“你是谁？”
“你好Tom，我是你的Oracle虚拟助手，有什么可以为您效劳？”
“帮我查一下还有多少天年假？”
“系统显示您已经6个月未休年假，还剩15天，要注意劳逸结合哦~~”
这样亲切的对话方式熟悉么，会聊天的机器人其实早已不是什么新鲜事物，你是不是也在无聊寂寞冷的时候调戏过苹果家的SIRI？
最早的聊天机器人要追溯到20世纪80年代了，名字叫“阿尔贝特”，但是它只能根据输入的内容到后台进行匹配，输出预设好的结果。而今天，越多的智能技术被融入其中，比如上面这一款今年9月底被科技巨头甲骨文公司CTO拉里预览的Oracle智能助手，不仅可以跟你“耍贫嘴”，还能帮你完成一系列日常工作。用户基于Oracle云还可以无需编写代码就能完成企业自定义的智能助手部署，可见甲骨文已经开始将“面向企业级市场”为己任，发力人工智能领域。
机器学习与我们的日常息息相关
说到AI，很多人可能会不由自主的想到《星际迷航》、《终结者》，想到那些在科幻大片和小说中看到过的无数次的演绎，但我们却始终觉得它们似乎距离我们的生活太过遥远，只存在于茶余饭后的谈资中。殊不知，其实人工智能的应用已经早已深入到我们每天的生活中。有没有发现，当你打开某宝APP搜索某样商品后，下次再进入该应用时首页就会默认显示你上次搜索过的类似商品广告？有人说，啊？这就是人工智能么？明明是大数据分析啊......不管你把这项技术称为大数据也好，精准营销也罢，其内核原理就是“机器”学习了你的“喜好”，通过后台分析，“预测”出你需要的商品，然后在你再次访问时进行展现。虽然这与AlphaGo上千万盘棋局的学习、实时预测、输出有着太大的差距，但不得不说这就是人工智能的实现原理。
而这其中有一项目前大热的技术，就是机器学习。字面上解释就是让机器变得天天向上。通过把大量相关的数据、结果输入给机器，让它通过算法得出某种联系，当有新的数据输入时，机器会自动根据已经学习得出的逻辑给出相关结果，这就是机器学习的整个过程。So Easy！
有人说，这个时代是大数据的时代，正是因为有了庞大的数据和足够快的运算速度，才能让机器学习有大量的输入样本并使其发挥作用，也正是有了机器学习才能更好地挖掘出大数据中所隐藏的价值。大量的互联网企业和金融公司已经开始利用机器学习进行大数据智能处理，比如各类个性化引擎，比如金融领域反欺诈系统等等。而其他传统企业，很多也已经开始启动大数据项目。您是否也开始打算引入机器学习技术来提升用户体验、提升管理效率呢？
企业如何构建自己的智能决策系统？
构建机器学习智能决策系统可以有多种方法。在软件层面，首先可以采用标准的程序包基于Python或Java语言构建企业自身的应用。当然离开了数据，机器学习无法发挥作用，我们还需要借助先进的数据管理系统。对于数据管理起家的甲骨文公司，在这一领域当然也有相关的解决方案。其实大家最为熟知的Oracle数据库软件本身就具备使用机器学习的强大功能，在企业版中有高级分析数据库选项，该选项中包含各种机器学习分类、回归、异常检测、预测查询、开源R算法包功能等等，可以通过传统SQL或R或图形界面进行调用。或者，也可以选择被全球金融用户广泛采用的商用软件Active Pivot解决方案，结合关系型数据库、Hadoop集群搭建机器学习智能决策系统。当然，如果您的企业具备足够强大的研发能力，也完全可以选择全开源解决方案。
而在底层，我们要根据应用的规模构建支撑运行平台。如前文所述，机器学习依赖于足够快的运算速度。以AlphaGo为例，据DeepMind透露，虽然AlphGo很智能，但仅仅是围棋一个单项的决策系统，就在支撑层采用了1202颗处理器和176颗GPU，这样的底层支撑平台可谓极其庞大。
这也从另一方面提醒我们，当企业在构建智能决策系统时不能仅仅考量软件应用平台，也要考量基础支撑平台是否能够快速敏捷地运行我们的应用系统。整套机器学习智能决策系统主要分为两个步骤：学习训练和预测决策。其中学习训练主要对已输入的数据按照某种模型关系进行计算、归类等操作，以形成有效的知识；预测决策则是在模型学习完成后的成型系统，根据输入数据和条件智能地给出决策信息等输出。还是以AlphaGo为例，现场与李世石对决的过程其实是预测决策的过程，因而也对运算的实时性有着最高的要求。
那我们在构建该类平台时应该采用何种方式以达到运算速度和实时性的要求呢？选择X86服务器、小型机、大型机、云平台、HPC超算系统吗？其实并没有一个标准的答案。如果您对性能的要求并不高、需要处理的数据量并不大，云平台也许就能满足您的要求。而更多的用户也许会选择X86服务器群，构建几十上百台的大规模服务器集群，搭建对数据吞吐、计算能力要求都颇为严苛的实时决策系统。
