Noll
Video: Hur stora molnleverantörer stack upp i 2018
Om förra veckans Google Nästa 2018 händelse är någon indikation, Google Cloud är snabbt växande. Anmälan till 23 juli-26 juli händelse toppad 25,000, och de faktiska närvaro lätt fördubblats på 10 000 på Google Nästa 2017. Det är bra, men om detta är offentliga moln kommer att komma ikapp med också-snabb-växande konkurrenter Amazon Web Services (AWS) och Microsoft Azure, Google kommer att ha för att spela sina styrkor.
Läs också: Google G Suite ger nya AI: n och verktyg för säkerhet i – CNET
Ur mitt perspektiv, Googles största tilltalar de stora företagen sin djupa lärande (DL), machine learning (ML), och data platform capabilities (även om jag är partisk och min Konstellation kollegor som följer G Svit och resten av Google Cloud Platform (GCP) som den molnbaserade infrastrukturen kan se det på annat sätt). Bland de många meddelanden på Googles Kommande 18, de största stegen framåt-och de som jag ser som mest sannolikt kommer att påskynda tillväxten — var de som syftar till att utvidga användningen av Googles DL, ML, och data plattform kapacitet. Här är en närmare titt.
Cloud AutoML Democratizes Data Vetenskap
Om jag var tvungen att citera den enskilt största tillkännagivandet av Google Nästa 18, jag skulle säga att det var den beta-release av Moln AutoML, som lovar att ta med egna DL modell att bygga kapacitet för att organisationer, även om de inte har data forskare på personal. Det är en self-service, demokratiserad alternativ som bygger på Googles Moln ML Motor, data-vetenskapsman-orienterade erbjudande som blev allmänt tillgänglig i Mars 2017.
Att granska, Moln ML Motorn är en managed maskininlärning-tjänst som låter dig träna, distribuera och exportera anpassade modeller som bygger på Googles öppen källkod-TensorFlow ML ram eller Keras (en öppen neurala net framework som är skrivet i Python som kan köra TensorFlow). Cloud ML-Motorn har automatisk hyperparameter inställning och verktyg för jobbet förvaltning och grafiska processing unit (GPU)-baserad utbildning och prognos. Modeller är även bärbar, så att du kan bygga och träna på GCP men sedan exportera modeller och köra dem på lokaler.
Läs också: Google Cloud Platform: En lathund – TechRepublic
Not till Molnet ML fans, meddelade bolaget på Google Nästa att motorn har lagt till stöd för utbildning och prediktion med hjälp av scikit lära sig (för Python-baserat lärande) och XGBoost (för lutning öka i C++, Java, Python eller R).
Du måste veta vad du gör för att använda Molnet ML Motorn, så för att göra det lättare för icke-data-vetenskap-experter, Google introducerat en serie av maskininlärning och tjänster baserade på färdiga modeller. Utvecklare kan enkelt åberopa application programming interfaces (Api: er) för att utnyttja de tjänster som för Naturliga Språk analysen av text, Tal-till-Text och Text-till-Tal-översättning, och machine Vision bild upptäckt.
Åberopande av en tjänst via ett API är enkel nog, men den ner sidan av dessa allmänna ändamål, färdiga modeller är att de är generella. Tanken med AutoML är att börja med färdiga modeller, men sedan göra det möjligt för icke-data-forskare typer att anpassa via ett enkelt grafiskt användargränssnitt (GUI) och sina egna uppgifter. Genom att ta fördel av all den utbildning som gick in i den färdigbyggda modellen, AutoML kunder att spara utvecklingstid, men de får också mer exakt, anpassade modeller som bygger på utbildning på data som är specifika för deras bransch och organisation.
Läs också: Twitter väljer Google Cloud: Vad det innebär – TechRepublic
Sedan den första alpha-version i februari, Moln AutoML Vision har använts för utvalda kunder. På Google Nästa vi hört om hur återförsäljare på Urban Outfitters har använt AutoML Vision om att bygga en egen modell som erkänner attribut som är unika för sin produkt bilder. Företaget säger att kunden modellen har förbättrade sökfunktion på sin webbplats, att hjälpa kunderna att hitta vad de är ute efter som bygger på visuella referenser, såsom tyg mönster och hals linjer. Dessa visuella referenser som inte nödvändigtvis visas i text-metadata, och de är inte heller utbildad i modellen bakom Googles standard Vision service.
