人工智能可以使您的业务更智能，更高效，云计算可以使AI更容易，更便宜地实施。

几个世纪以来，人工智能一直让人类着迷。这个概念可以追溯到希腊神话中的金色机器人精心制作以帮助神灵，中世纪的追求将炼金术强迫生命变为无生命的物质，以及无数的19世纪及以后的小说。

我们可能很难围绕人工智能的现实进行思考。人工智能的历史虚构本质使我们陷入了将其视为抽象主题 - 未来梦想的自然倾向。

但是现在，它是有形的。你今天可以使用AI。马上。

当然，创建和使用AI并非易事。这个过程涉及复杂的数学和编程。然而，亚马逊，微软和IBM等大公司最近在云计算方面的创新已将大部分工作从小型企业转移。

对于像你这样的公司来说，访问AI的尖端功能现在就像调用API一样简单。

那么如何实施AI来帮助您的业务？这篇文章将帮助您了解AI市场的状态，AI历史上难以实现的原因，云计算如何使AI易于访问，哪些公司提供云AI，以及一些创新的云AI应用程序。

• 将AI理解为当今的技术
• 为什么许多企业无法访问AI
• 云计算如何使AI可访问
• 将云交付的AI应用于您的业务
• 从众多云AI服务提供商中进行选择
• 使用云基础架构构建自己的AI应用程序

将AI理解为当今的技术

人工智能还没有达到科幻级别的复杂程度，但它不再仅仅是未来的技术。云计算通过使其与当今相关，有助于改变我们对人工智能技术的思考方式。

人工智能必须克服的首要挑战之一是公众的看法。科幻电影和小说告诉我们人工智能应该与人类思维几乎无法区分。今天可用的AI比这简单得多，但它是大脑级复杂性的跳板。

通常，AI是模仿数据的智能响应（即人类响应）的软件。

换句话说，AI的当前状态不是模拟人类生命。相反，它的目的是使计算机能够以一定程度的效率自动完成任务，而人类则无法完成。

对人工智能的需求很大

简单地说：企业想要AI。他们希望人工智能改进他们的运营方式，并帮助他们在竞争中保持领先地位。

根据经济学人信息部2016年的调查  ，企业主认为人工智能的最大好处是能够提高效率。这可能意味着将AI用于预测性维护，产品设计或简化物流等任务。

将AI引入业务的主要好处 -

高管还预计人工智能将解决目前数据科学人才的短缺问题。对数据科学家的需求正在增加，到2018年将超过供应量50％。人工智能通过促进大数据的处理填补了这一空白。Narrative Science在2016年进行的一项调查发现，使用人工智能技术的商业和技术管理人员对使用大数据的能力更有信心。

企业希望AI帮助他们围绕大量数据进行可视化，分析和制定战略。

企业正在尝试采用人工智能

使用人工智能作为业务问题解决方案的乐观态度促使人们迅速采用。许多公司要么部署了AI技术，要么计划在不久的将来这样做。

在叙事科学调查的230名高管中，41％表示部署人工智能技术是优先考虑事项，23％计划在2017年底之前完成，56％计划在2018年底之前完成。

企业急于开始使用AI。那么，是什么让人工智能不被广泛采用？

为什么许多企业无法访问AI

人工智能是许多企业兴奋的主题并不令人惊讶。无论你是从电影中的幻想机器人还是今天的实用技术的角度来看，AI都是令人兴奋的。

尽管人工智能似乎正在崛起，但仍有一些阻碍其进展的障碍。

许多企业买不起AI

实施成本是阻碍AI大多数公司的头号事。

例如，深度学习需要非常昂贵的计算资源。大多数企业无法负担建设和供电培训神经网络所需的所有本地基础设施。

许多企业对AI感到困惑

人工智能的一个更抽象的障碍虽然仍然很重要，但人们普遍误解了人工智能究竟完成了什么。即使给出上述定义，也可能会对AI在业务中的确切作用感到困惑。

叙事科学在他们的调查中帮助证明了这一点。虽然只有38％的高管表示他们在工作场所使用AI，但88％的人表示他们正在使用依赖AI的技术（例如预测分析和语音识别）。这是一个相当微不足道的语义差异的巨大差异。

因此，我们可以看到人工智能的定义和应用存在一些混淆。但是，我们也可以看到人们普遍同意其重要性。鉴于人工智能在我们的文化中的传统地位，它可能看起来令人生畏，混乱，甚至令人担忧，这是可以理解的。

