您当前的位置：首页 > 无限物联

IBM、Google、Microsoft和Amazon这些巨头们如何在云上进行机器学习

2017-03-09 09:29:21

任何1个云都要被认真对待，以满足不断上升的功能。机器学习仿佛是功能名单之上，由于它现在是所有主要云供应商的特点。

但是他们怎样做就是另外1件事了。除“curated API vs. open-ended algorithm marketplace”模型，他们还有“everything and then some vs. just enough”变式。下面是4大云提供商——IBM、Google、Microsoft和Amazon在机器学习领域上相互之间的积累。

IBM：由Watson掌舵控制转向

当IBM首次宣布将把Waston AI系统变成1个可消费的服务的时候，问题就出现了。那会是甚么模样？它将如何使用？最重要的是，它会给IBM提供多少支持，让其成为1个云巨头？

两年以后，IBM已在其BluemixPaaS上推出1系列基于机器学习的服务，例如天气预报、系统分析语言、图象辨认、语言翻译、情绪和腔调分析等等。

所有公司都在云计算上提供某种机器智能，而IBM的名单是最具有野心的。更重要的是IBM1直在用既高大上又接地气的工具补充自己的实力，主要包括分析和报告（日渐成长的Waston仿佛也是IBM许多跨领域战略收购的背后动力，例如天气、医疗等等）。

问题不是Waston是不是会真正推出相应的功能，随着时间的推移，他们很有可能这样做，但是在1定范围内他们将孤注1掷。从目前看来，固定下来的有Spark服务（或它的新的AWS Lambda-like服务和OpenWhisk），由于它更容易赚钱。

1些组织已开始把Watson的分析服务创造性的加以利用，虽然IBM认为它能成长为1年1百亿的业务，但是Waston的收入到目前为止还不足以抵消IBM的收入下滑。

Mircrosoft：和你1起建造

IBM有Watson，Microsoft则提供了Project Oxford，1组策划高级APIs来覆盖机器视觉、语音辨认和语音分析。这个APIs的功能不像Watson覆盖那末广泛（让我们面对现实，How-old.net的确不像Watson那末有趣，由于Watson玩的是“危险”），但是Microsoft的意图和IBM是1样的：1套利用机器学习的专门的APIs。

AzureMachine Learning Studio多是Microsoft的机器学习野心中更重要的1部份。在那里，人们可以带上自己的数据，训练机器学习模型，然后通过REST接口作为1个API重新同享模型。IBM在Bluemix上也有类似的PredictiveAnalytics服务，但是Microsoft的工作室已存在很长时间，并且有更通用的感觉。

Microsoft和IBM在试图创建两种不同的机器学习服务。1个闭门造车，策划数据设置和调剂行动（WatsonAPIs和 Project Oxford）。而另外1个平台是这类新的机器学习服务可建，同享乃至是货币化（Azure Machine Learning Studio和 PredictiveAnalytics）

但是Microsoft和IBM最大的区分不是在服务，而是动机。Microsoft通过以云为核心的面向未来的尝试，已辅助其他成功的业务部门，例如游戏。所以Microsoft并没有感觉到和IBM一样程度的生存压力。但这其实不意味着Microsoft不能感知到它必须走哪条路。

　Amazon和Google，极简主义者

如果Google特别是Amazon有1个指点他们使用云计算的原则，那就是“少即是多”。或许更好的说法是“恰好足够就够了”，两家公司都提供基于云计算的机器学习服务的方式。

以Google的情况，Google Cloud Platform目前仅提供两种类似于这样的服务：Google Translate和Google Prediction API。前者完全是有Google保护的独有API，后者，虽然有1个谦逊的名字，却是1个广泛的包容性服务，允许用户在MicrosoftAzureMachine Learning Studio上传数据和训练模型（数据可以从Google services导出，例如GoogleBigQuery）。

Amazon Machine Learning类似于Google Prediction API，模型可以对数据进行训练并且用于做出预测。故意简化服务，只是为了吸引那些想要解决1个特定、狭窄问题的开发人员，或由于Amazon想先试试市场的水。

以Amazon和Google的情况，他们的目标是开发人员、狭义的需求和那些已在云上的数据，这些“恰好足够”的模型。IBM 和Microsoft的目标是更广泛的领域，但是IBM努力的想要提供最多，也有可能失去最多。

TAG：