纳德拉指出,机器学习能力将成为云计算的战场

简介:

随着云计算使用的越来越广泛,微软CEO 萨提亚·纳德拉决定将机器学习能力作为公司的重点发展方向。

这一领域正在迅速成为大云服务商的战场。谷歌和AWS都提供了一系列工具,让开发人员可以更加容易地创建“智能”的应用程序,而Salesforce热衷于将人工智能纳入到软件服务。

在伦敦Canary Wharf金融区的会议上,纳德拉重点讲解了如何将机器学习能力覆盖微软的系列云产品——从Azure基础设施和平台的云服务,到Dynamics和Office365云软件。

首先,他强调了Azure的IaaS如何支持“下一代应用程序”。

他说:“每当你想到基础设施层,你总是被未来的应用所推动:不仅仅是今天,开发人员将编写什么,什么是未来应用程序的核心?”

“答案很清楚”。

“它是数据,更重要的是,有能力通过数据创造智能。”他解释说。

“因此,我们正在建设我们的基础设施,以支持这一行动,使每一个开发人员能够将智能注入到他们所做的一切中。”

纳德拉说,GPU支持基础设施,GPU“调整”以支持机器学习能力,如深神经网络。

他说:“每个计算节点的Azure实际上有FPGA现场可编程门阵列——这意味着你可以将你的AI工作负载以硅的速度运行。”

本文转自d1net(转载)

目录
相关文章
|
机器学习/深度学习 监控 API
基于云计算的机器学习模型部署与优化
【8月更文第17天】随着云计算技术的发展,越来越多的数据科学家和工程师开始使用云平台来部署和优化机器学习模型。本文将介绍如何在主要的云计算平台上部署机器学习模型,并讨论模型优化策略,如模型压缩、超参数调优以及分布式训练。
1562 2
|
机器学习/深度学习 自然语言处理 安全
拥抱变革:我的云计算技术感悟之旅探索机器学习中的自然语言处理技术
【5月更文挑战第29天】 在信息技术不断演进的今天,云计算作为一项革命性的技术,正引领着整个行业的未来。本文通过分享个人的技术感悟,探讨了云计算如何影响现代技术生态,以及它对技术专业人士所带来的挑战与机遇。文章基于实际案例和经验,阐述了从传统IT架构向云服务的转型过程中所面临的技术难题,并提出了解决策略。同时,展望了云计算未来的发展趋势及其对技术从业者的影响。
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】自然语言引导下的单目深度估计:泛化能力与鲁棒性的新挑战
【机器学习】自然语言引导下的单目深度估计:泛化能力与鲁棒性的新挑战
193 0
|
机器学习/深度学习 数据采集 前端开发
【Python机器学习专栏】模型泛化能力与交叉验证
【4月更文挑战第30天】本文探讨了机器学习中模型泛化能力的重要性,它是衡量模型对未知数据预测能力的关键。过拟合和欠拟合影响泛化能力,而交叉验证是评估和提升泛化能力的有效工具。通过K折交叉验证等方法,可以发现并优化模型,如调整参数、选择合适模型、数据预处理、特征选择和集成学习。Python中可利用scikit-learn的cross_val_score函数进行交叉验证。
922 0
|
机器学习/深度学习 数据采集 监控
构建高效机器学习模型的策略与实践云端防御:融合云计算与网络安全的未来策略
【4月更文挑战第29天】 在数据驱动的时代,构建一个高效的机器学习模型对于解决复杂问题至关重要。本文将探讨一系列策略和最佳实践,旨在提高机器学习模型的性能和泛化能力。我们将从数据处理的重要性入手,进而讨论模型选择、训练技巧、超参数调优以及模型评估方法。通过这些策略的实施,读者将能够构建出更加健壮、准确的模型,并有效地避免过拟合和欠拟合问题。
|
机器学习/深度学习 人工智能 算法
Interview:机器学习算法工程师求职九大必备技能之【数学基础、工程能力、特征工程、模型评估、优化算法、机器学习基本概念、经典机器学习模型、深度学习模型、业务与应用】(建议收藏,持续更新)
Interview:机器学习算法工程师求职九大必备技能之【数学基础、工程能力、特征工程、模型评估、优化算法、机器学习基本概念、经典机器学习模型、深度学习模型、业务与应用】(建议收藏,持续更新)
Interview:机器学习算法工程师求职九大必备技能之【数学基础、工程能力、特征工程、模型评估、优化算法、机器学习基本概念、经典机器学习模型、深度学习模型、业务与应用】(建议收藏,持续更新)
|
机器学习/深度学习 数据采集 算法
机器学习之PyTorch和Scikit-Learn第一章 赋予计算机学习数据的能力Part 2
前面我们讨论了机器学习的三大分类:监督学习、无监督学习和强化学习,下面来学习本书中会用到一些基本术语。下面的一小节中包含用于表示数据集各方面的常用术语,以及可实现更精准高效沟通的数学符号。
292 0
|
机器学习/深度学习 人工智能 算法
机器学习之PyTorch和Scikit-Learn第一章 赋予计算机学习数据的能力Part 1
在作者的心目中,机器学习这一解释推理数据的应用和算法科学,是计算机科学中最令人振奋的领域!我们生活在数据多到泛滥的时代,使用机器学习领域的自学习算法 ,可以将数据转换为知识。借助近些年来开发的众多开源库,我们迎来了进入机器学习领域最好的时代,可以学习利用强大的算法来一窥数据的模式并对未来事件进行预测。
268 0
|
供应链 自动驾驶 安全
汽车云市场需求爆发,云计算厂商们的下一个战场
一方面,传统车企数字化转型面临着技术架构升级、产品制造到运营全流程的改造,需要通过全面上云来推动庞大的改革。 同时,自动驾驶的研发竞速日趋白热化,自动驾驶大规模上路之前,算力成为关键角逐点。车企和自动驾驶科技公司通过云端算力加持,提升研发效能,降低研发成本。
|
机器学习/深度学习 人工智能
ML之DT:机器学习根据大量数据,已知年龄、收入、是否上海人、私家车价格的一个人,预测是否有真实购买上海黄浦区楼房的能力
ML之DT:机器学习根据大量数据,已知年龄、收入、是否上海人、私家车价格的一个人,预测是否有真实购买上海黄浦区楼房的能力
ML之DT:机器学习根据大量数据,已知年龄、收入、是否上海人、私家车价格的一个人,预测是否有真实购买上海黄浦区楼房的能力

热门文章

最新文章