许多企业没有足够的人工智能数据

数据对于深度学习至关重要。微软研究实验发现，当使用的数据量增加时，AI训练算法的性能显着提高，只是通过引入更多数据，坏算法可能成为一个很好的算法。

“我们没有比其他人更好的算法。我们只有更多数据。“（CNET）

如果您拥有一家规模较小的公司，那么创建有用的AI可能会困难得多。

幸运的是，云计算已经引入了实用的方法来克服限制AI增长的许多问题。事实上，由于现在通过云提供的服务，人工智能技术的进步正在加速。

云计算如何使AI可访问

云计算是一个不断发展的领域，正在为企业创造新的机遇。由于它的诸多优点，它在各种规模的公司中的使用和接受度正在增长。目前，企业正在从构建自己的IT转向使用基于云的IT。这就是说云计算是人工智能的一个很好的伴侣。

云计算降低了访问AI的成本

鉴于实施成本对于许多考虑人工智能的企业来说是一个大问题，云计算的低成本是一个巨大的促成因素。

通过无服务器架构提供的服务允许公司仅为其使用的计算能力付费。AWS Lambda等服务可确保您的IT预算以当前可用的最具成本效益的方式之一使用。

这意味着企业可以利用亚马逊的AI基础设施，而无需支付持续的服务器正常运行时间。亚马逊是一家拥有庞大基础设施的庞大公司，这意味着它可以为运行AI所需的大量计算能力提供相对较低的价格标签。

最终，这一切都意味着花费更少的时间和金钱来担心如何为人工智能提供动力。

云计算有助于定义AI及其功能

就像没有食谱的烹饪一样，当资源和可能性没有预先定义时，使用AI会更加令人生畏。如果您不知道某种技术的功能，您就不太可能知道如何将其投入使用。

幸运的是，一些云计算公司提供云交付服务，预先打包AI的功能。

这些服务可以帮助您了解AI如何帮助您的业务。它们提供鼓舞人心的案例研究，基础限制和欢迎文档。

将云交付的AI应用于您的业务

云计算与人工智能的结合正在成为许多行业的颠覆性力量。

透明度市场研究预测，“机器学习即服务”市场将从2016年的10.7亿美元增加到2025年的198.6亿美元。这种关系不仅为人工智能提供了新的可访问性，而且创造了一种新的思考其他方式的方式。现有技术和方法。

客户服务的人性因素使其成为企业和客户不断关注的问题。AI能够理解语言，提供新的客户服务解决方案，如自动个人助理和聊天机器人。支持这些解决方案所需的所有技术都可通过Amazon Lex聊天机器人和Facebook Messenger的聊天机器人API等云服务获得。

微软首席执行官萨蒂亚·纳德拉（Satya Nadella）将这种特殊的AI实施命名为“对话作为平台”。他认为，与智能手机革命中触摸屏的作用相比，向AI对话界面的过渡可能更具破坏性。谷歌首席执行官桑达皮采同意，并表示：

“从长远来看，我们正在将计算从”先移动“转变为”人工智能第一“世界。”（Business Insider）

如果智能手机革命让位于Snapchat和Uber等公司，那么云中的AI可能会产生哪些类型的业务，哪些应用可能适用于您的业务？我们已经可以观察到这种关系带来的一些增长。

视觉和图像识别

深度学习使AI能够以类似于我们的眼睛和大脑允许我们看到的方式识别图像。这使得AI具有与人类视觉相同或更好的视觉成为可能。

有用于识别图像内容的AI服务，如人，动物和物体。类似地，AI可以使用某些标签对图像进行分类，这样可以更容易地对大量图像进行排序。

这个基本概念已经扩展到其他更具体的服务。多个API提供面部识别，允许程序识别图像中是否存在某个人。此外，当您考虑到视觉AI能够处理许多图像时，它们也能够处理视频帧是有意义的。这为AI视频编辑和索引等服务开辟了道路。

会话识别和自动化

至少在几年内，人工智能能够通过图灵测试，测试人工智能是否能够以一种与人类无法区分的方式进行交谈。虽然这并不能保证任何AI能够代替公司代表，但它确实可以为您的业务提供机会。

语音识别服务允许AI通过语音识别说话者并将语音转换为可由应用程序使用的文本。自然语言处理使AI能够理解常规的人类语音而不是机器人命令。翻译服务使用针对对话优化的AI实时翻译文本和语音。

