论文部分内容阅读
“人工智能的高速發展，其目的就是为了更好的服务其他行业，基于云计算的人工智能即服务产品正是这一目的的最好呈现。”
为了在竞争中保持领先地位，越来越多的企业正在寻求将人工智能技术整合到其应用程序、产品、服务，以及大数据分析方法中。而企业开始使用人工智能技术的最简单和最流行的方法之一是使用基于云计算的人工智能即服务产品。
人工智能的核心是可以采用机器完成人类所做的同样事情。例如，人工智能包含可以查看和识别图片中物体的计算机视觉技术；它还包括使系统能够进行正常对话的自然语言处理技术；以及允许计算机在没有明确编程的情况下开展学习的机器学习技术。
人工智能即服务产品可以将这些类型的人工智能技术作为云计算服务提供。目前市场上的人工智能即服务产品一般分为以下几类：
机器人和数字助理：对于很多人来说，当他们听到“人工智能”；时，首先想到的就是苹果的Siri，微软的Cortana，或亚马逊的Alexa这样的数字助理。这些工具使用自然语言处理技术与用户进行对话，许多工具还使用机器学习来提高他们的技能。许多企业希望为其产品和网站添加类似的功能。事实上，2017年支出最多的人工智能用例是自动化的客户服务代理。但从头开始创建自己的机器人对于企业是一个艰巨的任务。作为替代方案，有一些厂商提供机器人平台即服务。而用户利用自己的数据对机器人进行培训，然后通过机器人回答简单的问题，而让工作人员从重复工作中解脱出来，可以处理更加复杂的任务。
认知计算API：应用程序编程接口（API）使开发人员可以轻松地将技术或服务集成到正在构建的应用程序或产品中。领先的云供应商都提供各种各样的API。例如，想要制作照片共享应用程序的开发人员可能会使用面部识别API为应用程序提供识别照片中个人的功能。得益于API，开发人员无需从头开始编写面部识别代码，甚至无需彻底了解它的工作原理。工作人员使用API来允许应用程序访问云中的这种功能。API可用于各种不同的用途，包括计算机视觉、计算机语音、自然语言处理、搜索、知识映射、翻译和情感检测。
机器学习框架：这些工具允许开发人员创建可随时间推移而改进的应用程序。一般来说，他们需要开发人员或数据科学家构建模型，然后使用现有数据来训练该模型。机器学习框架在与大数据分析相关的应用程序中尤其流行，但它们也可用于创建许多其他类型的应用程序。在云端访问这些框架比为自己的机器学习任务设置自己的硬件和软件更容易、成本也更低。
完全托管的机器学习服务：有时候组织机构想要将机器学习功能添加到应用程序中，但是他们的开发人员或数据科学家缺乏一些必要的技能或经验。完全托管的机器学习服务使用模板、预建模型和/或拖放式开发工具来简化和加速使用机器学习框架的过程。
人工智能即服务将创造一种通用的人工智能，可以作为云服务进行访问。一般的人工智能是一种能够以与人类相同的方式思考和沟通的计算机系统。大多数专家认为，研究人员创建这样的人工智能技术还需要多年的努力。
高级基础设施：人工智能应用程序，特别是机器学习和深度学习应用程序，可以在具有多个并行运行工作负载的高速图形处理单元（GPU）的服务器上执行最佳性能。但是，这些系统对于很多企业来说非常昂贵，无法为组织和用例提供更多的帮助。人工智能即服务使组织让企业能够以可承受的成本来应用这些超高速计算机。
低成本：人工智能即服务不仅不需要为昂贵的硬件支付费用，还可以让组织只为他们所使用硬件支付费用。在云计算中。大多数人工智能工作负载被认为是“突发”的，也就是说.，他们需要很短的时间获得大量的计算能力。人工智能即服务只向他们收取使用的服务费用，大大降低了成本。
可扩展性：与其他类型的云服务一样，人工智能即服务使其非常容易扩展。组织通常从一个试点项目开始，让他们看到人工智能如何有用。以人工智能即服务，他们可以快速将该试点项目转化为全面生产，并随着需求的增长而扩大规模。
可用性：一些最好的人工智能工具可用于开源许可证，虽然价格低廉，但这些开源人工智能工具并不总是很容易使用。云计算人工智能服务通常使开发人员更容易访问人工智能功能，而无需他们成为这方面的技术专家。
人工智能即服务的两个最大缺点也是所有云计算服务都面临的两个问题：安全性和合规性。
许多人工智能应用程序（尤其是结合机器学习功能的应用程序）依赖于大量的数据。如果这些数据将驻留在云中或转移到云端，组织需要确保它们具有适当的安全措施，包括在空闲和传输时进行加密。
在某些情况下，法规可能会阻止某些行业的某些类型的敏感数据存储在云中。其他法律要求某些数据仍在其所在国家的境内。在这些情况下，可能无法将人工智能用作这些特定用例的服务。
另一个潜在的缺点是人工智能即服务可能非常复杂。组织将不得不花费时间和精力来培训或聘用具有人工智能和云计算技能的员工。然而，许多组织认为，这个障碍可以轻易克服，并且采用人工智能即服务将会得到长期的回报。（编辑/高纬时）
