如今,人工智能云服務已經成為超大規模云計算提供商的又一戰場,因為它們可以吸引數據科學家和開發人員在他們的平臺上培訓模型。

如果人工智能是IT技術的未來的話,那么云計算供應商的云服務將成為即將到來的應用浪潮的前沿和中心。

雖然行業在人工智能和機器學習(ML)方面不乏炒作,但全球主要的云計算供應商已經在這方面積累了一些經驗,并將在未來幾年為他們創造更大的業務。

亞馬遜網絡服務(AWS)、微軟、谷歌、IBM等公司在過去一年中增加了數十種云計算人工智能工具,并且具有不同程度的復雜性。這些平臺是否選用這些工作負載取決于人工智能和機器學習如何適應企業的業務戰略。盡管如此,這些云計算供應商已經急于填補他們的服務空白,并讓那些主要以機器學習為業務的企業和那些面臨壓力的、具有一定目標和策略但缺乏經驗的公司能夠接觸到人工智能。

盡管基于云計算構建的基于人工智能的應用程序有一些早期的成功案例,但大部分市場仍處于觀望狀態,特別是深度學習。調研機構Gartner公司分析師Chirag Dekate表示,企業需要對所采用的技術進行選擇,無論是從頭開始構建,還是簡單地集成一些API驅動的云服務(如語音和圖像識別)。

“企業的IT領導者已經認識到人工智能的價值。”他說,“亞馬遜、谷歌、微軟和其他公司正在對人工智能技術投入大量資金,用于內部消費和基于云計算的外部消費,因為他們知道這些高級分析功能將具有巨大的價值。”

展望未來,Dekate表示他期望這些提供商在增加人工智能云服務的功能方面更加積極。目前由于對人工智能技術不太熟悉,可能會影響云計算供應商的業務,因為他們希望爭奪客戶,特別是那些想要嘗試人工智能產品的客戶。

總部位于佛羅里達州坦帕市的移動網絡商Syniverse公司通過與VMware公司的合作將其vRealize協調的私有云擴展到IBM Cloud和AWS云平臺。該公司并未使用許多云原生服務,但將其視為平臺之間潛在的差異化因素。

“我們認為一個很有發展的領域是人工智能和基于機器學習的工具,這可以使我們能夠快速為客戶創建新的報告和分析。”Syniverse首席技術官Chris Rivera說。

從初級到高級的人工智能云服務

云計算提供商基本上在其平臺上構建了三個層次的人工智能服務。最底層的人工智能也是最復雜的,但可以提供最佳性能,位于基礎設施層。主要提供云計算的供應商支持流行的框架,如TensorFlow或Apache MXNet以及基于GPU的虛擬機,然后可以提供其他可能的服務來構建和訓練模型。

谷歌在日前推出了TensorFlow集成TPU實例類型的測試版本,該類型基于定制處理器。

第二層次的人工智能是一個為數據科學家量身打造的新興空間,但它抽象了大部分底層基礎設施,并集成了硬件配置和機器學習框架。它將人工智能更好地作為即服務類別,其中包括IBM Watson,Amazon SageMaker,Microsoft Machine Learning Studio,Google Machine Learning Engine和Google AutoML等工具。

第三層次的人工智能涉及可以集成到現有應用程序中的基于API的插件服務。這些將面向人工智能的應用新手,并且所有主要供應商都有一些提供認知、語音和圖像識別工具的服務。

Dekate說:“無論是數據科學家還是建筑師或開發人員,都試圖開發一個基于人工智能的智能應用程序,他們基本上都試圖將應用程序引入自己的生態系統。”

了解云計算人工智能的優點和缺點

然而,由于這些GPU加速節點需要更多計算能力,并且訓練模型需要大量數據進行存儲和處理,所以公共云受到了深度學習和大量用戶的限制。

“大多數組織都在試圖通過最大的資本支出來采用人工智能。”他說,“但是,如果深度學習是組織的中流砥柱的話,那么在數據中心中建設就更有意義。”

深度學習對于圖像識別和文本分析等特定需求的企業來說非常有用,但即使深度學習神經網絡的創建者也不得不承認,解決企業所面臨的更廣泛問題的人工智能并不是解決問題的靈丹妙藥。盡管在內部部署數據中心開展這項工作有一些成本優勢,但重要的是數據引力的警告。他說,如果企業的數據已經在公共云上運行,那么在云端完成這項工作會更有效,而不會產生遷移的成本。

總部位于紐約的Alpha Vertex公司在谷歌云平臺上培訓機器學習模型,并將其融入其針對金融行業的分析服務中。如果這些模型整天運行在最大的實例類型中,那么肯定會面臨成本問題,但該公司已經構建了基礎設施,以使用成本更低、規模更小的虛擬機和競價型實例。在訓練分析模型時,它還使用Kubernetes從大約20個虛擬機擴展到1000多個虛擬機,這可以避免內部資源利用不足的問題。

“采用Kubernetes,就像管理一兩個人與管理整個部門的區別。,”Alpha Vertex公司首席技術官Michael Bishop說。

企業通過內部遷移這些模型的成本效益分析,始終如一地支持將其留在云端,以保持其技術領先地位的需要。

“高端GPU的成本相當高,并且沒有一個很好的攤銷生命周期。”Bishop說,“如果企業依靠大量投入資源來采用這種技術的話,那么真的很難跟上其發展的步伐。”

Zendesk公司構建了Answer Bot,它是使用Amazon Simple Storage Service,GPU實例,TensorFlow,以及Amazon Aurora的客戶虛擬助理。這個機器人使用深度學習預測模型來識別常見問題,并更快速地回答客戶問題,并提出最佳實踐。

Answer Bot去年年底在AWS云平臺上增加了SageMaker服務,這個在抽象大部分底層基礎設施管理之前就已經問世了,但是Zendesk公司將以自2011年以來使用AWS的相同原因考慮這項服務:卸載底層IT操作,并專注于其核心業務。

“任何管理工作都不是真正的數據科學工作。” Zendesk公司技術運營副總裁Steve Loyd說,“SageMaker的承諾是它可以為用戶提供更多的圍繞TensorFlow構建的全套接口和自動化功能,并且可以讓用戶以更少的成本實現更多的目標。”

除了炒作之外,人工智能還需付出努力

Loyd表示,數據科學家不僅建立這些模型,而且還要不斷驗證。如果能夠采用工具更好地解決底層基礎設施問題,數據科學家就有更多時間調整其算法。隨著AWS公司和其他云計算提供商使他們的人工智能工具集更易于使用,機器學習的進入門檻將會繼續下降,因此從數據集中獲取數據更容易。

但即使是人工智能用戶也認為這不是萬能的,特別是因為大多數模型的功能相對簡單。許多公司確信他們需要人工智能技術,但不知道該怎么做。

“人們對于人工智能最大的誤解之一是,人工智能就像一種煉金術或是一個魔術盒,只要付出和努力,就會獲得驚人的成果。”Alpha Vertex公司的Bishop說,“但獲得高質量的結果非常困難,我認為人們不會完全理解這一點。”

盡管如此,他們警告說放棄人工智能只是因為炒作的結果與現實不符。Dekate指出,比云計算供應商的人工智能技術更重要的是,企業如何整合這些技術并加速他們自己的創新。那些成功的企業比較務實,在數據和基礎設施管理方面擁有良好的基礎。

“每個組織都將需要有一個人工智能策略,”他說,“采用機器學習和人工智能是一個長期的事情,但現在必須參與其中,這樣企業才能在競爭中領先。”