Google将AI置于云超扩展的中心

Google LLC仍然是人工智能的强大力量，而人工智能是云，边缘和企业计算的基础前沿。

超大规模是推动Google在AI市场上所做的一切的一项原则。一年前，在Big Data SV的CUBE上，一位Google高管讨论了AI最佳实践，该公司在市场营销方法中全面执行了AI最佳实践，而可扩展性是所有这些的核心：

建立敏捷的企业文化，将以人工智能为先的方法置于数字化转型的核心。

组建一支具有技能和远见的全球AI团队，以推动必要的创新。

一直到边缘部署高性能AI硬件基础架构。

为开发人员提供加速和自动化创新AI应用程序构建的工具。

确保存在用于构建和培训所有AI应用程序的高质量精选大数据。

Google严格应用这些超扩展原则，以突出其在以下领域的AI行业领先地位：

AI开发人员社区参与度：Google是TensorFlow 框架的主要开发人员，该 框架是全球范围内使用最广泛的深度学习工具包。该公司几年前开源TensorFlow，并继续对该框架进行大量投资。

人工智能研发：谷歌将继续通过自己的实验室以及Alphabet Inc.公司DeepMind Technologies Ltd.进行的研究来探索AI前沿。

云端AI：对于企业客户而言，Google Cloud Platform是供应商AI和数据管理进入市场战略的核心，尽管AI技术也是其移动和Web产品部门(如Android)的核心。

作为一家非常依赖于大量AI的商业模式的公司，Google去年 成立了一个新的业务部门， 致力于将AI整合到其产品组合中。Google Cloud Platform是这一战略推动力的核心，特别强调了以下针对AI的新兴需求：

最大限度地提高客户的AI DevOps管道自动化：Google Cloud正在其公共云中迅速增强其云对数据提取，准备，建模，超参数优化，培训和其他高科技数据科学管道工作负载自动化的支持。Google的Cloud AutoML服务仍处于测试阶段，是该领域的技术标杆。此外，Google一直是Kubeflow背后的主要开发商，Kubeflow是一个行业开源项目，正在创建一个与框架无关的管道，以将AI微服务跨多框架，多云和云原生生态系统投入生产。

加快实现客户AI应用程序开发计划的价值的时间：Google Cloud不断扩展其一站式产品组合，其中包括开发人员友好的工具，预打包的解决方案和经过培训的模型，以简化对公共云中AI功能的访问。在这方面，该公司现在提供诸如云张量处理单元，机器学习引擎，作业发现，Dialogflow，自然语言，文本到语音，翻译API和视频智能等产品。它还将AI集成到其用于移动和Web应用程序开发的工具中，以实现低代码编程。而且，它在越来越多的针对特定业务应用程序的AI支持的预打包云服务，例如推荐引擎，联络中心和人才管理。

使用AI并针对AI优化端到端客户数据平台：Google Cloud继续在其服务组合中构建更多由AI驱动的IT优化，网络安全和合规性功能，包括存储和大数据分析产品，例如BigTable，Cloud Storage，数据存储，永久磁盘，MemoryStore，BigQuery，Dataflow，Dataproc，Composer，Datalab，Dataprep，Pub / Sub和Data Studio。该公司正在发展这些云解决方案，以处理最苛刻的AI工作负载，同时与NetApp等公司合作，为AI应用提供同类最佳的云文件存储。例如，在过去的一年中，它发布了Google Cloud Spanner，这是一种水平可伸缩的关系数据库服务，适用于处理在线事务处理工作负载和资源密集型AI工作负载。Spanner经过精心设计，可以满足Google对全球可扩展性和效率的运营需求。但是，它并不是为所有企业工作负载而设计的，它的设计更多是为了实现强大的全局一致性，而不是可用性。它在在线分析处理，资源访问控制，迁移工具，备份集成，视图功能和数据建模方面具有功能限制。

当我们考虑在Next '18下在CUBE上进行的采访时，我们可以找到有关Google计划如何在未来几年中将AI纳入其云数据超扩展优先级的线索：

云数据仓库超扩展中的AI：Google Cloud产品管理总监Sudhir Hasbe：“当我们与客户交流时，他们通常在机器学习方面面临的最大挑战之一就是，每当您想要进行机器学习时，就必须从核心数据仓库中获取数据，例如在BigQuery中，您有PB级的可伸缩数据集，TB级的数据集。现在，如果您想对机器的任何部分进行机器学习，请将其从BigQuery中删除，然后将其移至某个机器学习引擎中，您就会意识到，“哦，我错过了一些我需要的数据。” 我回去，然后再次获取数据，将其移动，您必须来回移动太多时间……。数据科学家说他们有80%的时间在花在移动数据，整理数据以及所有这些事情上……。人们为什么必须将数据移至机器学习引擎?为什么我不能利用机器学习功能，将其移动到数据所在的位置，所以使机器学习更接近数据，而不是数据更接近机器学习。因此，BigQuery ML就是这样，它是一种在BigQuery的数据仓库自身内部运行类似回归模型的功能，这样您就可以做到这一点。”

云计算网络安全超大规模化中的AI：Google Cloud安全，信任，合规性和隐私总监Suzanne Frey：“我们谈论垃圾邮件和网络钓鱼防护之类的事情，每天，我们都会收到数十亿个有关恶意信息或恶意软件，勒索软件等信号。 。因此，对于这方面在世界范围内下一分钟发生的事情，我们的等待时间很短。这使我们在真正思考接下来将要发生的事情方面具有竞争优势。我们当然知道机器学习，无论是智能撰写和智能回复，还是实际上基于安全性的异常检测。对于一家公司来说，异常情况不一定对另一家公司而言是异常情况，这取决于您所从事的业务等。因此，我们在机器学习方面进行了投资，并了解了如何以自动化方式成为客户的安全守护者，因此人们不必担心安全性。我们已经为他们照顾好了。那是圣杯，这就是我们现在正在投资的东西。”

当Wikibon展望Next '19时，Google的工作已在云端AI领域中完成。在过去的一年中，其主要的公共云竞争对手已经取得了重大进展，以增加其工具，服务和应用程序来驱动深度学习，机器学习和其他AI功能。同样重要的是，亚马逊网络服务公司，微软公司，IBM公司和其他云厂商已将创新的AI沿创新方向引入其多云和混合云产品中，这些挑战挑战了谷歌如果希望保持相关性，则做出回应。至少，Wikibon建议Google继续遵循以下云AI优先事项：

扩大其开箱即用，业务线和特定于行业的服务范围，这些服务结合了AI，可以缩短客户评估和将Google Cloud定位为更可靠的SaaS播放器的时间。

基于丰富的TensorFlow堆栈的商业化并将其构建为Kubeflow上的团队工作台以开发云原生DevOps，从而提高其AI管道自动化工具的产品化水平，从而为AWS SageMaker，Microsoft Azure Machine Learning和IBM Watson提供强大的替代方案工作室。

通过基于云和以众包为中心的替代最近推出 的Amazon SageMaker Ground Truth通用可用性，使客户的人工劳动密集型AI培训数据标记工作流自动化 。