今天，你用“机器学习即服务”了吗？-CSDN博客

上世纪50年代末，IBM先驱研究员亚瑟·塞缪尔（Arthur Samuel）训练了世界上第一台自学电脑学下跳棋游戏，自那以后，人们就在等待智能机器来临的未来。

而“未来”就是现在。

塞缪尔当年为我们这个世界引入了机器学习的计算方法，现在这个方法已经成熟，而且已经诞生了各种新产品，形成了渠道计划的规模。

Third Eye是一家总部设在加州圣克拉拉的大数据和分析解决方案提供商，与四大超规模云提供商IBM、微软、谷歌和AWS都有合作关系。Third Eye首席执行官Dj Das表示，“对于像我们这样的公司，这样的机会毕生难求。”

Das所说的机会是以各种不同使用案例的形式出现的，包括优化供应链、预测客户购买模式、诊断疾病、检测欺诈、识别文本和图像以及提高IT性能和安全性等。

IBM Watson是IBM旗下基于认知计算的云平台，认知计算是一种模拟人类思维过程的分析方法，其中机器学习是其不可或缺的组成部分。IBM Watson实施副总裁Ed Harbour告诉记者：“我和客户、合作伙伴交流过，他们都知道这是变革性的。他们要选择利用自己的优势拥抱它或是无所作为，这会决定他们企业以后的走向。”

IBM将未来注压在认知计算上。但IBM面临的挑战不是简单地证明这项技术的价值和可行性。面对日益拥挤的市场，IBM面临的是诸如谷歌、微软和AWS这样的超大规模强大对手，这些公司过去的一年半里都推出了提供机器学习库和工具即服务的平台。

在云出现以前，要想实现机器学习颇为昂贵，使用起来也颇为困难，但是公共云平台的出现大大降低了这项技术的入场成本，使得解决方案供应商引进机器学习成为现实，并可以实现更大规模上的消费。

Neudesic是一家数据分析公司，也是微软合作伙伴，其技术总监Orion Gebremedhin表示，“这就是为什么大家将机器学习称之为大众化技术的原因。”

算法是包装好的，通常是神经网络一类的算法，弄成库的形式，再与诸如Hadoop或Spark一类的建立预测模型工具和大数据技术结合在一起，云平台有望成为自学应用程序的先导，可以为企业提供洞察力。

47Lining公司是AWS的合作伙伴，其首席执行官Mick Bass告诉记者，机器学习的巨大效益在于它可以提供“一系列的业务流程的增量效益”。

Bass表示，从“这些业务流程优化节流”进行调整渠道机会时，要记住一个经济上的真理：效率创造财富。

IBM的Harbour则表示，“市场就在那里。IBM也不是这个空间里唯一能做的一家公司，而且每天都有越来越多的技术出现。”

Gartner研究总监Linden表示，各家公司争相提供机器学习即服务，不过关于机器学习即服务的竞赛仍处于初级阶段，IBM的营销部门“要比别人更加努力。不过话说回来，单靠努力不一定赢得到奖杯”。

IBM Watson星光闪烁

从塞缪尔推出的机器学习开始算，半个多世纪后，现在另一个IBM Watson在电视游戏节目Jeopardy上大放异彩，击败了两位前人类冠军，展示了人工智能在自然语言处理、评估数据量和根据过去的结果做出越来越聪明的决定等方面的进步。

和塞缪尔的跳棋一样，Watson玩游戏是要证明科技成就和推广IBM Armonk的品牌。Watson在Jeopardy上首次亮相后的几年里转化成一个全面云平台，IBM将自己未来的筹码置于其上。

三年前，Watson平台推出，其间已有740家IBM合作伙伴获得认证，可用Watson建立认知应用程序。

Ironside是一家数据分析咨询公司，与IBM有合作伙伴关系。Ironside战略与创新副总裁Greg Bonnette相信，IBM的解决方案是市场上最精密的，IBM的解决方案提供叠加算法，各种算法可以跨多个数据评价和决策层互相交流资料

最近，Ironside利用Watson在新罕布什尔州曼彻斯特的警察部门做了个预测警务应用程序，这个应用从该市35平方英里区域的犯罪报告和其他数据里提取精华，并将多年的历史因素考虑在内，然后预测出可能的犯罪热点地区，警方则可将精力集中在热点地区。Bonnette表示，应用预测犯罪和预测天气有些相似。

令人吃惊的是，在部署该系统10周后，新罕布什尔州最大的城市曼彻斯特的汽车盗窃案下降了34%，抢劫案下降了24%。

Bonnette表示，IBM的过人之处在于“他们真的是将工业问题和实际业务问题融合在一起”，这也令IBM在诸如保健等垂直市场上赢得了极大推动力。

谷歌：成长的引擎

谷歌总裁Sundar Pichai在公司第一季度财报电话会议上表示，将人工智能和机器学习作为云服务提供给企业客户“会是谷歌优势的一个巨大来源”。

他告诉华尔街投资者，“我们处于一个非常有趣的临界点，这些科技真的要起飞了。”他表示，谷歌就是工程解决方案，可以令服务合作伙伴帮助客户利用机器学习去理解自身数据。财报会的几周以后，Pichai在谷歌I/O开发者大会透露了一个新的名为“the Tensor Processing Unit（TPU）”的处理器，用于驱动机器学习的工作负载。

大势应用Snapchat已经在用谷歌的平台对用户进行更多的了解，方法是研究用户张贴在社交媒体网站的照片内容。

今年3月，谷歌因AlphaGo在与世界围棋冠军对垒中取胜而名声大噪。围棋是一项非常复杂的棋类游戏，战胜世界围棋冠军比将死国际象棋特级大师更难。Pichai表示，此次胜利“对于人工智能来说是一个重要的里程碑”。

