AWS, Google Cloud, and Azure Compared
in Under 5 Minutes
 |
八場精彩論壇發表，請用智慧手機掃描邀請函 QR Code 登錄參觀卷及報名
|
 |
| Nx 雲端影像平台解決方案 |
leiphone 作者：雷锋字幕组
本文為雷鋒字幕組編譯的技術博客，原標題 Comparing Machine Learning as a Service: Amazon, Microsoft Azure, Google Cloud AI，作者為Altexsoft。
翻譯 | 彭珍 陳明霏 整理 | 凡江
對於大多數的公司來說，機器學習似乎接近於火箭科學，看起來昂貴而且需要人才。而且，如果你的目標是構建另一個Netflix推薦系統，那確實是。但是，一切即服務的趨勢，也影響了這個複雜的領域。
你可以在沒有太多投資的情況下，啓動機器學習計劃，如果你是數據科學的新手，並且希望抓住成果，這會是正確的舉措。
機器學習最鼓舞人心的故事之一，是關於一個日本農民的，他決定用自動給黃瓜分類的方法，來幫助他的父母，做這項艱苦的工作。與大量關於大型企業的故事不同的是，他既沒有機器學習的專業知識，也沒有大的預算。但是他確實設法掌握了TensorFlow，並且運用深度學習，來辨識不同類別的黃瓜。
透過使用機器學習雲服務，你可以開始構建你的第一個工作模型，從相對較小的團隊預測中，來產出有價值的見解。我們已經討論了機器學習策略。現在讓我們一起看看市場上，最好的機器學習平台，並考慮一些基礎設施決策。
什麼是服務型導向的機器學習
服務型導向的機器學習（MLaaS) ，是自動化和半自動化雲平台的一個概括性定義，這個雲平台涵蓋了大多數的基礎設施，例如數據預處理、模型訓練、模型評估、以及進一步的預測。預測結果可以透過REST API，與你的內部IT基礎設施進行銜接。
亞馬遜機器學習服務、Azure機器學習和谷歌雲AI，是三個領先的雲MLaaS服務，允許在只有少量，或者沒有數據科學專業知識的情況下，進行快速模型訓練和部署。如果用可用的軟體工程師，來組建一支本土化的數據科學團隊，就應該首先考慮這些問題。來看看我們的數據科學團隊結構的故事，以便於更好地瞭解角色分配。
在本篇文章中，我們將首先概述亞馬遜、谷歌和微軟的主要服務型導向的機器學習平台，然後比較這些供應商所支持的機器學習API。請注意，本概述並非旨在提供有關何時，和如何使用這些平台的詳盡指南，而是在開始閱讀文檔之前，需要查找的內容。
用於自定義預測分析任務的機器學習服務
Azure 機器學習工作室擁有最全面的服務；然而，如果你的任務需要用到深度神經網路，我們還推薦查看亞馬遜的SageMaker，和谷歌的機器學習引擎。
亞馬遜機器學習的預測性分析
亞馬遜機器學習服務，有兩個層面：亞馬遜機器學習的預測性分析，和數據科學家的SageMaker工具。
同於預測性分析的亞馬遜機器學習，是市場上最自動化的解決方案之一，最適合於對截止時間敏感的操作。該服務可以載入多個來源的數據，包括亞馬遜RDS，亞馬遜Redshift，CSV文件等等。
所有的數據預處理操作，都是自動執行的：該服務區標識出哪些字段是分類的，哪些是數字的，並且不會要求用戶選擇，進一步數據預處理的方法（降維和白化）。
亞馬遜機器學習的預測能力，受限於三種選擇：二元分類、多類分類和回歸。也就是說，亞馬遜的機器學習服務，不支持任何無監督的學習方法，用戶必須選擇一個目標變量，並在訓練集中標注它。此外，用戶不需要瞭解任何機器學習方法，因為亞馬遜會在查看提供的數據後，會自動選擇它們。
這種高度自動化水平，既是亞馬遜機器學習使用的優勢，也是劣勢。如果你需要一個全自動但有限的解決方案，這項服務會符合你的預期。如果不是，那就選擇SageMaker。
亞馬遜SageMaker和基於框架的服務
