Google將AI置于云超擴展的中心

Google LLC仍然是人工智能的強大力量，而人工智能是云，邊緣和企業計算的基礎前沿。

超大規模是推動Google在AI市場上所做的一切的一項原則。一年前，在Big Data SV的CUBE上，一位Google高管討論了AI最佳實踐，該公司在市場營銷方法中全面執行了AI最佳實踐，而可擴展性是所有這些的核心：

建立敏捷的企業文化，將以人工智能為先的方法置于數字化轉型的核心。

組建一支具有技能和遠見的全球AI團隊，以推動必要的創新。

一直到邊緣部署高性能AI硬件基礎架構。

為開發人員提供加速和自動化創新AI應用程序構建的工具。

確保存在用于構建和培訓所有AI應用程序的高質量精選大數據。

Google嚴格應用這些超擴展原則，以突出其在以下領域的AI行業領先地位：

AI開發人員社區參與度：Google是TensorFlow 框架的主要開發人員，該 框架是全球范圍內使用最廣泛的深度學習工具包。該公司幾年前開源TensorFlow，并繼續對該框架進行大量投資。

人工智能研發：谷歌將繼續通過自己的實驗室以及Alphabet Inc.公司DeepMind Technologies Ltd.進行的研究來探索AI前沿。

云端AI：對于企業客戶而言，Google Cloud Platform是供應商AI和數據管理進入市場戰略的核心，盡管AI技術也是其移動和Web產品部門(如Android)的核心。

作為一家非常依賴于大量AI的商業模式的公司，Google去年 成立了一個新的業務部門， 致力于將AI整合到其產品組合中。Google Cloud Platform是這一戰略推動力的核心，特別強調了以下針對AI的新興需求：

最大限度地提高客戶的AI DevOps管道自動化：Google Cloud正在其公共云中迅速增強其云對數據提取，準備，建模，超參數優化，培訓和其他高科技數據科學管道工作負載自動化的支持。Google的Cloud AutoML服務仍處于測試階段，是該領域的技術標桿。此外，Google一直是Kubeflow背后的主要開發商，Kubeflow是一個行業開源項目，正在創建一個與框架無關的管道，以將AI微服務跨多框架，多云和云原生生態系統投入生產。

加快實現客戶AI應用程序開發計劃的價值的時間：Google Cloud不斷擴展其一站式產品組合，其中包括開發人員友好的工具，預打包的解決方案和經過培訓的模型，以簡化對公共云中AI功能的訪問。在這方面，該公司現在提供諸如云張量處理單元，機器學習引擎，作業發現，Dialogflow，自然語言，文本到語音，翻譯API和視頻智能等產品。它還將AI集成到其用于移動和Web應用程序開發的工具中，以實現低代碼編程。而且，它在越來越多的針對特定業務應用程序的AI支持的預打包云服務，例如推薦引擎，聯絡中心和人才管理。

使用AI并針對AI優化端到端客戶數據平臺：Google Cloud繼續在其服務組合中構建更多由AI驅動的IT優化，網絡安全和合規性功能，包括存儲和大數據分析產品，例如BigTable，Cloud Storage，數據存儲，永久磁盤，MemoryStore，BigQuery，Dataflow，Dataproc，Composer，Datalab，Dataprep，Pub / Sub和Data Studio。該公司正在發展這些云解決方案，以處理最苛刻的AI工作負載，同時與NetApp等公司合作，為AI應用提供同類最佳的云文件存儲。例如，在過去的一年中，它發布了Google Cloud Spanner，這是一種水平可伸縮的關系數據庫服務，適用于處理在線事務處理工作負載和資源密集型AI工作負載。Spanner經過精心設計，可以滿足Google對全球可擴展性和效率的運營需求。但是，它并不是為所有企業工作負載而設計的，它的設計更多是為了實現強大的全局一致性，而不是可用性。它在在線分析處理，資源訪問控制，遷移工具，備份集成，視圖功能和數據建模方面具有功能限制。

當我們考慮在Next '18下在CUBE上進行的采訪時，我們可以找到有關Google計劃如何在未來幾年中將AI納入其云數據超擴展優先級的線索：

云數據倉庫超擴展中的AI：Google Cloud產品管理總監Sudhir Hasbe：“當我們與客戶交流時，他們通常在機器學習方面面臨的最大挑戰之一就是，每當您想要進行機器學習時，就必須從核心數據倉庫中獲取數據，例如在BigQuery中，您有PB級的可伸縮數據集，TB級的數據集。現在，如果您想對機器的任何部分進行機器學習，請將其從BigQuery中刪除，然后將其移至某個機器學習引擎中，您就會意識到，“哦，我錯過了一些我需要的數據。” 我回去，然后再次獲取數據，將其移動，您必須來回移動太多時間……。數據科學家說他們有80%的時間在花在移動數據，整理數據以及所有這些事情上……。人們為什么必須將數據移至機器學習引擎?為什么我不能利用機器學習功能，將其移動到數據所在的位置，所以使機器學習更接近數據，而不是數據更接近機器學習。因此，BigQuery ML就是這樣，它是一種在BigQuery的數據倉庫自身內部運行類似回歸模型的功能，這樣您就可以做到這一點。”

云計算網絡安全超大規模化中的AI：Google Cloud安全，信任，合規性和隱私總監Suzanne Frey：“我們談論垃圾郵件和網絡釣魚防護之類的事情，每天，我們都會收到數十億個有關惡意信息或惡意軟件，勒索軟件等信號。 。因此，對于這方面在世界范圍內下一分鐘發生的事情，我們的等待時間很短。這使我們在真正思考接下來將要發生的事情方面具有競爭優勢。我們當然知道機器學習，無論是智能撰寫和智能回復，還是實際上基于安全性的異常檢測。對于一家公司來說，異常情況不一定對另一家公司而言是異常情況，這取決于您所從事的業務等。因此，我們在機器學習方面進行了投資，并了解了如何以自動化方式成為客戶的安全守護者，因此人們不必擔心安全性。我們已經為他們照顧好了。那是圣杯，這就是我們現在正在投資的東西。”

當Wikibon展望Next '19時，Google的工作已在云端AI領域中完成。在過去的一年中，其主要的公共云競爭對手已經取得了重大進展，以增加其工具，服務和應用程序來驅動深度學習，機器學習和其他AI功能。同樣重要的是，亞馬遜網絡服務公司，微軟公司，IBM公司和其他云廠商已將創新的AI沿創新方向引入其多云和混合云產品中，這些挑戰挑戰了谷歌如果希望保持相關性，則做出回應。至少，Wikibon建議Google繼續遵循以下云AI優先事項：

擴大其開箱即用，業務線和特定于行業的服務范圍，這些服務結合了AI，可以縮短客戶評估和將Google Cloud定位為更可靠的SaaS播放器的時間。

基于豐富的TensorFlow堆棧的商業化并將其構建為Kubeflow上的團隊工作臺以開發云原生DevOps，從而提高其AI管道自動化工具的產品化水平，從而為AWS SageMaker，Microsoft Azure Machine Learning和IBM Watson提供強大的替代方案工作室。

通過基于云和以眾包為中心的替代最近推出 的Amazon SageMaker Ground Truth通用可用性，使客戶的人工勞動密集型AI培訓數據標記工作流自動化 。