不过，这次胜利一方面可能显示了谷歌准备在市场上好好玩一把，另一方面在一定程度上也标明了谷歌目前所处的地位。

Gartner的Linden告诉记者，谷歌的优势是“它可能是这个星球上最大的机器学习公司，比别的公司大两到三倍。”他表示，这主要是因为谷歌的搜索引擎很好地实现了“大规模机器学习动作”。

正如Pichai所说的，这当然是核心业务的一个独到之处，不过，谷歌还没有充分地将这些功能做成云服务。

Linden称，“他们是尖端部署的领头羊，但就良好的支持、使用方便和良好的软件文献方面而言肯定不是领头羊。”

他表示，在这些方面，诸如谷歌TensorFlow算法库和建立用机器学习模型的预测API工具的产品，还仍然在初级阶段，它们对于数据科学家来说不如对软件工程师那么有价值。

Third Eye公司的Das告诉记者，“谷歌云机器学习（ML）有非常酷的技术，但是入场的时间晚了。他们现在谈论得多了些，因为他们正在考虑如何用自己的技术切入市场”

微软：机器学习是强项

微软发展机器学习功能已经有二十多年了，如今在Xbox、Bing和Windows 手机的Cortana数字助理里都用到机器学习。

Das表示，微软在2015年2月推出Azure机器学习平台，它比“谷歌目前的平台要强大得太多了”。

Neudesic的Gebremedhin认为，微软对自身的定位是成为机器学习的大商家，由于其平台灵活度高，可以和数据采集、管理、转化、批处理及实时决策和存储等技术整合。

他表示，Azure ML提供“多个对不同来源的开放连接”，比如数据源大数据、Hadoop数据集群等，因此“用户基本上想做什么都没有限制”。

Neudesic最近接了一个亚利桑那州第二大公用事业公司的项目，利用Azure ML搭建一个平台，用来收集一百万多个电表的数据。

Gebremedhin告诉记者，用到的机器学习算法可以基于过去和现在的精度指标进行修改并更新，得到的新解决方案能更好地预测凤凰城地区居民的需要，从而在使用上获得更加有效的能源使用效率，并减低成本。

分析师Linden告诉记者，Azure ML的成熟市场令谷歌处于劣势，并且微软现在还针对各种受众推出了一个组织严密的运行环境，绝对称得上“远见卓识”。

AWS：具有内在优势

AWS不是一家会把地盘儿拱手让人的公司。2015年4月，AWS推出机器学习，目前已经可以基于AWS ML开发落地的解决方案。

47Lining的Bass表示，他的公司已经利用AWS平台为客户打造了强大的解决方案，而要在前不久做到这一点无论从成本和技能上来说都行不通的。

他表示，47Lining最近实现了一个解决方案，是为一家有线公司开发研究其客户动向的预测应用，目的是更好地留住客户。而47Lining为另一个客户实现的解决方案也用到AWS ML，帮助客户预测消费者的信用风险。Das告诉记者，多年以来，这样的应用程序对于那些负担不起“数据科学家大军”的公司来说是不能想象的，但由于云计算的按需计算模型将机器学习推向了大众化。

据Gartner Linden的说法，亚马逊的ML平台像谷歌的ML平台一样仍然缺乏企业成熟度，它需要有更好的界面、更广泛的工具集，以及更注重科学家而不是注重开发商。不过，由于AWS在云计算领域所处的位置，随着超规模的供应商之间的竞争加剧，AWS ML也是不可低估的。

Ironside的Bonnette告诉记者，AWS整体的市场份额为其提供了一个巨大的内在优势。随着企业开始将机器学习用到业务流程导向里，他们会发现，要成功地利用ML技术取决于能否在云环境中有效地积累大量颗粒类型的数据。越来越多的机构都选择将数据存在AWS上，其数量要多过其他云服务提供商。

Bonnette表示，在什么地方进行机器学习可能取决于你将数据归档和存储在什么地方。

物联网将刺激市场

据Gartner估计，基于云计算的机器学习平台目前形成了一个13亿美元的市场，每年的增长大概在15%到20%，其中云提供商所占的比例是微不足道的。

Linden表示，供应商可能在这些业务上赚不了钱，缺乏数据科学家是这项业务推广的最大阻碍。

但由于新兴用例的出现，在不太遥远的未来会出现反L型增长热潮，新兴用例包括自然语言处理、心理分析、图像识别等，值得一提的是，今年，图像识别第一次在识别手写字符能力上超过了人类。

据Linden的介绍，新兴的物联网市场会为增长添加另一个向量，“没有哪种技术能像机器学习一样无处不在，机器学习技术可以引入到各种非常广泛的应用里。”

ThirdEye的Das表示，他最近和客户讨论潜在项目时看到一些微妙的变化。“客户每每问起，机器学习已经不再是愿望清单上的一项看得见摸不着的项目，机器学习已经在驱动行动。

Das告诉记者，不久前的一个手机零售客户提出了自学转换优化器的具体要求，自学转换优化器用于帮助预测那些用户更有可能加入客户的特优服务。该转换引擎现在辅佐着一个20多个数据分析师团队，帮助他们识别客户基群，以图在未来的活动中锁定目标细分市场。该系统在重复使用后会变得越来越有效

虽然机器学习解决方案是一个重要的利润驱动器，但要获得广泛的采用需要的远不止成熟的技术和可用资源。

Ironside的Bonnette告诉记者，到最后，很多建立在机器学习平台上的应用大都需要客户方面能接受风险基线，原因是我们做的其实是试验。他表示，智能自学机器只能做出预测，不会提供具体的结果，客户需要知道“我们干的买卖并不是定数”。