SageMaker是一個機器學習環境，透過提供庫快速建模，和部署的工具，來簡化同行數據科學家的工作。例如，它提供Jupyter，一款創作筆記本，來簡化數據探索和分析，無需服務器管理的麻煩。亞馬遜也有內置算法，針對分布式系統中的大型數據集，和計算進行了優化。這些優化包括：
‧ 線性學習器，一種用於分類和回歸的監督方法
‧ 因子分解機，用於稀疏數據集的分類和回歸
‧ XGBoost 是一個監督提升樹算法，透過結合簡單的預測算法來提升在分類、回歸和排序中的預測準確率
‧ 基於ResNet的圖像分類，也能應用於遷移學習
‧ Seq2seq是一種預測序列的監督式算法（例如，翻譯句子，將單詞串轉化為更短的摘要等）
‧ K-means是一種用於聚類任務的無監督學習方法
‧ 主要成分分析用於降維
‧ 主題模型是一種用於在文檔中，查找分類的無監督方法
‧ 神經主題模型（NTM）是一種無監督方法，用於探索文檔、揭示排名靠前的單詞和定義主題（用戶不能預定義主題，但是他們可以設置預期主題的數量）
內置的SageMaker方法，與亞馬遜建議的機器學習API，在很大程度上相交，但它允許數據科學家參與進來，並使用他們自己的數據集。
如果你不想使用這些，你可以透過SageMaker，利用其部署功能，來添加你自己方法並運行模型。或者你可以將SageMaker與TensorFlow，以及MXNeT深度學習庫進行整合。
總的來說，亞馬遜機器學習服務，能為經驗豐富的數據科學家，和那些只需要完成工作，不需要深入數據集準備和建模的人來說，提供了足夠的自由。
這對那些使用了亞馬遜環境，並且不打算轉移到另一家雲提供商的公司來說，這將會是一個不二之選。
微軟Azure機器學習工作室
Azure機器學習旨在為新手和經驗豐富的數據科學家，提供一個強大的操作環境。微軟的機器學習產品名單，與亞馬遜的類似，但是就當前而言，Azure在開箱即用的算法方面，顯得更加靈活。
Azure提供的服務，可以分為兩個主要類型：Azure機器學習工作室，和機器人服務。讓我們瞭解下Azure機器學習工作室的內幕。我們將會在講專用於特定API，和工具的部門回到機器人服務。
機器學習工作室是主要的服務型導向機器學習軟體包。在Azure機器學習工作室上的幾乎所有操作，都必須手動完成。這些操作包括數據探索、預處理、選擇方法和驗證建模結果。
使用Azure接近機器學習，需要一些學習曲線。但最終會導致對該領域主要技術的更深入理解。另一方面，Azure機器學習支持圖形化介面，以可視化工作流中的每個步驟。或許使用Azure的主要優點，在於可以使用各種算法。
工作室支持近100種方法來處理分類（二元+多類）、異常檢測、回歸、推薦和文本分析。值得一提的是這個平台擁有一種聚類算法（K-means）。
Azure機器學習的另一大部分，是Cortana Intelligence Gallery。它是由社區提供的機器學習解決方案集合，提供給數據科學家，進行探索和再利用。Azure的產品是入門機器學習，並將其能力介紹給新員工的強大工具。
谷歌預測API
谷歌在兩個層面提供AI服務：為精明的數據科學家，提供的機器學習引擎，和高度自動化的谷歌預測API。不幸的是，谷歌預測API最近已被棄用，谷歌將在2018年4月30日停止這一服務。
注定失敗的預測API與亞馬遜的機器學習很像。它的簡約方法縮小到解決兩個主要問題：分類（二元和多類）和回歸。訓練好的模型，可以透過REST API接口進行部署。
谷歌並沒有公佈會使用哪種算法來繪製預測，也不允許工程師自定義模型。另一方面，谷歌的環境最適合在緊迫的期限內，進行機器學習，並推出早期的機器學習計劃。但似乎產品並不如谷歌預期的那樣受歡迎。很遺憾的是，正如臨終常見問題解答中所建議的，使用預測性API將不得不使用其他平台，來「重建現有模型」。
那麼，接下來會是什麼呢？
谷歌雲機器學習引擎
預測API的高度自動化，是以靈活性為代價的。谷歌的機器學習引擎則截然相反。它迎合有經驗的數據科學家，它非常靈活，並建議將TensorFlow的雲端基礎架構，來作為機器學習的驅動程序。那麼，機器學習引擎原則上與SageMaker非常相似。
