谷歌欲借机器学习技术在云服务领域赶超AWS与Azure

简介:

北京时间9月15日消息,据国外媒体报道,谷歌过去几年一直在提供公有云服务,但在客户增长方面,这家搜索巨头仍然落后于主要竞争对手亚马逊和微软。


  谷歌数据中心内部一瞥

在VMware联合创始人、谷歌云计算业务执行副总裁戴安妮·格林(Diane Greene)的领导下,谷歌更加努力地建立合作关系,同时开发新产品以吸引大客户。在此期间,谷歌云服务增加了许多重要客户,比如流媒体音乐平台Spotify。

机器学习成竞争优势

如今,印象笔记(Evernote)也加入到他们的行列中了。该公司周二表示,会将自家服务从自有数据中心迁移出来,转到谷歌的公有云平台上。印象笔记首席技术官安尔班·昆杜(Anirban Kundu)表示,在寻找公有云服务提供商时,该公司不仅对最基本的基础设施感兴趣,而且还对高水平的机器学习服务以及创建基于机器学习系统的服务感兴趣。

谷歌云端自然语言API之类的工具对印象笔记吸引力非常大。云端自然语言(Cloud Natural Language)API可以将人类语言转化为计算机程序可以理解的东西。实际上,在争夺这个客户过程中,这些高水平机器学习工具足以让谷歌击败亚马逊AWS——后者被普遍认为是公有云平台领域的领导者。

昆杜在接受采访时表示:“AWS在机器学习基础设施方面很强,但在机器学习应用方面很一般,我们认为谷歌绝对在后一个方面领先于他们。”昆杜对亚马逊机器学习能力的评价也得到了领英联合创始人雷德·霍夫曼(Reid Hoffman)的响应。他在TechCrunch Disrupt大会上表示,谷歌和微软是云端计算学习领域的领导者,而AWS“则在努力追赶”。

此外,昆杜表示在印象笔记进行的一系列测试中,谷歌的服务要比竞争对手更准确。他说,除了要从某平台机器学习服务中寻找潜在功能外,对云服务客户来说,重要的是要知道那些服务能够做什么。在被问到谷歌最终是否会比微软更强大时,昆杜表示他不想对两家公司做直接比较,但“测试结果的确很有利于谷歌。”

这些机器学习工具对印象笔记来说很重要,该公司正寻求基于现有记笔记应用创建新的智能应用。随着越来越多的公司打算采用机器学习工具,谷歌可以在公有云市场缩小同主要竞争对手的差距。

长期吸引力尚不清楚

市场研究机构IDC分析师艾尔·希尔瓦(Al Hilwa)表示,“围绕数据科学打造的强大开发者服务,是一项重要能力。很显然,谷歌一直在以多种方式在这个领域展开大规模投资,因为机器学习可以生成海量数据,同时谷歌过去几年一直在对其他人工智能项目进行投资。谷歌的服务之所以令人感兴趣,是因为它正将这些能力作为筹码,把印象笔记这样的客户吸引至它的公有云平台上。”

从长期来讲,这种筹码能否成功将吸引客户吸引至谷歌云计算平台,目前还不清楚,特别是由于云计算领域的所有重要厂商都在不断升级他们的能力。

印象笔记并不是唯一一家使用谷歌机器学习能力的公司。迪士尼利用谷歌Cloud Vision API,为新片《彼得的龙》开发了营销工具,而网站创建服务商Wix也利用相同的工具,帮助客户寻找与合作网站内容相关的图像。

实际上,将印象笔记的数据迁移至谷歌云计算平台,是一项巨大且繁杂的任务。该公司大约有3PB(1PB=1000TB)数据保存在自有数据中心。昆杜说,印象笔记计划在10月份开始进行数据迁移,并希望在今年年底前完成这项工作。

与此同时,印象笔记也在积极开发能充分利用谷歌云计算服务的新功能,无论是在机器学习应用方面,还是在整个云计算基础设施层面。


本文转自d1net(转载)

