在日本的收获季节，一些农民每天花费大量时间将农场里的黄瓜分类，这也是一些人决定将这项繁琐且耗时的工作自动化的原因之一。虽然他们不是机器学习专家，但他开始使用谷歌流行的开源机器学习框架TensorFlow，并开发了一种深度学习模型，可以根据大小、形状和其他属性对黄瓜进行分类。该系统并不完美（准确率约为75%）。但这是一个迹象，表明AI可以迅速改变甚至更小的家族企业。谷歌、亚马逊、微软、苹果和Facebook等行业巨头当然非常了解这种变革力量。深度学习支撑着亚马逊的推荐系统、谷歌的搜索和翻译工具、微软的Cortana个人助理以及许多其他广泛使用的应用程序和服务。大多数财富500强公司也有专门的AI团队。但这些供应商对AI的兴趣吸引了一大群数据科学家，这让大多数SMB急于探索AI如何改善他们的业务，但缺乏专业知识。即使是那些有能力聘请顶级AI专家的企业，也仍然需要准备大量数据集并耗费大量计算能力来分析它们，并训练它们的神经网络识别某些模式或对象。然而，大型云计算提供商已经意识到这些问题，他们相信他们已经找到了帮助人们克服这些问题的方法。机器学习即服务或云AI现在是亚马逊网络服务(AWS)、微软Azure、谷歌云和IBM云等云计算平台的主要组成部分。从本质上讲，这些企业通过为客户提供预训练的深度学习模型（用于图像识别）和工具来提供就业机会，这些模型可以简化在云上构建、训练和部署模型的过程。“有一些工具供知道如何编码的数据科学家使用，也有一些软件开发人员可能不知道如何正确调整算法，但如果你给他们一个API来编码，任何人都可以构建应用程序，最后就有了工具为企业提供深度学习工具的公司SkyCype的首席执行官ChrisNicholson说：“对于答题器来说，它们基本上通过图形用户界面(GUI)相互连接，覆盖了世界上绝大多数人。MicrosoftAzureMLStudio，AmazonSageMaker、GoogleCloudMLEngine两者都是类似的平台，更接近数据科学家的端点，帮助深度学习专家大规模训练、优化和部署他们的模型。AmazonRekognition、GoogleTranslate等API是建立在预训练模型基础上的API：用户只需输入常用待分析对象的数据图片或视频或待翻译文本，然后等待API提供结果.后一种方法的问题在于，深度学习通常用于解决预训练模型可能无法解决的特定业务问题。换句话说，如果你想让它识别不同类型的黄瓜，那么拥有一个识别不同品种小猫的API是没有用的。“他们说：‘嘿，我们找到了一堆数据，我们训练了一个模型，现在我们可以用它来预测图像，’”Nicholson说，“但从某种意义上说，如果用户想要定制这个，这是一个错误的解决方案根据自己的数据训练模型的解决方案仍然非常困难和必要。”为了弥合高度定制的神经网络与基本的“设置即忘”预训练模型之间的差距，谷歌最近推出了CloudAutoML，这是一个使用客户数据自动构建定制深度学习模型的系统。CloudAutoMLVision是新服务的第一个版本，它允许用户通过拖放界面创建用于图像识别的自定义机器学习模型。在过去的几个月里，有几家公司一直在测试CloudAutoML。例如，迪斯尼已经使用该工具开发了一种方法，让客户可以在其商品中搜索特定的迪斯尼角色，即使产品没有标注角色名称也是如此。企业仍然需要为AutoML服务准备自己的数据，但这可能会给一些企业带来问题。“有很多特定于组织的数据，例如他们如何处理发票或他们如何进行客户检查，”Nicholson说。他们的数据。”谷歌的云计算业务排名第三，仅次于AWS和微软Azure，因此谷歌试图利用其人工智能专业知识赢得更多客户也就不足为奇了。但考虑到训练和部署深度学习模型所需的计算资源，所有主要的云计算供应商都愿意为此租用芯片。随着商业对人工智能的兴趣增加，机器学习工具无疑将被视为任何云计算服务的重要组成部分。事实上，IDC预测到2021年，75%的商业企业应用会用到AI。”所以企业需要提供这些类型的能力，就像他们需要提供容器能力或者监控服务一样。IDC认知/AI系统和内容分析研究总监DaveSchubmehl说。但在企业急于部署深度学习工具之前，他们应该停下来考虑一下是否有明确的商业案例来使用它们。使用深度学习解决非常具体问题的非常具体的方法。“无法确定他们想要解决的具体问题的企业成功的可能性较小，”尼科尔森说。“
