巨头销售云机器学习,人工智能渐成科技创新的基础

云服务正在将深度学习带向所有人,越来越多的科技巨头与创业公司开始把机器学习当成服务销售。微软、亚马逊、谷歌、IBM 等之间的竞争愈演愈烈。

Facebook 的深度学习人工智能系统已经学会了在你上传的照片中识别你的朋友,谷歌的人工智能已经学会了预测你要搜索的内容。即便你公司的计算机没学会什么,也没必要感觉自己落伍。

越来越多的技术巨头和创业公司开始把机器学习作为云服务来提供。那就意味着其他的企业和创业公司没必要去自己开发专门的硬件或软件来将深度学习 — 高性能版本的机器学习研究 — 应用到具体的业务需求中。

「当数据集变大时,深度学习算法主导了其他机器学习方法,」加州大学圣迭戈分校的人工智能团队的深度学习研究员 Zachary Chase Lipton 说,他研究了亚马逊、IBM 等多家公司的云人工智能服务。「这样一来,任何一家已形成良好的预测问题 — 诸如需求预测或两种语言间的翻译 — 的公司或者应用可能会从深度学习中获得好处。」

有了基于云的深度学习,企业就能只需选择一个云服务并浏览其软件任务的应用编程接口的在线服务,如识别柯基犬图像或自动翻译餐厅菜单。一些服务甚至可以根据个别公司的数据和需求调整他们的机器学习工具。

据 Lipton 所说,机器学习云服务的兴起取决于至少两个因素:随着技术的发展,其解决各种经济价值相关问题的能力已经成熟,机器学习的需求也在不断增加;第二,机器学习型人才相对稀缺,这使得每家公司都很难建立自己的机器学习团队。随着创业公司尝试与微软和谷歌这样的科技巨头竞争,人才竞争也越来越激烈了,而这些巨头公司把最优秀最聪明的人才都吸走了。

机器学习的大多数商业应用依赖于监督学习。这需要用到可以观察到正确标记的例子的算法,并学习通过模仿来执行某些任务。人工神经网络是目前用于大数据集上的机器学习的最流行和最成功的算法。他们利用在一个内在关联的多节点网络(也被称为神经元)中传递信息来学习。这些节点之间的连接都有可调的权重,影响着通过图形的信息流。节点一般设置在层中。但从历史上看,除了输入和输出层外,训练仅带有一个神经元隐藏层的网络是可行的。

深度学习通过对多个神经元层进行数据过滤把这些方法带到下一个层次,Lipton 解释说。在每一层,这个神经网络都可以依次学习数据点之间更抽象的关系表征。有了足够的层次和足够的节点,深神经网络可以执行一系列功能。

建立神经网络的挑战是训练它去执行特定的任务。从随机设置权重开始,数据集中的样本被提交给一个接一个的神经网络。每提交一次,这个神经网络的权重都会略微调整,以使网络的输出更接近正确的输出。

深度学习的常青藤联盟

公司    云机器学习服务    开源机器学习工具                                     收购深度学习创业公司    

亚马逊   亚马逊机器学习    DSSTNE(深度可伸缩的稀疏张量网络引擎;用于建立深层学习模型的库)

Facebook    无    通过开源的 Torch Library 发布的深度学习模型工具                        Wit. AI    

谷歌 谷歌云机器学习  TensorFlow(用于发展深度学习模型和更通用的机器学习模型的库) Dark Blue Labs,DeepMind,DNNresearch, Moodstocks等  

IBM    IBM沃森分析    IBM systemml(开源Apache Spark库的模型的通用机器学习优化平台)

微软    微软 Azure机器学习    CNTK计算网络工具包;用于建立深度学习模型的库)              SwiftKey   

许多初创公司主要感兴趣的似乎是展示他们的深度学习研究,以吸引那些可能会收购他们的大公司,Lipton 提到。  Salesforce 和 Twitter  收购的­初创公司中分别包括 MetaMind 和 whetlab 。这些收购已经膨胀了这些电子科技巨人自己的深度学习团队。

但是一些创业公司集中致力于将深度学习应用到非常小的产业需求中。例如,旧金山的 Enlitic 公司正在使用深度学习帮助医生在X射线或核磁共振成像中发现某些疾病或健康状况的迹象。而加州芒廷维尤市的 Atomwise 公司已经将深度学习应用到发现新药物。

还有其他创业公司的目标在于为能适用于多行业的更广泛的应用类别搭建平台。西雅图的 Dato 公司已经创造出一个深度学习工具包,用于自动过滤和标记图像和视频片段;它的深度学习技术有益于多种终端用户,如旅游摄影网站,房地产经纪人,和让在线评论版主过滤色情内容。

「当你想到从你的电子邮件收件箱到你看到的带有搜索结果图像标记的广告,这些产品的每一个可能的方面都已经或将很快受益于机器学习,」Clarifai 的创始人兼 CEO Matthew Zeiler 说到。

在一个拥挤的空间里找到他们的利基是深度学习创业公司的挑战。在提供机器学习服务上避免直接挑战科技巨头是明智的做法, Nervana Systems 的创始人兼 CEO Naveen Rao 说到。

加州帕奇菲卡市的 创业公司 Eratz Labs 发现与业界巨头较量非常危险。 在去年募集资金不足后,Ersatz 暂停了其开发云机器学习的野心。这家公司的 CEO Dave Sullivan 指出销售服务或产品的困难,这些服务和产品能让许多到大科技公司工作的人拥有做机器学习相关工作的能力,这种大公司更喜欢建立自己的工具和进行内部招聘。

这一说法的真实性在 2016 谷歌 I / O 大会上得到证实,谷歌在大会上宣布一年多来一直使用自己的定制芯片 — 名为 Tensor Processing Units — 来增强它的机器学习应用。这种特殊的芯片为谷歌 2016 年推出的云机器学习平台的运行提供了硬件 。

「现在每个人都在等待那个机器学习中杀手级别的应用,但是还没有人做出来,」Sullivan 说。「即便它不是平台。」

本文选自:IEEE Spectrum,作者:Jeremy Hsu,机器之心编译;

©机器之心,最专业的前沿科技媒体和产业服务平台,每日提供优质产业资讯与深度思考,欢迎关注微信公众号「机器之心」(almosthuman2014),或登录机器之心网站www.jiqizhixin.com , 查看更多精彩内容。