为了在竞争中保持领先地位，越来越多的企业正在寻求将人工智能技术整合到其应用程序、产品、服务，以及大数据分析方法中。而企业开始使用人工智能技术的最简单和最流行的方法之一是使用基于云计算的人工智能即服务产品。
人工智能即服务的类型
人工智能的核心是可以采用机器完成人类所做的同样事情。例如，人工智能包含可以查看和识别图片中物体的计算机视觉技术；它还包括使系统能够进行正常对话的自然语言处理技术；以及允许计算机在没有明确编程的情况下开展学习的机器学习技术。
人工智能即服务产品可以将这些类型的人工智能技术作为云计算服务提供。目前市场上的人工智能即服务产品一般分为以下几类：
机器人和数字助理：对于很多人来说，当他们听到“人工智能”；时，首先想到的就是苹果的Siri，微软的Cortana，或亚马逊的Alexa这样的数字助理。这些工具使用自然语言处理技术与用户进行对话，许多工具还使用机器学习来提高他们的技能。许多企业希望为其产品和网站添加类似的功能。事实上，2017年支出最多的人工智能用例是自动化的客户服务代理。但从头开始创建自己的机器人对于企业是一个艰巨的任务。作为替代方案，有一些厂商提供机器人平台即服务。而用户利用自己的数据对机器人进行培训，然后通过机器人回答简单的问题，而让工作人员从重复工作中解脱出来，可以处理更加复杂的任务。
认知计算API：应用程序编程接口（API）使开发人员可以轻松地将技术或服务集成到正在构建的应用程序或产品中。领先的云供应商都提供各种各样的API。例如，想要制作照片共享应用程序的开发人员可能会使用面部识别API为应用程序提供识别照片中个人的功能。得益于API，开发人员无需从头开始编写面部识别代码，甚至无需彻底了解它的工作原理。工作人员使用API来允许应用程序访问云中的这种功能。API可用于各种不同的用途，包括计算机视觉、计算机语音、自然语言处理、搜索、知识映射、翻译和情感检测。
机器学习框架：这些工具允许开发人员创建可随时间推移而改进的应用程序。一般来说，他们需要开发人员或数据科学家构建模型，然后使用现有数据来训练该模型。机器学习框架在与大数据分析相关的应用程序中尤其流行，但它们也可用于创建许多其他类型的应用程序。在云端访问这些框架比为自己的机器学习任务设置自己的硬件和软件更容易、成本也更低。
完全托管的机器学习服务：有时候组织机构想要将机器学习功能添加到应用程序中，但是他们的开发人员或数据科学家缺乏一些必要的技能或经验。完全托管的机器学习服务使用模板、预建模型和/或拖放式开发工具来简化和加速使用机器学习框架的过程。
人工智能即服务将创造一种通用的人工智能，可以作为云服务进行访问。一般的人工智能是一种能够以与人类相同的方式思考和沟通的计算机系统。大多数专家认为，研究人员创建这样的人工智能技术还需要多年的努力。
人工智能即服务的好处
高级基础设施：人工智能应用程序，特别是机器学习和深度学习应用程序，可以在具有多个并行运行工作负载的高速图形处理单元（GPU）的服务器上执行最佳性能。但是，这些系统对于很多企业来说非常昂贵，无法为组织和用例提供更多的帮助。人工智能即服务使组织让企业能够以可承受的成本来应用这些超高速计算机。
低成本：人工智能即服务不仅不需要为昂贵的硬件支付费用，还可以让组织只为他们所使用硬件支付费用。在云计算中。大多数人工智能工作负载被认为是“突发”的，也就是说.，他们需要很短的时间获得大量的计算能力。人工智能即服务只向他们收取使用的服务费用，大大降低了成本。
可扩展性：与其他类型的云服务一样，人工智能即服务使其非常容易扩展。组织通常从一个试点项目开始，让他们看到人工智能如何有用。以人工智能即服务，他们可以快速将该试点项目转化为全面生产，并随着需求的增长而扩大规模。
可用性：一些最好的人工智能工具可用于开源许可证，虽然价格低廉，但这些开源人工智能工具并不总是很容易使用。云计算人工智能服务通常使开发人员更容易访问人工智能功能，而无需他们成为这方面的技术专家。
人工智能即服务的缺点
人工智能即服务的两个最大缺点也是所有云计算服务都面临的两个问题：安全性和合规性。
许多人工智能应用程序（尤其是结合机器学习功能的应用程序）依赖于大量的数据。如果这些数据将驻留在云中或转移到云端，组织需要确保它们具有适当的安全措施，包括在空闲和传输时进行加密。
在某些情况下，法规可能会阻止某些行业的某些类型的敏感数据存储在云中。其他法律要求某些数据仍在其所在国家的境内。在这些情况下，可能无法将人工智能用作这些特定用例的服务。
另一个潜在的缺点是人工智能即服务可能非常复杂。组织将不得不花费时间和精力来培训或聘用具有人工智能和云计算技能的员工。然而，许多组织认为，这个障碍可以轻易克服，并且采用人工智能即服务将会得到长期的回报。（编辑/高纬时）