志剛
“人工智能的高速發展,其目的就是為了更好的服務其他行業,基于云計算的人工智能即服務產品正是這一目的的最好呈現。”
為了在競爭中保持領先地位,越來越多的企業正在尋求將人工智能技術整合到其應用程序、產品、服務,以及大數據分析方法中。而企業開始使用人工智能技術的最簡單和最流行的方法之一是使用基于云計算的人工智能即服務產品。
人工智能的核心是可以采用機器完成人類所做的同樣事情。例如,人工智能包含可以查看和識別圖片中物體的計算機視覺技術;它還包括使系統能夠進行正常對話的自然語言處理技術;以及允許計算機在沒有明確編程的情況下開展學習的機器學習技術。
人工智能即服務產品可以將這些類型的人工智能技術作為云計算服務提供。目前市場上的人工智能即服務產品一般分為以下幾類:
機器人和數字助理:對于很多人來說,當他們聽到“人工智能”;時,首先想到的就是蘋果的Siri,微軟的Cortana,或亞馬遜的Alexa這樣的數字助理。這些工具使用自然語言處理技術與用戶進行對話,許多工具還使用機器學習來提高他們的技能。許多企業希望為其產品和網站添加類似的功能。事實上,2017年支出最多的人工智能用例是自動化的客戶服務代理。但從頭開始創建自己的機器人對于企業是一個艱巨的任務。作為替代方案,有一些廠商提供機器人平臺即服務。而用戶利用自己的數據對機器人進行培訓,然后通過機器人回答簡單的問題,而讓工作人員從重復工作中解脫出來,可以處理更加復雜的任務。
認知計算API:應用程序編程接口(API)使開發人員可以輕松地將技術或服務集成到正在構建的應用程序或產品中。領先的云供應商都提供各種各樣的API。例如,想要制作照片共享應用程序的開發人員可能會使用面部識別API為應用程序提供識別照片中個人的功能。得益于API,開發人員無需從頭開始編寫面部識別代碼,甚至無需徹底了解它的工作原理。工作人員使用API來允許應用程序訪問云中的這種功能。API可用于各種不同的用途,包括計算機視覺、計算機語音、自然語言處理、搜索、知識映射、翻譯和情感檢測。
機器學習框架:這些工具允許開發人員創建可隨時間推移而改進的應用程序。一般來說,他們需要開發人員或數據科學家構建模型,然后使用現有數據來訓練該模型。機器學習框架在與大數據分析相關的應用程序中尤其流行,但它們也可用于創建許多其他類型的應用程序。在云端訪問這些框架比為自己的機器學習任務設置自己的硬件和軟件更容易、成本也更低。
完全托管的機器學習服務:有時候組織機構想要將機器學習功能添加到應用程序中,但是他們的開發人員或數據科學家缺乏一些必要的技能或經驗。完全托管的機器學習服務使用模板、預建模型和/或拖放式開發工具來簡化和加速使用機器學習框架的過程。
人工智能即服務將創造一種通用的人工智能,可以作為云服務進行訪問。一般的人工智能是一種能夠以與人類相同的方式思考和溝通的計算機系統。大多數專家認為,研究人員創建這樣的人工智能技術還需要多年的努力。
高級基礎設施:人工智能應用程序,特別是機器學習和深度學習應用程序,可以在具有多個并行運行工作負載的高速圖形處理單元(GPU)的服務器上執行最佳性能。但是,這些系統對于很多企業來說非常昂貴,無法為組織和用例提供更多的幫助。人工智能即服務使組織讓企業能夠以可承受的成本來應用這些超高速計算機。
低成本:人工智能即服務不僅不需要為昂貴的硬件支付費用,還可以讓組織只為他們所使用硬件支付費用。在云計算中。大多數人工智能工作負載被認為是“突發”的,也就是說.,他們需要很短的時間獲得大量的計算能力。人工智能即服務只向他們收取使用的服務費用,大大降低了成本。
可擴展性:與其他類型的云服務一樣,人工智能即服務使其非常容易擴展。組織通常從一個試點項目開始,讓他們看到人工智能如何有用。以人工智能即服務,他們可以快速將該試點項目轉化為全面生產,并隨著需求的增長而擴大規模。
可用性:一些最好的人工智能工具可用于開源許可證,雖然價格低廉,但這些開源人工智能工具并不總是很容易使用。云計算人工智能服務通常使開發人員更容易訪問人工智能功能,而無需他們成為這方面的技術專家。
人工智能即服務的兩個最大缺點也是所有云計算服務都面臨的兩個問題:安全性和合規性。
許多人工智能應用程序(尤其是結合機器學習功能的應用程序)依賴于大量的數據。如果這些數據將駐留在云中或轉移到云端,組織需要確保它們具有適當的安全措施,包括在空閑和傳輸時進行加密。
在某些情況下,法規可能會阻止某些行業的某些類型的敏感數據存儲在云中。其他法律要求某些數據仍在其所在國家的境內。在這些情況下,可能無法將人工智能用作這些特定用例的服務。
另一個潛在的缺點是人工智能即服務可能非常復雜。組織將不得不花費時間和精力來培訓或聘用具有人工智能和云計算技能的員工。然而,許多組織認為,這個障礙可以輕易克服,并且采用人工智能即服務將會得到長期的回報。(編輯/高緯時)