机器学习即服务

由于较高的人员、技术、基础架构等要求，将机器学习合并到企业的系统中并不是多数公司完成的事情。但是，云计算的兴起，再加上将IT工作外包给第三方供应商的能力，已经为“机器学习即服务”扫平了道路。由于大公司的帮助，“机器学习即服务”在未来的几年势必继续增长。

参与者

在响应来自企业和消费者的需求时，IBM等大型技术公司已经发布了自己开源的机器学习库，供公众使用。但是，在发布这些库的背后还有另一个动机。之所有发生这种开放是因为，即使最大的技术公司也难以跟上人工智能和机器学习，而且他们需要外部的帮助将这些技术向前推进。

谷歌、苹果、亚马逊、IBM等大公司寄予希望的不是专用的在市场上作为关键战略的私有技术和机器学习库，而是其私密数据。毕竟，如果公司擅长于收集并分析数据，就可以利用这些机器学习技术，将其与公司大量的数据集联合起来，并使用这些数据来构建一个强大的工具，供企业和消费者使用。更好的消息是，如果你能够将这些工具作为一种服务来提供,对消费者并没有什么基础架构或资源上的负担，那么，更多人将会利用机器学习，这不仅有助于出售服务的企业，而且利于整个行业。

使用案例和好处

由于“机器学习即服务”背后的技术很容易配置且功能多样，因而它有很多可能性，无论是语音识别，还是图像识别或其用途，都是如此。事实上，无论是由人来监管，部分监管或完全不管，也不管是作为强化学习的一部分，机器学习发生的途径都有很多。

此外，机器学习还可用于多种技术，其中包括分类、集群、异常检测，或者作为“推荐引擎”的一部分，如在用户请求时，Siri如何建议用户特定区域中的餐馆。建议是亚马逊的“深度可扩展稀疏传感网络引擎(DSSTNE)”的真正主要的关注点，此引擎是作为一种开源工具发布的。由此，就可以不依赖编码到系统中的硬规则和快速规则。

有很多不同的方法可以解析这种数据，所以机器学习和开源工具所提供的是一种创建规则自动化的框架。这并不是硬编码的规则，因为这正是机器学习帮助我们避免的关键。硬编码规则可能会说，“如果你在图片中看到了黄色，那就是香蕉”。我们都知道，事实并非总是如此，因为这有可能是别的东西。机器学习可以使这些硬编码规则不再是硬编码规则。它可以使其更灵活，也更易于相互比较。使得规则不但更加精细，而且也更准确。这又使得我们回到了自动化，我们没有必要更换工作，而是取代某些任务，从而使得雇员专注于其他的项目。“机器学习即服务”可以使我们不仅不必要在内部管理系统，从而充分实现其固有的成本节约，而且还可以更好地利用现有的工作团队，也不必在每次达到性能的峰值时雇佣新人，从而节约了资金。机器学习可以使很多管理工作得到替换，从而可以使人们做一些更有意义和更有目的性的工作。

为帮助公司更好地理解“机器学习即服务”和机器学习的总体使用，我们不妨看一下谷歌和微软是如何提供自然语音助手来捕获信息，并通过数据集来运行和返回建议。但是，这些系统实际上能够通过机器学习、人工智能等几个元素的组合来与用户会话。一旦我们将这些概念放在一起，最终目标就是使经验对客户或其他人更平滑和无缝。今后更多的公司将能够利用“机器学习即服务”技术，并以独特的方法来使其运行。

例如，“咖啡馆”可能允许用户定购商品。但是，对于机器学习，我们知道这种订单并不合理。“来杯咖啡”，“好的，你要哪种咖啡？你要多少？你要添加什么口味呢？”机器学习使得交互更为无缝和平滑，更具有会话性，也更自然。

这是与人交互的例子。对于机器而言，列举这些问题就更简单了，问题可能更为具体，并且还可以说，这并不是两台电脑或机器或终端之间会话的终结，会话可能更具体更精细，更加人性化。