云中的一些优秀机器学习服务可以使用户能够更好地分析数据，并获得新的见解。用户通过云计算访问这些服务在成本和工作时间方面往往是高效的。
机器学习(ML)是人工智能(AI)的子集，它试图以几种不同的方式从数据集“学习”，其中包括监督学习和无监督学习。有许多可用于机器学习的不同技术，例如各种商业工具以及开源框架。
尽管组织可以选择在本地部署机器学习框架，但这通常是一项复杂且占用大量资源的工作。机器学习得益于专用硬件，包括推理芯片和优化的GPU。机器学习框架通常也很难正确部署和配置。技术复杂性导致了云平台机器学习服务的兴起，该服务提供了正确的硬件和优化配置的软件，使组织可以轻松地开始使用机器学习。
主要特征
大多数机器学习的云计算服务都包含几个关键功能：
AutoML——自动化的机器学习功能自动帮助构建正确的模型。
机器学习工作室——工作室的概念就是提供一个可以构建机器学习模型和数据建模方案的开发人员环境。
开源框架支持——支持现有框架(如TensorFlow、MXNet和Caffe)的能力非常重要，因为它有助于实现模型的可迁移性。
如何选择
在评估云端机器学习服务的不同选项时，需要考虑以下条件：
现有服务——每个主要的公共云提供商都拥有自己的机器学习服务。通常，用户坚持使用数据已经存在的同一平台通常是一个容易的选择。 数据访问——提取数据或从任何所需来源中提取数据集的能力是重要的考虑因素，否则只是简单地移动数据就会浪费大量时间。 工作流建模——机器学习可能是一项复杂的活动，因此，最好确保有易于使用的工作流建模功能。
以下优秀公司列表将重点介绍提供云计算优秀机器学习服务的供应商。
1.阿里巴巴
对于潜在买家的价值主张：对于那些有机器学习需求的用户来说，阿里巴巴公共云是一个不错的选择，因为其数据集遍布全球，尤其是在亚洲，阿里巴巴是一家领先的云计算服务商。
关键价值/区别
阿里巴巴的主要区别在于其PAI Studio工具，该工具集成了用于数据预处理、功能工程和统计分析的预构建模块。
使用AutoML进行自动参数调整是一项强大的功能，可帮助用户自动微调算法以获得所需的结果。
可视界面可以帮助用户以拖放方式设置机器学习工作流程。 支持多种常见的机器学习框架，其中包括TensorFlow、MXNet和Caffe
2.亚马逊网络服务(AWS)
对于潜在购买者的价值主张：AWS公司拥有当今云中最广泛的机器学习服务，其SageMaker产品组合具有领先地位，其中包括在云平台中构建、训练和部署模型的功能。
关键价值/区别
SageMaker是AWS公司的完全托管产品，具有多种服务，其中包括：
Ground Truth——用于构建和管理培训数据集 Studio——机器学习的完整集成开发环境 Autopilot——用于自动构建和训练模型 模型调整——用于参数优化 AWS公司的主要区别在于SageMaker服务与记事本的可扩展性，使用户可以在机器学习模型上共享和协作。此外，AWS市场还提供了第三方预构建的算法和模型供用户使用。
支持的框架包括TensorFlow、PyTorch、Apache MXNet、Chainer、Keras、Gluon、Horovod、Scikit-learn和Deep Graph Library。
3.谷歌云
对潜在购买者的价值主张：谷歌云的机器学习服务集也在不断扩展和增长，针对特定用例的通用服务和针对特定目的而构建的服务。
关键价值/区别
云中谷歌云机器学习服务的核心元素是Cloud AutoML套件，该套件旨在轻松帮助用户开始构建和部署模型。
使机器学习更容易也是人工智能集线器的目标，该集线器具有组件开发人员可以用来构建模型的存储库。
人工智能或机器学习模型仅取决于其所基于的数据，这就是谷歌公司提供的人工智能平台数据标签服务如此有用，有助于正确准备和识别用于机器学习的正确数据的原因。
关键区别在于视觉人工智能和视频人工智能，它们是用于视频和音频数据的重点工具。
4.IBM Watson
对潜在购买者的价值主张：IBM Watson机器学习使用户可以在任何云平台或仅在IBM Cloud上运行模型。
关键价值/区别
IBM Watson机器学习的一个关键区别是本地组件，该组件使用户可以首先在本地构建模型，然后使用该模型在任何云上运行。
在IBM 云平台上，对Watson机器学习进行了全面管理，包括用于构建和部署模型的Watson Studio开发人员环境。
仅运行模型是不够的，监视和衡量结果也很重要，这是IBM Watson OpenScale服务与IBM 云平台配合的地方，为人工智能提供了治理和监视模型。
IBM云平台上的GPU加速的机器学习培训支持Keras、PyTorch、Tensorflow和Caffe框架。
5.微软Azure
对潜在买家的价值主张：对于已经采用Microsoft Azure云平台的组织，Azure机器学习非常适合，它提供了一个用于训练、部署和管理机器学习模型的云计算环境。
关键价值/区别
Azure机器学习的主要区别在于服务的直观拖放设计器，用于构建机器学习模型。 微软公司在其平台上采用了MLOps的概念，提供了一种DevOps风格的方法来构建和管理机器学习管道和工作流。
Azure机器学习的另一个优势领域是服务集成的安全性和治理控制，可以帮助使机器学习工作与合规性工作以及身份和隐私控制保持一致。 支持多种开源框架，包括PyTorch、TensorFlow、Kera和scikit-learn。
6.Oracle
对潜在买家的价值主张：对于已经使用Oracle Cloud应用程序的组织来说，Oracle机器学习是一个有用的工具，可以帮助构建数据挖掘记事本。
关键价值/区别
Oracle机器学习(OML)包括多项服务，例如OML笔记本、OML微服务、OML4SQL以及Oracle Data Miner。
Oracle机器学习服务的一项关键功能是集成的协作功能，可帮助用户一起工作。 OML服务与包括公司同名数据库的Oracle应用程序很好地集成在一起。
7.Salesforce Einstein
对潜在购买者的价值主张：Salesforce Einstein是一个专用的机器学习平台，与Salesforce平台紧密集成。
关键价值/区别
Salesforce Einstein的主要目的是帮助Salesforce的用户从他们自己的数据中获得更好的见解。
除了仅与现有Salesforce应用程序一起使用外，Einstein还可以用于构建从Saleforce应用程序云平台交付的人工智能驱动的应用程序。
Einstein Discovery是核心的机器学习服务，还可用于在Salesforce之外的数据中查找见解和模式。
【凡本网注明来源非中国IDC圈的作品，均转载自其它媒体，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。】
