoML可以極大地簡化DNN開發(fā)的復雜任務。Cloud AutoML不是使用額外的自定義數(shù)據(jù)(如微軟那樣)來增強預先訓練的API，而是從客戶自己的數(shù)據(jù)開始，構(gòu)建一個自定義深度學習模型。AutoML有非常酷的儀表板，你可以在開發(fā)和調(diào)整模型時輕松查看模型的效率。Google甚至將內(nèi)部數(shù)據(jù)標記作為服務提供——這是一些人們認為最終將由人工智能實現(xiàn)自動化的手動過程。

- 將Google在數(shù)據(jù)中心之外的應用范圍擴展到邊緣消費者設(shè)備和自動駕駛汽車，獲取Google云平臺上的所有人工智能開發(fā)項目。

微軟MLaaS

戰(zhàn)略：使用微軟龐大的企業(yè)和政府安裝基礎(chǔ)，以及其廣泛的生產(chǎn)力和業(yè)務流程工具組合，成為企業(yè)中機器學習技術(shù)的默認提供商。

策略：

- 提供豐富的機器學習API來處理每種數(shù)據(jù)類型，因為每個公司或機構(gòu)的數(shù)據(jù)都與其業(yè)務不同。使用戶能夠利用包含組織的產(chǎn)品、人員、詞匯等的數(shù)據(jù)樣本來擴展訓練的神經(jīng)網(wǎng)絡(微軟是第一個走上這條道路的公司，現(xiàn)在提供29個API，其中許多API支持DNN的定制訓練數(shù)據(jù))。

- 為那些需要構(gòu)建自己的深度神經(jīng)網(wǎng)絡的客戶提供最高性能的機器學習框架，尤其是針對自然語言處理的客戶。

- 利用人工智能增強每個微軟產(chǎn)品——為Office 365、Dynamics、Windows以及Redmond Vault中的每個產(chǎn)品提供智能功能。

亞馬遜AWS MLaaS

戰(zhàn)略：使用AWS的超大規(guī)模和豐富的工具集，為人工智能應用提供最具成本效益的開發(fā)和部署平臺。

策略：

- 首先，將為亞馬遜的大型在線業(yè)務開發(fā)的工具和平臺提供為AWS服務。為Alexa和Amazon eComerce開發(fā)的工具，現(xiàn)在可以幫助你輕松構(gòu)建聊天機器人或語音激活產(chǎn)品或服務。

- 提供世界級的開發(fā)工具，如MXNet框架、Lex、Rekognition和SageMaker，以減輕開發(fā)負擔。這些工具都具有很高的粘性，確保AWS在開發(fā)過程完成后成為部署平臺。 尤其是SageMaker很有趣，為整個機器學習開發(fā)生命周期提供了一個全方位管理的平臺。

- 為每個開發(fā)人員提供最具成本效益的云基礎(chǔ)架構(gòu)，無論開發(fā)人員選擇哪種CPU、GPU或AI Framework。

結(jié)論

首先，必須提醒的是：無論這些人工智能服務如何好，企業(yè)都需要認識到MLaaS的局限性。問題當然在于細節(jié)。如果預先訓練好的網(wǎng)絡作為一種服務不能充分地包含你想要識別的各種面孔、詞匯和對象呢?如果你想在自己的基礎(chǔ)設(shè)施上運行人工智能應用，將所有有價值的數(shù)據(jù)保存在內(nèi)部(那么至少看起來數(shù)據(jù)是安全的)呢?在任何一種情況下，MLaaS都可能不是企業(yè)正在尋找的入口匝道。微軟和谷歌正試圖解決MLaaS的這些功能局限性，但我認為Google的方法可以產(chǎn)生更準確的結(jié)果——AutoML實際上是建立一個自定義的人工智能模型，而不是簡單地提供一個可定制的預處理層。

順便提一下，我很驚訝地發(fā)現(xiàn)AutoML是在NVIDIA GPU上運行的，而不是被稱為GTP的Google TPU。我預計這種情況可能很快就會改變，但這確實表明，去年春天Google預先發(fā)布了Cloud TPU是為了顛覆NVIDIA GTC爭取更多事件，而不是與即將到來的發(fā)布上市保持一致。

盡管如此，我相信Google在人工智能方面的實力將有助于Google達到并有可能超越微軟目前在MLaaS技術(shù)上的領(lǐng)先地位，而微軟在企業(yè)軟件市場的實力將幫助其通過其應用組合實現(xiàn)其人工智能投資的變現(xiàn)。