Som aviserades i förra veckan, Moln AutoML är nu i beta (så att det är tillgängligt för alla kunder) och det har utvidgats till att omfatta AutoML Naturligt Språk och Översättning samt Vision.
MyPOV på Moln AutoML. Detta är ett stort steg framåt för Google och det kommer helt klart att tilltala alla företag som vill utnyttja kraften i djup inlärning utan att anställa en data scientist. Det är uppenbart för vem som helst som har jämfört Google Assistant för att de tycker om Amazon Alexa, Apple Siri och Microsoft Boken är att Google röst-och språkkunskaper är de bästa som finns. Cloud AutoML gör state-of-the-art DL tillgängliga för en bred publik, men jag tror att det kommer att överklaga till vanliga utvecklare och data forskare som är likadana.
Jag uppskattar också att Google har breddat överklagande av Moln ML Motorn genom att lägga till stöd för scikit lära sig och XGBoost. Inte alla modellering utmaningar passar TensorFlow, och dessa open source-alternativ utöka möjligheterna både på GCP och för att exportera och distribuera modeller på lokaler.
BigQuery ML Democratizes maskininlärning
Den andra stora Google Nästa meddelande i temat demokratisering var BigQuery ML, en beta-release är utformade för att stödja lärande genom enkel, i stort sett förståeligt SQL-satser. Som namnet antyder, detta nya ML kapacitet har lagts till BigQuery, Google är mycket populära lagring och service. Det är populärt till stor del eftersom det är serverlösa, vilket betyder att det elastiskt skalor upp till petabyte och tillbaka ner på efterfrågan, utan att kräva administration av databasen. Det stöder också SQL 2011 standard uttryck, fråga federationen, hög tillgänglighet, streaming analytics, kryptering och andra bra grejer, men användarvänligheten är BigQuery s calling card — och en konkurrensfördel jämfört med mer administrativt utmanande rivaler AWS Rödförskjutning och Azure SQL-Data Warehouse.
BigQuery ML omfattar SQL-funktionalitet för att stödja lärande genom enkla CREATEMODEL och ml.FÖRUTSÄGA SQL-kommandon. Vid lanseringen, BigQuery ML stöd för linjär regression och binär logistisk regression, men Googles planer på att lägga till många fler algoritmer och stödja uttryck. BigQuery ML gäller vad som är känt som en databas teknik, och alternativet är konventionella metoden av att exportera data till en separat maskin, lärande och analytics miljön, vilket naturligtvis är mer omständligt, tidskrävande och dyrt.
MyPOV på BigQuery ML. Tekniker i-databas utförande av avancerade analyser inklusive machine learning har funnits i nästan ett decennium, som genomförts i IBM Db2, Microsoft SQL Server, Oracle Database, och Teradata, bland andra. Alla dessa databaser finns nu tillgängliga som molntjänster, men där Googles topp hyperscale moln konkurrent är berörda, AWS Rödförskjutning inte har något som BigQuery ML. Microsoft SQL Server stöder i-databas ML, men denna funktion har ännu utökas till sin SQL Azure och Azure SQL-Data Warehouse cloud service motsvarigheter.
Läs också: Google Cloud steg upp lagring spel till domstol Hollywood
Så BigQuery ML är inte ett stort genombrott, men Google är före sin chef moln rivaler i att införa det. Jag är säker på att Microsoft kommer nu att få stöd för SQL Sever maskininlärning Tjänster till sina Azure SQL service ASAP. Jag kommer heller inte bli förvånad om AWS gör en liknande tillkännagivande av Re:Invent 2018, i November, såsom in-databasen-tekniker är inte längre rocket science. När konkurrenter är med i spelet, jag är säker på att vi kommer att se en upmanship i termer av djup och bredd i ML kapacitet. Som jag har sett tidigare i databasen initiativ, regression och logistisk regression är bara början av vad som företag vill göra med massor av uppgifter i deras datalager.
Gå Vertikalt Med AI Lösningar
Google Cloud hade en hel del att säga om sin partner ekosystem på Google Nästa 18, och det står även att det nu har ett åtagande att innefatta minst en partner i 100 procent av sin nya erbjudanden. Bolaget har även ledad på Google Nästa genom deemphasizing produkter och i stället fokusera på lösningar. Det är ett tecken på mognad att gå längs med Google: s tillväxt.