做决定

现代人工智能的最大承诺之一是它能够预测结果并促进围绕数据制定战略。虽然这种AI的许多应用程序将特定于它们所构建的业务，但至少还有一些更为通用的示例。

建议AI服务可帮助您预测商店或界面的哪些部分对客户最有用，并相应地调整UI / UX。搜索AI服务使用您现有的内容为客户查询提供最佳答案。

这些只是通过云交付服务可轻松访问的一些AI功能的一般示例。有关更具体的视图，我们可以查看亚马逊，微软和IBM等公司提供的一些服务。

使用云基础架构构建自己的AI应用程序

目前，云交付人工智能服务的最大价值在于其增强现有产品和流程的能力。这意味着企业应该进行研究，集思广益和实验，以找到使用可用服务为客户带来价值的方法。

幸运的是，云计算提供的基础架构和计算资源允许公司以最小的阻力构建和使用AI。

“一旦客户开始将预测模型应用于他们的数据，它就会让人上瘾。”（金融时报）

随着云计算的到来，云计算指的是通过网络和人工智能（AI）共享计算资源，现在业务形态正在彻底改变。” 人工智能，目前是主流，可以从大量数据中获得新的认可，人们无法通过深度学习来处理自己。深度学习是一种新的机器学习方法，可以根据数据本身独立创建特征值。这是机器学习的补充，它从收集的数据中识别出隐藏的模式和规律性，除了云计算之外，由于能够存储和处理计算机的增强处理能力和计算机速度所提供的大量数据，因此目前的AI水平已经成为可能。

AI可能会大大改变企业营销实践，尤其是客户价值创造流程。它可能与事先的方式完全不同。

通过传统的营销研究，通过问卷调查和实验对消费者需求进行了调查，这提供了确定客户需求的理由。

同时，AI可以在实际商业环境（例如互联网相关业务）中发现客户需求的过程显着不同。例如，如上所述，利用AI的互联网相关业务站点的营销不会基于推理来探测客户需求。它注重结果，例如产品浏览和购买模式。这就是机器学习的主要特征，它以结果的形式从海量数据中学习。一个很好的例子是Amazon.com提供的推荐功能（产品推荐）。据说，“2011年亚马逊网站上约30％的销售额来自该信息系统的推荐商品。”

此外，谷歌已经对其20多项实际服务进行了深度学习。它也适用于Google的主要服务，即搜索和搜索广告。作为搜索结果排名中的关键信号（元素）之一，已经引入了深度学习的RankBrain。特别是，相对较新的搜索查询已经显示了引入RankBrain的效果。谷歌试图根据深度学习的特点来理解人工智能实际在做什么，这已成为一个黑盒子

我们可以看到一种实用方法的有效性，可以根据客户动态参与的实际商业环境中获得的结果来尝试和调整客户的需求。

另一方面，云计算和人工智能不仅对使用信息系统的公司而且对他们的提供商造成了范式转变。其中之一是利用云服务平台即服务（PaaS）。PaaS是服务提供商提供的服务，作为应用程序开发环境和云上的配置环境。

以前，许多公司都有自己的服务器和其他基础设施，开发了必要的应用程序，并构建了原始信息系统。但是，通过使用PaaS，构建信息系统的公司可以利用PaaS提供的复杂软件的标准组件，并专注于为自己的目标和需求量身定制的应用程序的开发。由于云服务提供商负责维护和信息系统的管理，系统工程师（SE）不需要处理维护和服务问题，因此大大降低了成本。

最近，除了商业智能（BI）工具和其他数据分析服务外，还在PaaS中实现了机器学习和深度学习。因此，与传统服务相比，用户公司可独立应用性能提升的服务，这可能导致服务提供商重新评估信息系统的开发，服务和维护，以及重新评估IT顾问和社企。例如，这些人将被要求扮演只有人类可以像问题设置一样执行的角色，以便充分发挥人工智能和数据存储设计的有效性。人类和人工智能可以通过关注AI无法处理的人类特有的优势来相互补充，例如通过有限的经验数据进行假设的能力，理解环境的能力和洞察力，得到社会和文化经验的认可，建立问题的能力，审美意识和对情感的理解。“在商业世界中，人们如何有效地相互补充是当前的一个领域。研究。从现在开始，我们应该考虑AI如何融入商业世界。

云+ DevOps +人工智能：智能IT基础设施的新三驾驭

一个人是否可以在不知情的情况下建立整个IT基础设施 - 可能只有几行英文文本或语音; 通过使用简单的聊天或语音指令，在不了解它的情况下运行IT操作？答案是肯定的，受到想象和技术限制。