TensorFlow是谷歌的另一款產品，它是一個開源的機器學習庫，包括各種各樣的數據科學工具，而不是服務型導向的機器學習。它沒有可視化介面，並且TensorFlow的學習曲線，也會十分陡峭。然而，這個庫的目標人群，是那些計劃轉行到數據科學的軟體工程師。TensorFlow十分強大，但主要針對深度神經網路任務。
基本上，TensorFlow與谷歌雲服務的結合表明，基礎架構即服務，和平台即服務的解決方案，取決於三層模型的雲服務。我們在關於數位化轉型的白皮書中，討論了這個概念。如果你不瞭解，那就看一看。
為了總結服務型導向的機器學習平台，似乎Azure當前在服務型導向的機器學習的市場上，擁有功能最多的工具集。它涵蓋了大多數的機器學習相關任務，為構建自定義模型，提供了可視化介面，為那些不願徒手處理數據科學的人，提供了一組可靠的API。但是，它在亞馬遜上仍缺乏自動化的能力。
比較亞馬遜、微軟和谷歌的機器學習API
除了成熟的平台，你可以使用高級API。這些會提供底層訓練好的模型服務，你可以輸入數據然後獲取結果。API完全不需要機器學習的專業知識。目前，這三家供應商的API大致可以分為三大類：
1）文本辨識、翻譯和文本分析
2）圖像+影像辨識和相關分析
3）其他，包括特定的未分類服務
微軟提供了最豐富的功能列表。但是，所有供應商都提供最重要的功能。
語音和文本處理API：亞馬遜
亞馬遜針對文本分析中的常見任務，提供了多種API。就機器學習而言，這些是高度自動化的，僅需要適當的整合就可以工作。
這個API可以辨識書面和口頭文本，Lex接口允許你將已辨識的輸入連接到各種後端解決方案。顯然，亞馬遜鼓勵使用它的Lambda雲環境。那麼，在訂閱Lex之前，也需要熟悉Lambda。除了獨立的應用程序，Lex目前支持為 Facebook Messenger、Slack和Twilio部署聊天機器人。
亞馬遜Transcribe。雖然Lex是一個以聊天機器人為導向的複雜工具，Transcribe僅僅是為了辨識口頭文本而生。該工具可以識別多個說話者，並且在低品質的電話音訊中起作用。這使得這個API成為編目音訊檔案的一種解決方案，或者為呼叫中心數據的進一步文本分析，提供良好的支持亞馬遜Polly。
Polly服務與Lex相反。它將文本轉換成語音，讓你的聊天機器人用語音來回覆。它不會創作文本，只是讓文本聽起來更接近於人。如果你體驗過Alexa，那麼你就能明白。目前，它支持25種語言的女聲和男聲，大部分是英語和西歐語言。一些語言還有多個女聲和男聲，所以就有多種選擇。Polly推薦與Lambda一起使用。
亞馬遜 Comprehend。與Lex和Transcribe不同，Comprehend是另一組NLP的APL，針對不同的文本分析任務。目前，Comprehend支持：
‧實體提取（辨識名稱、日期、組織等）
‧關鍵短語檢測
‧語言辨識
‧情緒分析（正面、中立、負面的文本是怎樣的）
‧主題模型（透過分析關鍵詞定義主要主題）
這項服務可以幫助你，分析社交媒體的反應、評論和其他不適合手動分析的大量文本數據美麗如，Comprehend和Transcribe 的組合將有助於你分析你的以電話為主的客戶服務中的情緒。
亞馬遜 Translate。正如名字所示，Translate服務翻譯文本。亞馬遜聲稱它使用的是神經網絡，相比於基於規則的翻譯方法，神經網絡方法提供更好的翻譯質量。不幸的是，當前的版本僅支持六種語言翻譯成英語，以及由英語翻譯成這六種語言。這些語言是阿拉伯語、中文、法語、德語、葡萄牙語和西班牙語。
語音、文字處理應用程序接口： 微軟 Azure 認知服務
像亞馬遜一樣, 微軟開發出的高級應用程序接口—— 認知服務，能與你的基礎開發環境兼容，非數據科學方面的專業人士也可以使用它進行工作。
語音。語音設置包含了四個應用程序接口，將不同的自然語言處理方法應用於自然語言識別以及其他操作：
‧翻譯語音接口
‧將語音轉變為文字以及將文字轉變為語音的必應語音接口
