在云端的優秀機器學習服務
云中的一些優秀機器學習服務可以使用戶能夠更好地分析數據，并獲得新的見解。用戶通過云計算訪問這些服務在成本和工作時間方面往往是高效的。
機器學習(ML)是人工智能(AI)的子集，它試圖以幾種不同的方式從數據集“學習”，其中包括監督學習和無監督學習。有許多可用于機器學習的不同技術，例如各種商業工具以及開源框架。
盡管組織可以選擇在本地部署機器學習框架，但這通常是一項復雜且占用大量資源的工作。機器學習得益于專用硬件，包括推理芯片和優化的GPU。機器學習框架通常也很難正確部署和配置。技術復雜性導致了云平臺機器學習服務的興起，該服務提供了正確的硬件和優化配置的軟件，使組織可以輕松地開始使用機器學習。
主要特征
大多數機器學習的云計算服務都包含幾個關鍵功能：
- AutoML——自動化的機器學習功能自動幫助構建正確的模型。
- 機器學習工作室——工作室的概念就是提供一個可以構建機器學習模型和數據建模方案的開發人員環境。
- 開源框架支持——支持現有框架(如TensorFlow、MXNet和Caffe)的能力非常重要，因為它有助于實現模型的可遷移性。
如何選擇
在評估云端機器學習服務的不同選項時，需要考慮以下條件：
- 現有服務——每個主要的公共云提供商都擁有自己的機器學習服務。通常，用戶堅持使用數據已經存在的同一平臺通常是一個容易的選擇。
- 數據訪問——提取數據或從任何所需來源中提取數據集的能力是重要的考慮因素，否則只是簡單地移動數據就會浪費大量時間。
- 工作流建模——機器學習可能是一項復雜的活動，因此，最好確保有易于使用的工作流建模功能。
以下優秀公司列表將重點介紹提供云計算優秀機器學習服務的供應商。
1.阿里巴巴
對于潛在買家的價值主張：對于那些有機器學習需求的用戶來說，阿里巴巴公共云是一個不錯的選擇，因為其數據集遍布全球，尤其是在亞洲，阿里巴巴是一家領先的云計算服務商。
關鍵價值/區別
- 阿里巴巴的主要區別在于其PAI Studio工具，該工具集成了用于數據預處理、功能工程和統計分析的預構建模塊。
- 使用AutoML進行自動參數調整是一項強大的功能，可幫助用戶自動微調算法以獲得所需的結果。
- 可視界面可以幫助用戶以拖放方式設置機器學習工作流程。
- 支持多種常見的機器學習框架，其中包括TensorFlow、MXNet和Caffe
2.亞馬遜網絡服務(AWS)
對于潛在購買者的價值主張：AWS公司擁有當今云中最廣泛的機器學習服務，其SageMaker產品組合具有領先地位，其中包括在云平臺中構建、訓練和部署模型的功能。
關鍵價值/區別
SageMaker是AWS公司的完全托管產品，具有多種服務，其中包括：
- Ground Truth——用于構建和管理培訓數據集
- Studio——機器學習的完整集成開發環境
- Autopilot——用于自動構建和訓練模型
- 模型調整——用于參數優化
- AWS公司的主要區別在于SageMaker服務與記事本的可擴展性，使用戶可以在機器學習模型上共享和協作。此外，AWS市場還提供了第三方預構建的算法和模型供用戶使用。
- 支持的框架包括TensorFlow、PyTorch、Apache MXNet、Chainer、Keras、Gluon、Horovod、Scikit-learn和Deep Graph Library。
3.谷歌云
對潛在購買者的價值主張：谷歌云的機器學習服務集也在不斷擴展和增長，針對特定用例的通用服務和針對特定目的而構建的服務。
關鍵價值/區別
- 云中谷歌云機器學習服務的核心元素是Cloud AutoML套件，該套件旨在輕松幫助用戶開始構建和部署模型。
- 使機器學習更容易也是人工智能集線器的目標，該集線器具有組件開發人員可以用來構建模型的存儲庫。
- 人工智能或機器學習模型僅取決于其所基于的數據，這就是谷歌公司提供的人工智能平臺數據標簽服務如此有用，有助于正確準備和識別用于機器學習的正確數據的原因。
- 關鍵區別在于視覺人工智能和視頻人工智能，它們是用于視頻和音頻數據的重點工具。
4.IBM Watson
對潛在購買者的價值主張：IBM Watson機器學習使用戶可以在任何云平臺或僅在IBM Cloud上運行模型。
關鍵價值/區別
- IBM Watson機器學習的一個關鍵區別是本地組件，該組件使用戶可以首先在本地構建模型，然后使用該模型在任何云上運行。
- 在IBM 云平臺上，對Watson機器學習進行了全面管理，包括用于構建和部署模型的Watson Studio開發人員環境。
- 僅運行模型是不夠的，監視和衡量結果也很重要，這是IBM Watson OpenScale服務與IBM 云平臺配合的地方，為人工智能提供了治理和監視模型。
- IBM云平臺上的GPU加速的機器學習培訓支持Keras、PyTorch、Tensorflow和Caffe框架。
5.微軟Azure
對潛在買家的價值主張：對于已經采用Microsoft Azure云平臺的組織，Azure機器學習非常適合，它提供了一個用于訓練、部署和管理機器學習模型的云計算環境。
關鍵價值/區別
- Azure機器學習的主要區別在于服務的直觀拖放設計器，用于構建機器學習模型。
- 微軟公司在其平臺上采用了MLOps的概念，提供了一種DevOps風格的方法來構建和管理機器學習管道和工作流。
- Azure機器學習的另一個優勢領域是服務集成的安全性和治理控制，可以幫助使機器學習工作與合規性工作以及身份和隱私控制保持一致。
- 支持多種開源框架，包括PyTorch、TensorFlow、Kera和scikit-learn。
6.Oracle
對潛在買家的價值主張：對于已經使用Oracle Cloud應用程序的組織來說，Oracle機器學習是一個有用的工具，可以幫助構建數據挖掘記事本。
關鍵價值/區別
- Oracle機器學習(OML)包括多項服務，例如OML筆記本、OML微服務、OML4SQL以及Oracle Data Miner。
- Oracle機器學習服務的一項關鍵功能是集成的協作功能，可幫助用戶一起工作。
- OML服務與包括公司同名數據庫的Oracle應用程序很好地集成在一起。
7.Salesforce Einstein
對潛在購買者的價值主張：Salesforce Einstein是一個專用的機器學習平臺，與Salesforce平臺緊密集成。
關鍵價值/區別
- Salesforce Einstein的主要目的是幫助Salesforce的用戶從他們自己的數據中獲得更好的見解。
- 除了僅與現有Salesforce應用程序一起使用外，Einstein還可以用于構建從Saleforce應用程序云平臺交付的人工智能驅動的應用程序。
- Einstein Discovery是核心的機器學習服務，還可用于在Salesforce之外的數據中查找見解和模式。