答案是云，DevOps和人工智能（AI）的组合。

IT 基础架构需要智能方式

由于云计算，自动化，机器学习，物联网和集装箱化等新技术推动的数字化转型，“IT基础设施与运营”正在经历一场重大改革。随着工作负载的增加，创新步伐的增加，数据的指数增长以及系统用户（物联网，机器代理），传统IT正在努力应对新的需求。与此同时，我们无法承受多年制的实施。因此，必须将软件智能融入到构建模块化和流畅架构中，并采用Cloud First，DevOps First，AI First（尚未完全到达）的思维模式。

让我们现在了解这些的基本轮廓，冒险进入新的魅力：

云 - Cloud First的采用已经到位。云技术有助于加速IT基础架构的各个方面 - 解决方案，交付和运营。

DevOps - 很明显DevOps正在迅速发展，尽管进化的方向和目的地仍然是开放的猜测。DevOps旨在简化和自动化软件交付过程的各个方面，特别是在自动化基础架构中 - Infra as a Code（IaaC）。

“DevOps＆Cloud”已经成为全球许多公司的有希望的组合。虽然云和DevOps是不同的命题，但它们是交织在一起的，这种组合提供了IT运营的灵活性和效率。自动化IT基础架构已经很成熟。随着集装箱化编排工具（Kubernetes，Docker swarm等）的到来，自我修复系统要么不远了。现在，使用敏捷方式使用DevOps管道自动构建/部署整个云基础架构。

使用AI超越云和DevOps

人工智能在这里应用智能，这将导致持续创新，这是持续集成和交付的一个进步。

AI将进一步扩展IT基础架构自动化的范围。未来将看到使用机器学习（ML）和深度学习等技术的复杂算法支持的智能基础设施。机器学习也将有助于让位于智能CI / CD管道。

理想的合并将是拥有AI-OPS工具，主动检测云基础设施需求并使用自动DevOps管道优化管理需求。整个过程将包括应用ML模型进行历史数据分析，并在时间线上预测运营的未来，突出潜在问题并建议可能的补救措施。这个三驾马车可能有各种各样的表现 - AI + Cloud + DevOps ; 但是，我们仍然处于与此相关的新生阶段。但是，基本轮廓应包括用于自动化应用程序/基础设施的嵌入式智能，自学习应用程序以及由集成分析提供支持的内置治理。

IT基础设施中的用例

• 大规模数据的无监督机器学习（由不同系统生成） - 生成事件的相关性，识别模式并检测异常
• 预测或预测 - 确定指标何时达到阈值，执行“假设”情景，并在发生故障之前采取预防措施
• 根本原因分析 - 持续地核心数据点并查明可能的问题及其修复
• 成本优化（云迁移的使用案例） - 给定各种输入参数和已知的最低成本输出，可以在所有概率中构建用于生成成本优化的云迁移计划的监督ML模型
• 降噪 - 使用ML模型减少来自过多警报，事件，日志的噪音并简化工作流程
• 基于AI的DevOps分析 - 生成操作指标以有效衡量DevOps实施的成功（DevOps中的AI）
• DevOps迭代原理 - 加速在不断变化的AI模型上训练AI算法的过程（AI中的DevOps）
• 基于NLP的ChatOps - 构建新环境，在云中启动新资源或生成按需基础设施利用率指标（云下的AI）

AI，Cloud，DevOps的共生采用

深度学习和机器学习现在逐渐成为主流。我们不再需要理解像“随机梯度下降”或“反向传播”这样的数学术语来应用深度学习概念。我们也不必编写千行python代码来构建本机聊天机器人。现在，数百种机器学习/深度学习模型可用作云上的托管服务，以及云平台提供的各种AI工具。

云提供商正试图在其平台上轻松运行机器学习工作负载。他们提供基于图形处理单元（GPU）的虚拟机（VM），用于在云中构建ML应用程序，用于预构建模型的API和用于与其应用程序集成的自然语言处理（NLP）引擎。公司正在让个人开发人员更容易使用AI。AWS sagemaker就是这样一种努力，可以让普通开发人员使用机器学习工具来构建智能应用程序。我们将使用机器学习算法内置产品/服务，如情绪分析，预测算法和深度学习模型。着名的ELK堆栈，Splunk已经看到了在他们的产品中注入的机器学习概念，以识别异常模式，在下文之间核心事件，

总而言之，AI，DevOps和Cloud的结合将改变跨行业业务的方式。随着云计算，DevOps和AI将继续在技术堆栈的价值链中向上移动。智能自动化将成为新常态，推动新的创新和标准。企业应该开始寻找将隐式智能融入其IT生态系统的方法。我们都需要准备好接受这种新技术浪潮 - 未来的生存工具包！