‧執行聲音覈實任務的發音主體識別接口
‧基於自己的數據和模型應用Azure自然語言處理能力的定制語音服務
語言。接口的語言組主要類似於Amazon Comprehend進行文本分析
‧語言理解智能服務是一個用於分析文本中指令語句意圖的接口 （例如 「運行YouTube應用程序」或者 「打開起居室的燈」)
‧用於情感分析和主題歸納的文本分析接口
‧必應拼寫檢查
‧文本翻譯接口
‧用於估計詞語組合的概率並支持單詞自動結束的網路語言模型接口
‧用於拆分句子、詞性標注以及將文本分為標記好的詞組的語言分析接口
語音、文本處理應用程序接口：谷歌雲服務
雖然這種接口主要綜合了亞馬遜和微軟Azure開發的功能, 但是它也有一些有趣、特別的亮點值得一看Dialogflow。隨著多樣的聊天機器人越來越流行，谷歌也開發出了一些產品。Dialogflow通過自然語言處理技術來支持運行，目標功能為解析文本的意圖並說明文本主體人的意願。可以根據需要使用Java、Node.js和 Python語言對這個接口進行修改和定制。
自然語言雲處理接口。這個接口在內核特徵上幾乎與亞馬遜的Amazon Comprehend和微軟的Language相同。
‧ 定義文本實體
‧ 情感辨識
‧ 分析句法結構
‧ 主題分類(例如食物、新聞、電子等）
雲語音接口。該服務用於自然語音辨識，可能與類似接口相比，最顯著的優勢是谷歌豐富的語言庫。當前，語音雲的詞彙，可覆蓋超過110種全球性語言，及其變體語言。它也有一些其他特徵：
‧具有客製化辨識特定可口頭表達的的文本，及單詞功能的單詞提示（例如，為了更好地理解本地土話或者行話）
‧過濾不合適的內容
‧處理噪音
雲翻譯接口。總之，你可以用這個接口，來在自己的產品上使用谷歌翻譯。它支持超過一百種語言，具有語種自動辨識功能。
除了文本和語音，亞馬遜、微軟和谷歌還開發了應用於圖像、影像分析的多功能接口。
雖然圖像分析與影像分析接口，有許多交叉之處，但是許多視訊工具仍在發展，或處於良好的版本中。例如，谷歌對多種圖像處理任務可提供許多支持，但是明顯缺乏一些，微軟和亞馬遜已能實現的影像分析特徵功能。
微軟看似是贏家，雖然我們仍認為亞馬遜有最高效的影像分析接口，如亞馬遜可支持流媒體處理。這個特徵功能顯然拓寬了影像分析技術的應用面。
圖像和影像處理應用程序接口：亞馬遜 Rekognition
我們絕對沒有拼錯單詞。Rekognition應用程序接口，是用於圖像辨識，以及最近的影像辨識任務。包括：
‧圖像目標檢測以及分類（發現並檢測圖像中的不同目標對象，並且進行定位）
‧在影片中，該接口能檢測一般活動（比如「跳舞」）或者複雜活動（如「撲火」）
‧臉部辨識 (用於檢測臉部並進行匹配) 以及臉部分析(這個接口有些非常有意思的功能，比如檢測笑臉、分析眼睛，甚至看可以定義影片中的情感情緒
‧檢測不合適的影片
‧辨識圖像和影片中的名人 (無論出於何種目的）
圖像與影像處理應用程序接口： 微軟 Azure 認知服務
微軟的圖像包結合了針對不同種類圖像、影像和文本分析的六個應用程序接口
‧可辨識目標對象、行為（如走路），以及定義圖像主顏色特徵的電腦視覺
‧可檢測圖像、文本、影片中不合適內容的內容評分機制
‧臉部應用程序接口用於檢測臉部，並集中檢測結果，進行年齡、情緒、姿勢、笑容和臉部毛髮的辨識定義
‧情緒應用程序接口，是可描繪臉部表情的另一個臉部辨識工具
‧客製化視覺服務支持用自己的數據，建構客製化圖像辨識模型
‧影像索引器是一個可在影片中尋找人物、定義語音情感，以及圈出關鍵詞的工具
圖像和影像處理應用程序接口： 谷歌雲服務
雲視覺應用程序接口。該工具被用於圖像辨識任務，並非常擅長查找特定的圖像屬性：
‧ 標記對象
‧ 檢測臉部並分析表情
‧ 發現地標並描繪場景（如度假，婚禮等）
‧ 發現圖像中的文本並辨識文本語言
‧ 主顏色特徵
雲影像智慧。該谷歌的影像辨識應用程序接口，處於發展的早期，因此它缺少許多亞馬遜Rekognition，和微軟認知服務的特徵功能。現在該接口提供以下工具箱：