相关文章
|
4月前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能与机器学习:探索未来的技术边界
【10月更文挑战第18天】 在这篇文章中,我们将深入探讨人工智能(AI)和机器学习(ML)的基础知识、应用领域以及未来趋势。通过对比分析,我们将揭示这些技术如何改变我们的生活和工作方式,并预测它们在未来可能带来的影响。文章旨在为读者提供一个全面而深入的理解,帮助他们更好地把握这一领域的发展趋势。
|
2月前
|
机器学习/深度学习 传感器 运维
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
本文探讨了时间序列分析中数据缺失的问题,并通过实际案例展示了如何利用机器学习技术进行缺失值补充。文章构建了一个模拟的能源生产数据集,采用线性回归和决策树回归两种方法进行缺失值补充,并从统计特征、自相关性、趋势和季节性等多个维度进行了详细评估。结果显示,决策树方法在处理复杂非线性模式和保持数据局部特征方面表现更佳,而线性回归方法则适用于简单的线性趋势数据。文章最后总结了两种方法的优劣,并给出了实际应用建议。
133 7
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
|
2月前
|
编解码 机器人 测试技术
技术实践 | 使用 PAI+LLaMA Factory 微调 Qwen2-VL 模型快速搭建专业领域知识问答机器人
Qwen2-VL是一款具备高级图像和视频理解能力的多模态模型,支持多种语言,适用于多模态应用开发。通过PAI和LLaMA Factory框架,用户可以轻松微调Qwen2-VL模型,快速构建文旅领域的知识问答机器人。本教程详细介绍了从模型部署、微调到对话测试的全过程,帮助开发者高效实现定制化多模态应用。
|
3月前
|
机器学习/深度学习 Python
机器学习中模型选择和优化的关键技术——交叉验证与网格搜索
本文深入探讨了机器学习中模型选择和优化的关键技术——交叉验证与网格搜索。介绍了K折交叉验证、留一交叉验证等方法,以及网格搜索的原理和步骤,展示了如何结合两者在Python中实现模型参数的优化,并强调了使用时需注意的计算成本、过拟合风险等问题。
129 6
|
3月前
|
机器学习/深度学习 搜索推荐 算法
在数字化时代,推荐系统成为互联网应用的重要组成部分,通过机器学习技术根据用户兴趣和行为提供个性化推荐,提升用户体验
在数字化时代,推荐系统成为互联网应用的重要组成部分,通过机器学习技术根据用户兴趣和行为提供个性化推荐,提升用户体验。本文探讨了推荐系统的基本原理、常用算法、实现步骤及Python应用,介绍了如何克服数据稀疏性、冷启动等问题,强调了合理选择算法和持续优化的重要性。
125 4
|
3月前
|
机器学习/深度学习 自然语言处理 语音技术
探索机器学习中的自然语言处理技术
【10月更文挑战第38天】在本文中,我们将深入探讨自然语言处理(NLP)技术及其在机器学习领域的应用。通过浅显易懂的语言和生动的比喻,我们将揭示NLP技术的奥秘,包括其工作原理、主要任务以及面临的挑战。此外,我们还将分享一些实用的代码示例,帮助您更好地理解和掌握这一技术。无论您是初学者还是有经验的开发者,相信您都能从本文中获得宝贵的知识和启示。
55 3
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
思通数科AI平台在尽职调查中的技术解析与应用
思通数科AI多模态能力平台结合OCR、NLP和深度学习技术,为IPO尽职调查、融资等重要交易环节提供智能化解决方案。平台自动识别、提取并分类海量文档,实现高效数据核验与合规性检查,显著提升审查速度和精准度,同时保障敏感信息管理和数据安全。
200 11
|
3月前
|
机器学习/深度学习 数据可视化 算法
机器学习中的特征选择与降维技术
机器学习中的特征选择与降维技术
137 0
|
6月前
|
人工智能 Anolis
展示全栈式AI平台,探讨软硬件技术!英特尔分论坛议程来啦 | 2024 龙蜥大会
英特尔分论坛将依托英特尔云到端的全面产品组合,围绕至强可扩展处理器、AI 加速器、以及 oneAPI、OpenVINO 等软硬件技术展开探讨。
展示全栈式AI平台,探讨软硬件技术!英特尔分论坛议程来啦 | 2024 龙蜥大会
|
5月前
|
机器学习/深度学习 数据可视化 JavaScript
探索机器学习模型的可视化技术
【9月更文挑战第23天】在数据科学中,理解和解释机器学习模型的决策过程是至关重要的。本文将介绍几种流行的可视化工具和库,如TensorBoard、D3.js等,帮助读者更好地理解模型内部工作原理及其预测结果。通过实例演示如何使用这些工具进行模型可视化,增强模型的可解释性。