云计算的发展趋势是什么？

小岱认为云计算的发展趋势应该是淡化 Server，强化 Service。所谓的淡化 Server，就是开发者无需再像往常一样购买云主机示例，去做各种运维操作，云平台只提供“服务”，不提供“服务器”。

事实上这种概念在 Serverless 服务出现之前，就已经一直存在了，那就是对象存储。典型的例子如AWS（Amazon Web Services) 的 Amazon S3 数据库：

整个存储过程,用户只需创建并管理 Bucket 即可, 全程不用接触"服务器", 用户也无需知道数据到底是存在哪个服务器上, S3 本身就提供了灾备, 自动扩容等能力。

这种把资源抽象成水电一样的，要多少给多少，不用不花钱，只提供服务不提供服务器的思想已经在 AI 训练，应用部署等方面得多了诸多应用。

AI 训练与部署的 Serverless 化

完整的 AI 的训练过程主要分为三大步：训练数据的采集/标注，算法选择/参数调整，算法部署。

但实际操作的时候，会发现工作量非常大，比如如何在多台服务器上进行单一模型的训练，如何存储大量的训练数据，模型的参数/超参数的调整，这其中每一步对于没有经验的人来讲都极其耗时，但 AWS 提供的 SageMaker 平台，将最繁冗的工作全部自动化：

SageMaker 服务

有了 SageMaker，AI 模型训练者无需去手动管理服务器，搭建繁琐的工具链，手动调参。参数调节，超参数调节，模型选择，数据可视化分析，每个过程都极为耗时，但 SageMaker 提供的 Autopilot 功能可以将大部分工作自动化: 自动选择最佳算法，自动根据性能对模型进行优先级排名，自动调参，大幅解放 AI 算法人员的时间。

流程图：

先从 Amazon S3 数据库（上面刚提到）中加载训练数据表，然后选择要预测的 column，之后 Autopilot 会智能地自动选择正确的算法模型来进行训练，调参过程也自动进行，训练的结果会在专为 SageMaker 定制的在线 IDE Amazon SageMaker Studio 上可视化呈现：

自动选择算法，自动调参：SageMaker Autopilot

SageMaker Autopilot 会自动检测训练数据，选择最优的算法集，同时对多种候补算法进行训练并自动调参，最后会自动根据预测精度进行排名，有五十多种预备算法模型可以选择，和 SageMaker Studio 集成，可在 Studio 中看到训练结果。

一键部署：

在 SageMaker 平台上可以一键将模型部署到 Amazon ML 实例上，只需声明示例的类型，和最少和最多的实例个数，你设定好的 API 就会以高可用，低延迟的 HTTPS 接口形式，供全世界调用。

关于 AWS 的 SageMaker 更多的信息，在四月二十三号（大后天）的 AWS INNOVATE 2020 大会会有更详细的讲解：

具体可以去看第一个人工智能分会场：

应用部署的 Serverless 化

开发一个全栈应用需要什么？需要服务器，数据库，以及部署在服务器上的业务逻辑代码，和其它的周边设施。

在以往的开发中，即便有了docker等容器化的帮助，可以直接将做好的镜像部署到服务器，管理多个服务器实例。既然数据库已经实现了 Serverless 化，那我们使用的数据库就可以从服务器中脱离，直接调用 S3 数据库等云存储设施，业务代码的运行也同样，我们无需手动让业务代码跑在服务器上，只需将业务代码部署到 Serverless 平台上，如 AWS Lambda 服务即可。

借助 AWS Lambda，您几乎可以为任何类型的应用程序或后端服务运行代码，而且完全无需管理。只需上传您的代码，Lambda 会处理运行和扩展高可用性代码所需的一切工作。您可以将您的代码设置为自动从其他 AWS 产品触发，或者直接从任何 Web 或移动应用程序调用。

也就是说，只需把业务代码写好，交给 AWS Lambda 平台，剩下的负载均衡，内容分发，都无需再管，借此我们可以构建无服务器化的后端，将 AWS Lambda 与其他 AWS 服务相结合，获得可自动扩展收缩能力，跨数据中心运行，无需在可扩展性、备份或多数据中心冗余方面执行任何运维工作，it just works。

不仅如此，事实上前端的代码也同样可以一并做到 Serverless，前端资源的分发可以借助 AWS S3 对象存储，前端通过 Amazon API Gateway 调用 API Lambda，执行业务逻辑，同时用户通知可以通过 Amazon SNS 服务向用户推送消息：

关于 Serverless 现代应用部署的部分，可以关注一下 INNOVATE 大会的 现代应用 分会场，会有更多精彩详细的介绍：

数据分析的 Serverless 化

大型应用离不开用户日志收集，记录，追踪，分析，不管是构建用户画像，推荐个性内容，都离不开巨量数据的采集和分析，这个过程，也可以完全 Serverless 化。

无服务器自动伸缩框架 Amazon Kinesis Data Firehose 完美的构建了嘉谊互娱的大数据分析平台，更加可靠，也同时更加易用。

Amazon Kinesis 可以用来获取多媒体、网站点击流等实时数据，也可以获取用于机器学习和其他应用程序的 IoT 遥测数据。借助 Amazon Kinesis，可以即刻对收到的数据进行处理和分析并做出响应，无需等到收集完全部数据后才开始进行处理。

比如借助 Kinesisi Video Stream，可以将视频从各种来源，比如办公室、工厂和公共场所中的摄像头的设备所捕获的流式数据传输到 Lambda, SageMaker 等其它平台，就可以达到抓捕罪犯，记录车牌号等效果。

关于 Serverless 大数据分析的更多内容，可以在 INNOVATE 2020 大会的第三个分会场 大数据分析 看到：

现代应用部署方案

如果想了解最新的云服务发展趋势，或者想完成企业上云的转型者，都可以来看一下 4月23号的 AWS INNOVATE 2020 线上大会：

AWS INNOVATE 2020 大会

AWS​aws.d1meeting.cn

注册大会还有机会获得 Kindle 电子书阅读器或者爱奇艺会员卡，快去注册吧！