機器學習即服務

由于較高的人員、技術、基礎架構等要求，將機器學習合并到企業的系統中并不是多數公司完成的事情。但是，云計算的興起，再加上將IT工作外包給第三方供應商的能力，已經為“機器學習即服務”掃平了道路。由于大公司的幫助，“機器學習即服務”在未來的幾年勢必繼續增長。

參與者

在響應來自企業和消費者的需求時，IBM等大型技術公司已經發布了自己開源的機器學習庫，供公眾使用。但是，在發布這些庫的背后還有另一個動機。之所有發生這種開放是因為，即使最大的技術公司也難以跟上人工智能和機器學習，而且他們需要外部的幫助將這些技術向前推進。

谷歌、蘋果、亞馬遜、IBM等大公司寄予希望的不是專用的在市場上作為關鍵戰略的私有技術和機器學習庫，而是其私密數據。畢竟，如果公司擅長于收集并分析數據，就可以利用這些機器學習技術，將其與公司大量的數據集聯合起來，并使用這些數據來構建一個強大的工具，供企業和消費者使用。更好的消息是，如果你能夠將這些工具作為一種服務來提供,對消費者并沒有什么基礎架構或資源上的負擔，那么，更多人將會利用機器學習，這不僅有助于出售服務的企業，而且利于整個行業。

使用案例和好處

由于“機器學習即服務”背后的技術很容易配置且功能多樣，因而它有很多可能性，無論是語音識別，還是圖像識別或其用途，都是如此。事實上，無論是由人來監管，部分監管或完全不管，也不管是作為強化學習的一部分，機器學習發生的途徑都有很多。

此外，機器學習還可用于多種技術，其中包括分類、集群、異常檢測，或者作為“推薦引擎”的一部分，如在用戶請求時，Siri如何建議用戶特定區域中的餐館。建議是亞馬遜的“深度可擴展稀疏傳感網絡引擎(DSSTNE)”的真正主要的關注點，此引擎是作為一種開源工具發布的。由此，就可以不依賴編碼到系統中的硬規則和快速規則。

有很多不同的方法可以解析這種數據，所以機器學習和開源工具所提供的是一種創建規則自動化的框架。這并不是硬編碼的規則，因為這正是機器學習幫助我們避免的關鍵。硬編碼規則可能會說，“如果你在圖片中看到了黃色，那就是香蕉”。我們都知道，事實并非總是如此，因為這有可能是別的東西。機器學習可以使這些硬編碼規則不再是硬編碼規則。它可以使其更靈活，也更易于相互比較。使得規則不但更加精細，而且也更準確。這又使得我們回到了自動化，我們沒有必要更換工作，而是取代某些任務，從而使得雇員專注于其他的項目?！皺C器學習即服務”可以使我們不僅不必要在內部管理系統，從而充分實現其固有的成本節約，而且還可以更好地利用現有的工作團隊，也不必在每次達到性能的峰值時雇傭新人，從而節約了資金。機器學習可以使很多管理工作得到替換，從而可以使人們做一些更有意義和更有目的性的工作。

為幫助公司更好地理解“機器學習即服務”和機器學習的總體使用，我們不妨看一下谷歌和微軟是如何提供自然語音助手來捕獲信息，并通過數據集來運行和返回建議。但是，這些系統實際上能夠通過機器學習、人工智能等幾個元素的組合來與用戶會話。一旦我們將這些概念放在一起，最終目標就是使經驗對客戶或其他人更平滑和無縫。今后更多的公司將能夠利用“機器學習即服務”技術，并以獨特的方法來使其運行。

例如，“咖啡館”可能允許用戶定購商品。但是，對于機器學習，我們知道這種訂單并不合理。“來杯咖啡”，“好的，你要哪種咖啡？你要多少？你要添加什么口味呢？”機器學習使得交互更為無縫和平滑，更具有會話性，也更自然。

這是與人交互的例子。對于機器而言，列舉這些問題就更簡單了，問題可能更為具體，并且還可以說，這并不是兩臺電腦或機器或終端之間會話的終結，會話可能更具體更精細，更加人性化。