‧ 標記對象並定義行為
‧ 精確辨識內容
‧ 轉錄語音
雖然從特徵表級別上來說，谷歌人工智慧服務，也許缺少一些功能，但是谷歌應用程序接口的優勢力量，在於谷歌握有的大數據集。
特種應用程序接口與工具
在這裡，我們將討論微軟和谷歌，開發的特種應用程序接口產品及工具。由於亞馬遜僅有上文提到的幾種，用於文本分析，和圖像/影像分析的應用程序接口產品，我們這裡的討論不包括亞馬遜。但是，這些特種應用程序接口，擁有的一些功能也被亞馬遜的某些產品擁有。
Azure 服務機器人框架。微軟做了大量努力，為其用戶提供靈活的機器人開發工具。總而言之，該服務包含一個可使用不同編程語言搭建、測試、部署機器人的全面環境。
有意思的是，該機器人服務不一定需要應用機器學習的方法。比如微軟開發了五個版本的機器人（基礎版、成型版、語言理解型、主動式，以及問答機器人），只有語言理解型機器人，需要應用高級人工智慧技術。
現在，你可以使用.NET和Node.js技術，來透過Azure搭建機器人，並在以下平台和技術服務中部署它們：
‧ 必應
‧ 微軟小娜
‧ Skype
‧ 微信
‧ Office 365 郵箱
‧ GroupMe
‧ Facebook 信使
‧ Slack
‧ Kik
‧ Telegram
‧ Twilio
微軟必應搜索。微軟開發了7個，與必應搜索特徵功能，相連的應用程序接口，包括自動提示、新聞、圖像和影像搜索接口微軟Knowledge。該應用程序接口群，將文本分析，與各種各樣的特別任務相結合：
‧推薦應用程序接口，能用於搭建個性化消費推薦系統
‧知識搜索服務，讓你輸入自然問題，從而在數據庫中，檢索相應數據、可視化數據並自動補全提問
‧實體連接智慧接口，用來突出可表示正確實體的名字和短語（例如探索的時代），並且確保消除模稜兩可的情況
‧學術知識應用程序接口，可進行單詞自動補全、尋找文件單詞和概念上的相似處，並且在文件中搜索圖表部分
‧問答者接口可以被用於對應，多樣的問題與對應的答案，從而可以被用於建構客戶服務聊天機器人和應用
‧客製化決策服務，是一個強化學習工具，用於根據用戶的喜好特別客製化不同種類的內容，並將它們排序（例如鏈接、廣告等）
谷歌雲職位搜索。該應用程序接口仍處於發展階段早期，但不久就可能顛覆，如今我們擁有的職位搜索能力。不像依賴於精確關鍵字比對的傳統職位搜索引擎，谷歌應用機器學習方法，來尋找高度多樣的職位描述，與避免模糊之間的聯繫。
例如，它致力於減少不相關，或者過於寬泛的返回結果，比如對「銷售助理」的搜索詢問，返回所有關鍵字帶「助理」的職位。這個接口有哪些主要的特徵功能呢？
‧修正職位搜索詢問中的拼寫錯誤
‧比對所需的資歷水平
‧尋找可能有多樣描述方式，以及行業行話的相關職業（如對於「服務員」這一搜索詢問，而不是「網路專家」的詢問返回「咖啡館咖啡師」結果；或者對「業務開發」搜索詢問返回「營運專家」）
‧處理縮略詞（例如對「HR「搜索詢問返回「人力資源部助理」搜索結果）
‧比對多樣的地點描述
IBM 沃森以及其他
三個平台都在拿出一份非常詳盡的文件，來起動機器學習試驗，以及在公司的基礎設備上，部署訓練好的模型之前，就被提出了。也有大量來自創業的，其他服務型導向的機器學習的解決方案，為數據科學家所尊敬，比如PredicSis和BigML。
但是IBM沃森分析是什麼情況呢？
以商業預測為目標功能的IBM 沃森分析，現在還不是一個羽翼豐滿的機器學習平台。當前，沃森的主打是數據可視化，以及描繪不同的價值如何相互作用。
它也有與谷歌提供的相似的視覺識別服務，以及一串其他認知服務（應用程序接口）。當前沃森的問題是系統執行的是狹隘、相對簡單，並易於被非專業人士操作的任務。當涉及到客製化機器學習，或者預測的職責時，處於發展階段太早期的IBM沃森就難以駕馭了。
數據儲存
透過機器學習，找到正確的儲存來收集數據，以及進一步處理數據，已經不再是個重大挑戰，數據科學家有足夠的學識，來實施流行的儲存解決方案。
