在日本丰收的季节，一些农民每天花大量时间将农场的黄瓜分成不同的类别，而这是一些人决定采用自动化实施这种沉闷而耗时的工作原因之一。尽管他们不是机器学习专家，但他开始使用谷歌公司热门的开源机器学习框架Tensor Flow，并开发了一种深度学习模型，可根据大小、形状和其他属性对黄瓜进行分类。这个系统并不完美（其准确率约为75％）。但这是人工智能在规模较小的家族企业也能很快转型的一个标志。

　　像谷歌、亚马逊、微软、苹果和Facebook这样的行业巨头当然非常了解这种变革力量。深度学习支撑着亚马逊的推荐系统、谷歌公司的搜索和翻译工具、微软公司的Cortana个人助理，以及许多其他广泛使用的应用程序和服务。大多数财富500强公司也有专门的人工智能团队。但是这些厂商对人工智能的兴趣已经网罗了大量的数据科学家的阵营，这使得大多数中小型企业渴望探索人工智能如何改善其业务，但缺乏专业知识。

　　即使那些有能力聘请顶级人工智能专家的企业仍然需要准备大量的数据集，并花费大量的计算能力来分析它们，并教他们的神经网络识别某些模式或对象。但是，大型云计算提供商意识到这些问题，他们相信已经找到了帮助人们克服这些问题的方法。

　　机器学习即服务或云计算人工智能现在是AmazonWebServices（AWS）、MicrosoftAzure、GoogleCloud和IBMCloud等云计算平台的主要组件。从本质上来说，这些企业提供的工作是通过为其客户提供预训练的深度学习模型（用于图像识别）以及简化构建、培训和部署过程的工具云上的模型。

　　“有些数据科学家知道如何采用编码的工具，有些软件开发人员可能不知道如何正确调整算法，但是如果向他们提供API以进行编码，谁都可以构建应用程序，最后还有点击者的工具，这些工具基本上通过图形用户界面（GUI）相互关联，涵盖了世界上绝大多数人，SkyCype公司的首席执行官ChrisNicholson说。该公司为企业提供深度学习工具。

　　微软Azure MLStudio，AmazonSage Maker，Google Cloud ML Engine都是类似的平台，它们更接近数据科学家的终端，帮助深度学习专家大规模地培训、优化和部署他们的模型。而Amazon Rekognition和谷歌翻译等API则是以预训练模型为基础构建的API：用户只需输入想要分析的公用对象或需要翻译的文本的数据图像或视频，然后等待API提供结果即可。

　　后一种方法的问题在于，深度学习通常用于解决特定的业务问题，而预训练模型可能无法解决。换句话说，如果想让它识别不同类型的黄瓜，那么采用可以识别不同品种的小猫的API是没有用的。

　　“他们说：‘嘿，我们发现了一堆数据，我们训练了一个模型，现在可以用它来预测图像。'”Nicholson说，“但这是一个错误的解决方案在这个意义上，如果用户想定制这个解决方案，在其自己的数据上训练一个模型仍然是非常困难和必要的。”

　　为了弥合高度定制的神经网络与基本的“一劳永逸”预训练模型之间的差距，谷歌公司最近推出了CloudAutoML，该系统使用客户数据自动构建自定义深度学习模型。CloudAutoMLVision是新服务的第一个版本，它允许用户通过拖放界面创建用于图像识别的定制机器学习模型。

　　过去几个月，几家公司一直在测试Cloud Auto ML。例如，迪斯尼公司已经使用该工具开发了一种方法，让顾客可以在其商品中搜索特定的迪士尼角色，即使产品未贴上角色名称标签。而企业仍然需要为Auto ML服务准备自己的数据，但是，这对于一些企业可能会造成问题。

　　“有很多特定于组织的数据，比如他们如何处理发票或他们如何进行客户检查等。”Nicholson说，“对于收集这些数据的组织来说，这仍然是一个挑战，因为很多组织首先并没有真正掌握他们的数据。”

　　谷歌公司的云计算业务位居AWS和微软Azure之后，名列第三位，因此谷歌公司试图利用其人工智能专业知识赢得更多客户并不奇怪。但考虑到培训和部署深度学习模型所需的计算资源，所有主要云计算供应商都愿意为此目的租用芯片。

　　随着企业对人工智能的兴趣增加，机器学习工具无疑将被视为任何云计算服务的重要组成部分。事实上，IDC预测，到2021年，75％的商业企业应用程序将使用人工智能。“因此，企业需要提供这些类型的功能，就像他们需要提供容器功能或监控服务一样。”IDC公司认知/人工智能系统和内容分析研究的研究总监Dave Schubmehl说。

　　但在企业急于部署深度学习工具之前，他们应该停下来考虑是否存在使用它们的明确商业案例。“人们正在以一种非常具体的方式使用深度学习来解决一个非常具体的问题。”Nicholson说，“那些不能确定他们想要解决的具体问题的企业不太可能成功。”