花式Battle！谷歌、微软和AWS机器学习即服务战略大PK

刚刚宣布了对其机器学习即服务（MLaaS）的重大改进，试图弥补微软在过去一年左右已经享有的巨大竞争差距。不容忽视的是，去年11月，AWS宣布了公司的新型MLaaS工具和服务，试图让AI应用程序开发人员在AWS云上构建自己的智能应用程序。 MLaaS还处于起步阶段，但它可能会成为企业的主导人工智能平台，企业更倾向于把所有杂乱的细节留给其他人。这篇文章总结了每个公司的战略和策略，并试图确定真正的赢家。

MLaaS：承诺和问题

机器学习是很难的，特别是深度学习的复杂领域。深度神经网络训练有数以百万计的数据样本，通过NVIDIA GPU的机架和机架进行分析，以提取和识别功能和类别。这是“AI时代”的曙光，所以企业和政府机构争先恐后地弄清楚他们需要做什么来避免错过“下一个大事件”。因此，他们必须决定投资哪些项目，雇佣大量人才，购买大量的服务器和GPU，为监督学习任务提供数据，然后构建和优化自己的深度神经网络（DNN）。听起来很难？那么，MLaaS提供了一个更简单的选择：采取捷径，并使用预先训练的神经网络来处理由主要云服务提供商提供的图像、视频、语音和自然语言处理。为什么要花时间和金钱自己来训练一个神经网络？

谷歌、微软和AWS：有不同的优势和方法

Google MLaaS

战略：利用谷歌在人工智能和深度学习方面的领先专业知识（该公司在内部拥有超过7000个AI项目，全球超过100万人工智能用户）提供最先进的开发工具和最高性能的硬件平台为AI开发。这完全是关于开发者，因为谷歌不拥有像微软这样的用户。

策略：

让TensorFlow成为AI硬件和软件之王。

将AI应用于AI的开发。谷歌声称昨日发布的Cloud AutoML可以大大简化DNN开发的复杂任务。 Cloud AutoML不是使用额外的自定义数据来增强预先训练的API，而是从客户自己的数据开始，构建自定义Deep Learning模型。 AutoML带有非常酷的仪表板，你可以在开发和调整模型时轻松查看模型的功效。谷歌甚至提供内部数据标记作为服务。一些人认为最终将由AI自动化的手动过程。

将数据中心之外的谷歌扩展到边缘和消费类设备以及自动驾驶汽车等领域。在Google的云平台上捕捉到AI开发的全部内容。

微软MLaaS

战略：使用微软的大型企业和政府安装基础，以及其广泛的生产力和业务流程工具组合，成为企业中ML技术的默认提供商。

策略：

提供丰富的机器学习API来处理每种数据类型，因为每个公司或机构的数据都与其业务不会是完全相同。使用户能够利用包含组织的产品、人员、词汇等的数据样本来扩展训练的神经网络。微软现在提供了29个API，其中许多支持对DNN训练数据的定制）。

为需要构建自己的深度神经网络的客户提供最高性能的机器学习框架，尤其是针对自然语言处理的客户。

使用AI增强微软的产品，为Office 365、Dynamics、Windows提供一些智能功能。

亚马逊AWS MLaaS

战略：使用AWS的超大规模和丰富的工具集为AI应用程序提供最具成本效益的开发和部署平台。

策略：

首先，将为亚马逊的大型在线业务开发的工具和平台提供AWS服务。为Alexa和Amazon自己的电子商务开发的工具现在可以帮助你轻松构建聊天机器人或语音激活产品或服务。

提供世界级的开发工具，如MXNet框架、Lex、Rekognition和SageMaker，以减轻开发负担。这些工具都非常有粘性，确保AWS在开发过程完成后成为部署平台。 SageMaker尤其有趣，为整个机器学习开发生命周期提供了一个完全托管的平台。

无论开发人员选择哪种CPU、GPU或AI框架，为每个开发人员提供最具成本效益的云基础架构。

结论

首先，这里有一个忠告：无论这些AI服务如何好，企业都需要认识到MLaaS的局限性。问题当然在于细节。如果预先训练好的网络作为一种服务不能充分地包含你想要识别的面孔、词汇和对象的怎么办？如果你想在自己的基础设施上运行AI应用程序，那么至少看起来是安全的，把所有有价值的数据保存在内部呢？在任何一种情况下，MLaaS都可能不是企业正在寻找的入口匝道。微软和谷歌正试图解决MLaaS的这些功能限制，但可能谷歌的方法可以产生更准确的结果，因为AutoML实际上是建立一个定制的AI模型，而不是只需提供一个可定制的预处理层即可。

如果把这一切都整合起来，作者认为微软将赢得传统的企业市场，而谷歌和亚马逊（Amazon）将继续争夺领先的云计算新应用程序开发领域。谷歌的云平台将托管使用TensorFlow（和Keras）构建的应用程序，而AWS可能会服务于硬核AI开发人员和应用程序托管市场的其余部分。