在大部分情況下，機器學習要求SQL和NoSQL兩個數據庫結構支持，這兩個數據庫可被許多已建立的、值得信賴的解決方案支持，比如Hadoop Distributed File System (HDFS)、Cassandra、Amazon S3和Redshift。
對於在開始機器學習之前，使用強有力的儲存系統的組織來說，這將不會是個障礙。如果你計劃做一些服務型導向的機器學習系統，最直接的方法，就是選擇可用於儲存和機器學習兩者的供主，這將減少配置數據源的時間消耗。
然而，這些平台中有一些很容易與其他儲存相融合。比如Azure機器學習，主要與其他微軟產品相融(Azure SQL， Azure 表格， Azure Blob) ，但是也支持Hadoop ，以及大量其他數據資源的選擇。
這些包含直接從桌面上傳數據，或者部署服務器的功能。如果你的機器學習工作流程多樣化，並且數據來自多種資源，也許會面臨更大的挑戰。
建模與計算
我們討論過，主要提供計算力的服務型導向的，機器學習解決方案。但是如果機器學習工作流程，在內部進行，計算挑戰將會遲早敲響鐘聲。
在大部分情況下，機器學習需要大量的計算力。即使忽略大數據時代已經到來的事實，數據集(做一個策劃的子集) 仍是一個相關實踐。雖然模型原型可以在筆電中完成構建，但是使用一個大數據集訓練複雜模型，需要投入更多強有力的硬體。
數據處理也是如此，它可以在正規的辦公設備上，佔用幾天時間，在快到截止日期時 ——有時候模型需要每周或每天修改、重新訓練——這顯然不是一種合理選擇。有三種可行方案來保持高效表現：
1）加速硬體。如果你做的是相對簡單的任務，並且不用將模型應用到大數據中，那麼針對這些任務，使用固態硬碟作為數據準備，或者使用分析軟體。計算集中處理能被放置在一個，或幾個圖形處理單元 (GPUs)上執行。大量可獲得的庫能讓GPUs 的處理模型，能被用像Python一樣的高級語言編寫。
2）採用分布式計算。分布式計算指使用多台機器處理，分別切分之後的任務。然而，這個方法不能適用於所有的機器學習方法。
3）使用雲計算的可擴展性。如果你的模型在處理，有集中高峰時段的顧客相關的數據，雲計算服務將具有急速可擴展性。對於要求擁有其內部數據的公司，值得考慮架構私有雲設施 。
下一步計劃
我們很容易在大量可獲得的解決方案中迷失。 它們算法不同、要求的技術不同，最終他們做的任務也不同。此情況對於這個年輕的市場非常普遍，甚至我們之前談論的三大領先解決方案，並沒有產生完全的相互競爭關係。不僅如此，變化的速度是非常快的。有很大可能你堅守一個供應商，然後突然另一個供應商，意外跳出來滿足你的商業需求。
正確的做法是盡早明瞭，你打算透過機器學習獲得什麼。這並不容易。如果你缺乏數據科學或相關領域專業知識，在數據科學與商業價值中，搭一座連接橋是非常困難的。
我們在AltexSoft 與客戶討論機器學習應用時，經常遇到這樣的問題。這通常是一個一般問題，化為單一屬性的問題。無論是價格預測，還是其他數值，確定對象的類別，還是將對象分散成多個組， 一旦你找到這個單一屬性，確定供應商和選擇提議內容將會簡單一些。
DCVC創立合伙人，Bradford Cross，認為服務型導向的機器學習，不是一種可行的商業模式。據他所說，服務型導向的機器學習，落入了傾向使用開源產品的數據科學家，與傾向購買能解決更高級任務工具的，高管之間的差異鴻溝中。
然而，這個行業似乎現在還在克服，它長期以來存在的問題，最終我們將看到更多的公司，透過轉向服務型導向的機器學習方向，來避免昂貴的人才收錄，並同時擁有多功能的數據處理工具。
部落格原址：
https://www.altexsoft.com/blog/datascience/comparing-machine-learning-as-a-service-amazon-microsoft-azure-google-cloud-ai/
 |
| 今年的智慧城市展，有什麼看頭…… |
沒有留言:
張貼留言