数据哪存比较好？AI把用户“逼上”公有云

愈来愈多的AI利用产生在云端，特别是对智能技术需求高的行业而言，他们乃至可以说是被AI逼上公有云，而那些本来使用私有云的企业用户，也由私有云跃迁到了混合云。

　　数据和算力是保持AI的两大要素，而传统的计算环境是难以满足2者的指数级增长的。举个例子，数据的类型大体可分为结构化数据、非结构化数据、半结构化数据。一个数据从产生到落地要经过搜集、传输、分析、检索、发掘等阶段。如果要让机器像人一样去“看”数据，恐怕穷尽一生也没法分析完。

　　如果在云端借助Hadoop集群和Spark这样的通用计算引擎，或是Storm等计算框架，就能够将数据分解为多个部份，对每部份的数据进行分析，以后将效果汇总经过量轮计算挑选出结果。对机器学习来讲，它们也许会找到一些新的特点，并对这些特点进行归纳来辨认出一把新的椅子。这一进程中，需要有海量、不同的椅子照片供给计算机去学习。而这一切，没有数据中心的庞杂算力支持是没法实现的。

　　当人工智能走向云端，开发者既是第一批受益者，又成了云服务商手中的关键资源。微软将在AI领域20多年的研究成果会聚成Azure云真个认知服务，以API的情势开放给开发者，开发者只需要几行代码，便可调用认知服务API取得对应的能力，并将这样的能力跨装备、跨平台利用到Windows、iOS、Android上。这些API包括人脸辨认API、情绪辨认API和计算机视觉API等等。拿情感辨认来讲，开发者可以经过人脸API针对图象中的每张人脸返回情感集的检测置信度和人脸的范围框，检测到的情感可以是快乐、悲伤、意外、愤怒、恐惧、鄙弃、讨厌或中性。

　　另外，就像微软不惜重金收购GitHub、谷歌开源TensorFlow一样，关键的开发者群体或社区贡献着数以万计的利用资源，而背后的这些数据资源如果悉数运行在Azure或谷歌云平台上，对微软和谷歌的云业务发展必将是不错的助力。

　　就像当下比较火热的AI芯片TPU方案，作为谷歌自主研发的针对深度学习加速的专用人工智能芯片，专为TensorFlow设计，AlphaGo使用的就是TPU 2.0芯片。在TPU 3.0中，其计算能力最高可到达100PFlops，是TPU 2.0的8倍多。为了更快地训练和运行机器学习模型，谷歌还推出了Cloud TPU，单个Cloud TPU的计算能力到达180万亿次浮点运算，具有64 GB高带宽内存，为云端超算打下了基础。

　　落地到行业，对云上智能先知先觉的传统企业深有感触。以物流为例，物流企业比拼的已不止是车队数量和仓储空间，而是学会借助大数据、物联网和AI技术，深入到每个环节打造智慧的物流平台。这一进程中，云计算扮演着相当重要的角色。过去，写一套完全的物流系统需要调动研发、运维、安全、网络等多个部门的人。如今一个明显的现象是，管理数千辆车范围车队的运营负责人已可以是学算法专业的年轻人。为何会有这类变化？缘由是这些人会利用算法处理大数据，经过优化运输环节从而提升物流运转的效力。

　　对物流企业来讲，每天会产生数亿条数据，对海量信息进行处理离不开云计算。具体到实际场景中，车载装备从位置定位、油耗传感器、温度、速度搜集的数据会交由云端处理，例如IoT组件可以经过规则引擎组件中编写类SQL语句无缝对接大数据套件，进行车辆路径、车辆计划、司机排班等的优化，而兼容MySQL协议和语法的腾讯云散布式云数据库DCDB还支持自动水平拆分的高性能散布式数据库，即业务显示为完全的逻辑表，数据被均匀拆分到多个分片中，每一个分片默许采取主备架构，可以提供涵盖灾备、恢复、监控、不停机扩容的全套方案。

　　固然，其实不是任何一祖传统企业都会先尝试公有云，但他们也会为取得全栈的AI能力去尝试部份上云。工业互联网时期产生的数据量比传统信息化要多数千倍乃至数万倍，并且是实时收集、高频度、高密度的，动态数据模型随即可变，乃至良品率的细微变化都会带来数据模型重建。这样一来，如果做不到工业数据实时更新，智能制造就无从谈起。

　　以福耀玻璃为例，其借助IBM云平台重构了端到真个竞价流程，经过开放API让客户实时看到定单的履行状态将原来分散在ERP、CRM、采购、物料等数10个系统中的本钱因素进行智能分析，并在云端建造了1:1尺寸的3D可视化虚拟工厂，将研发、工艺、生产、制造、优化、仿真、服务等环节的状态以3维建模的情势实时摹拟出来，不久的将来更有望在虚拟端解决80%的质量、效力、本钱问题。将敏感数据放在本地，把重资产业务放在云端快捷处理，利用混合云环境的微服务、容器、API来获得商业智能的能力，这也是源于AI的推动。

　　各行各业的数据指数级增长，使得人们对信息的处理方式有了重新思考，将其智能化当前是重要途径之一，而背后的基础支持离不开云计算。也能够说，企业对智慧化转型的迫切需求推动了云计算的发展。

免责声明：
本网址（www.yingxiongyun.com）发布的材料主要源于独立创作和网友匿名投稿。此处提供的所有信息仅供参考之用。我们致力于提供准确且可信的信息，但不对材料的完整性或真实性作出任何保证。用户应自行验证相关信息的正确性，并对其决策承担全部责任。对于由于信息的错误、不准确或遗漏所造成的任何损失，本网址不承担任何法律责任。

本网站所展示的所有内容，如文字、图像、标志、音频、视频、软件和程序等的版权均属于原创作者。

如果任何组织或个人认为网站内容可能侵犯其知识产权，或包含不准确之处，请即刻联系我们进行相应处理。