Google云AI、微软Azure、亚马逊的机器学习服务，究竟有啥区别？

 

对于大多数的公司来说，机器学习似乎接近于火箭科学，看起来昂贵而且需要人才。而且，如果你的目标是构建另一个Netflix推荐系统，那确实是。但是，一切即服务的趋势也影响了这个复杂的领域。你可以在没有太多投资的情况下启动机器学习计划，如果你是数据科学的新手，并且希望抓住成果，这会是正确的举措。

 

机器学习最鼓舞人心的故事之一是关于一个日本农民的，他决定用自动给黄瓜分类的方法来帮助他的父母做这项艰苦的工作。与大量关于大型企业的故事不同的是，他既没有机器学习的专业知识，也没有大的预算。但是他确实设法掌握了TensorFlow，并且运用深度学习来识别不同类别的黄瓜。

 

通过使用机器学习云服务，你可以开始构建你的第一个工作模型，从相对较小的团队预测中来产出有价值的见解。我们已经讨论了机器学习策略。现在让我们一起看看市场上最好的机器学习平台，并考虑一些基础设施决策。

 

 

服务型导向的机器学习（MLaaS) 是自动化和半自动化云平台的一个概括性定义，这个云平台涵盖了大多数的基础设施，例如数据预处理、模型训练、模型评估、以及进一步的预测。预测结果可以通过REST API与你的内部IT基础设施进行衔接。

 

亚马逊机器学习服务、Azure机器学习和Google云AI是三个领先的云MLaaS服务，允许在只有少量或者没有数据科学专业知识的情况下进行快速模型训练和部署。如果用可用的软件工程师来组建一支本土化的数据科学团队，就应该首先考虑这些问题。来看看我们的数据科学团队结构的故事，以便于更好地了解角色分配。

 

在本篇文章中，我们将首先概述亚马逊、Google和微软的主要服务型导向的机器学习平台，然后比较这些供应商所支援的机器学习API。请注意，本概述并非旨在提供有关何时和如何使用这些平台的详尽指南，而是在开始阅读文件之前需要查询的内容。

 

Azure 机器学习工作室拥有最全面的服务；然而，如果你的任务需要用到深度神经网络，我们还推荐检视亚马逊的SageMaker和Google的机器学习引擎。

 

 

亚马逊机器学习服务有两个层面：亚马逊机器学习的预测性分析和数据科学家的SageMaker工具。

 

同于预测性分析的亚马逊机器学习是市场上最自动化的解决方案之一，最适合于对截止时间敏感的操作。该服务可以载入多个来源的数据，包括亚马逊RDS，亚马逊Redshift，CSV文件等等。所有的数据预处理操作都是自动执行的：该服务区标识出哪些栏位是分类的，哪些是数字的，并且不会要求使用者选择进一步数据预处理的方法（降维和白化）

 

亚马逊机器学习的预测能力受限于三种选择：二元分类、多类分类和回归。也就是说，亚马逊的机器学习服务不支援任何无监督的学习方法，使用者必须选择一个目标变数并在训练集中标注它。此外，使用者不需要了解任何机器学习方法，因为亚马逊会在检视提供的数据后会自动选择它们。

 

这种高度自动化水平既是亚马逊机器学习使用的优势也是劣势。如果你需要一个全自动但有限的解决方案，这项服务会符合你的预期。如果不是，那就选择SageMaker。

 

 

SageMaker是一个机器学习环境，通过提供库快速建模和部署的工具来简化同行数据科学家的工作。例如，它提供Jupyter，一款创作笔记本，来简化数据探索和分析，无需服务器管理的麻烦。亚马逊也有内建演演算法，针对分散式系统中的大型数据集和计算进行了优化。这些优化包括：

 

内建的SageMaker方法与亚马逊建议的机器学习API在很大程度上相交，但它允许数据科学家参与进来并使用他们自己的数据集。

 

如果你不想使用这些，你可以通过SageMaker利用其部署功能来新增你自己方法并执行模型。或者你可以将SageMaker与TensorFlow以及MXNeT深度学习库进行整合。

 

总的来说，亚马逊机器学习服务为经验丰富的数据科学家和那些只需要完成工作不需要深入数据集准备和建模的人来说，提供了足够的自由。这对那些使用了亚马逊环境并且不打算转移到另一家云提供商的公司来说，这将会是一个不二之选。