På temat att spela sina starka sidor, Google gjort två andra viktiga meddelanden förra veckan på ett tidigt exempel på en förväntad våg av AI lösningar som byggts med partners. Det första tillkännagivandet var Contact Center AI, som är utformad för att ge Googles virtuella möjligheter agent — inklusive tal-till-text, text-till-tal, behandling av naturligt språk och Dialogflow automatiserat arbetsflöde-till-partner call center-miljöer. Contact Center AI är nu i alpha-version, så att kunderna kan registrera sig, men de är inte kontrollerade för inledande installationer. Listan över partners är omfattande, bland annat Cisco, Casino, Mitel, Twillio, Vonage och ledande systemintegratörer.
Läs också: GitLab flyttar från Azure för att Google Cloud Platform
Den andra AI lösning tillkännagivandet var en planerad uppsättning tjänster med partner Iron Mountain. Som släpps i September, dessa tjänster kommer att göra Googles TensorFlow bild och optisk teckenigenkänning möjligheter som finns till Iron Mountain innehåll analytics, arkivering och lagring kunder. De tjänster som kommer att hjälpa kunder att få veta vad som fysiska och digitala dokument de har, och enligt Iron Mountain, det kommer att hjälpa dem att skapa nya tjänster som bygger på AI-baserad förståelse av och tillgång till detta innehåll.
MyPOV på Google Lösningar: Call center och dokument-orienterade tjänster som är ungefär lika bred som du kan få när det kommer till lösningar. Alla företag som har ett stort antal kunder har ett call-center och Iron Mountain har bokstavligen hundratals av tusentals kunder. Google har även ett partnerskap med SAP, som använder TensorFlow ML/DL lösningar av sina egna. Men Google har knappt skrapat på ytan där lösningar som är berörda.
När enterprise företag införa industrin vertikala lösningar, de är vanligtvis bygger på år av erfarenhet inom flera branscher. Det är inte ovanligt att se dessa företag rulla ut med ett halvt dussin exempel i en första release, och de kommer att ha minst ett par mer på plan. Att Google meddelade bara två lösningar och hade ingen färdplan för ytterligare utgåvor berättar för dig att det är mycket tidiga dagar för detta företags lösningar och vertikala industri erbjudanden.
Min Samlade Ta på Google Nästa 18
Studier tyder på att vi är på väg in i en multi-cloud världen, och, ja, jag har talat med många av de företag som använder mer än en public cloud provider. Det vanligaste mönstret jag ser är företag som bygger och program som körs på AWS. I färre fall Azure är deras primära moln, men det är väldigt ofta deras val av e-tjänster och desktop-program via Microsoft Office 365. När Google Cloud är i mixen, nio gånger av tio jag höra att det var valt för sin data plattformar och ML/DL kapacitet. Naturligtvis mina provtagning är partisk eftersom just dessa är mina forskningsområden. Icke desto mindre, detta är den viktigaste anledningen till varför jag tycker det är så viktigt för Google att spela upp sin data till beslut styrkor.
Utöver AutoML och BigQuery ML meddelanden, Google erbjuds ett antal andra AI – och ML – relaterade meddelanden. Kubeflow, till exempel, löften om att stödja komplett maskin lärande travar på Kubernetes. Och low-power Edge TPU (TensorFlow Processing Unit) marker löfte om att få Googles DL trolldom till mobila och fjärrstyrda sensorer och enheter. Så jag skulle säga att Google Cloud gjorde ett bra jobb med att fördubbla ned på dessa styrkor, men mycket arbete som måste göras.
Läs också: Google Cloud expanderar Android Enterprise Program
Medan Google har fokuserat på att demokratisera data vetenskap med AutoML, AWS verkar ha mer att säga om end-to-end modell förvaltning med SageMaker. Microsoft, under tiden, är att ta itu model management samt data-och modell härstamning och styrning med Azure maskininlärning. Eftersom antalet modeller och versioner fästen, model management och data härstamning och styrning blivit allt viktigare. Utanför den grundläggande ämnet för säkerhet, jag hör inte mycket om dessa ämnen på Google Nästa. Som för AI lösningar, partnerskap med Iron Mountain, SAP och kontakta leverantörer center är en start, men företaget är tydligt i början av banan där AI-baserade lösningar för industrin är berörda.
Forskning:
Amazon Web Services lägger till ännu mer data och ML tjänster, men när är nog nog?Microsoft betonar val, från SQL Server 2017 till Azure Maskinen LearningGoogle Moln satsar på data, tjänster och ML/AI, skalor företag
Relaterade Ämnen:
Big Data Analytics
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
0