Oracle SPARCM7/S7处理器成为帮助您做出智能决策的另一个选择
但其实还可以有第三种选择。Oracle公司虽然以数据管理软件著称，但今天一个重要的战略是将其软件的深厚底蕴植入到硬件之中，帮助企业搭建更为高效的系统，因而Oracle公司其实可以给您一个更优的解决方案：利用Oracle SPARCM7/S7处理器搭建更加高效的机器学习智能决策系统。最新发布的Oracle SPARC M7/S7处理器实现了多项软件功能芯片化技术。其中数据分析加速器（Data Analytics Accelerator, DAX）可以有效加速CPU对内存数据的处理，包括数值扫描、范围扫描、选择操作、映射转换、数据压缩、数据抽取以及逻辑操作。企业级应用可以访问DAX，并将上述数据操作下发到DAX上，利用硬件来加速，从而有效释放CPU的计算资源。如此，Oracle SPARC M7/S7 处理器为基础支撑平台提供了强大的通用计算性能，进而满足机器学习智能决策系统所需的极高的运算速度和实时性。
让我们看看从2016年Oracle OOW上拿到的数据：Oracle SPARC处理器系统每核的学习训练速度比X86服务器快2倍，而预测决策的速度则快出了3-5倍。
更快的速度意味着更少的购置成本，如对机房、空间、制冷的投入，也意味着同等投资带来更加实时、快速的预测决策，也许未来可以看到手持版的AlphaGo。
那么为何Oracle的支撑平台可以带来更高的性能？哪些数据可以证明选择Oracle是企业的最佳选择？请继续订阅，且听下回分解。
“你好Tom，我是你的Oracle虚拟助手，有什么可以为您效劳？”
“帮我查一下还有多少天年假？”
“系统显示您已经6个月未休年假，还剩15天，要注意劳逸结合哦~~”
这样亲切的对话方式熟悉么，会聊天的机器人其实早已不是什么新鲜事物，你是不是也在无聊寂寞冷的时候调戏过苹果家的SIRI？
最早的聊天机器人要追溯到20世纪80年代了，名字叫“阿尔贝特”，但是它只能根据输入的内容到后台进行匹配，输出预设好的结果。而今天，越多的智能技术被融入其中，比如上面这一款今年9月底被科技巨头甲骨文公司CTO拉里预览的Oracle智能助手，不仅可以跟你“耍贫嘴”，还能帮你完成一系列日常工作。用户基于Oracle云还可以无需编写代码就能完成企业自定义的智能助手部署，可见甲骨文已经开始将“面向企业级市场”为己任，发力人工智能领域。
机器学习与我们的日常息息相关
说到AI，很多人可能会不由自主的想到《星际迷航》、《终结者》，想到那些在科幻大片和小说中看到过的无数次的演绎，但我们却始终觉得它们似乎距离我们的生活太过遥远，只存在于茶余饭后的谈资中。殊不知，其实人工智能的应用已经早已深入到我们每天的生活中。有没有发现，当你打开某宝APP搜索某样商品后，下次再进入该应用时首页就会默认显示你上次搜索过的类似商品广告？有人说，啊？这就是人工智能么？明明是大数据分析啊......不管你把这项技术称为大数据也好，精准营销也罢，其内核原理就是“机器”学习了你的“喜好”，通过后台分析，“预测”出你需要的商品，然后在你再次访问时进行展现。虽然这与AlphaGo上千万盘棋局的学习、实时预测、输出有着太大的差距，但不得不说这就是人工智能的实现原理。
而这其中有一项目前大热的技术，就是机器学习。字面上解释就是让机器变得天天向上。通过把大量相关的数据、结果输入给机器，让它通过算法得出某种联系，当有新的数据输入时，机器会自动根据已经学习得出的逻辑给出相关结果，这就是机器学习的整个过程。So Easy！
有人说，这个时代是大数据的时代，正是因为有了庞大的数据和足够快的运算速度，才能让机器学习有大量的输入样本并使其发挥作用，也正是有了机器学习才能更好地挖掘出大数据中所隐藏的价值。大量的互联网企业和金融公司已经开始利用机器学习进行大数据智能处理，比如各类个性化引擎，比如金融领域反欺诈系统等等。而其他传统企业，很多也已经开始启动大数据项目。您是否也开始打算引入机器学习技术来提升用户体验、提升管理效率呢？
企业如何构建自己的智能决策系统？
构建机器学习智能决策系统可以有多种方法。在软件层面，首先可以采用标准的程序包基于Python或Java语言构建企业自身的应用。当然离开了数据，机器学习无法发挥作用，我们还需要借助先进的数据管理系统。对于数据管理起家的甲骨文公司，在这一领域当然也有相关的解决方案。其实大家最为熟知的Oracle数据库软件本身就具备使用机器学习的强大功能，在企业版中有高级分析数据库选项，该选项中包含各种机器学习分类、回归、异常检测、预测查询、开源R算法包功能等等，可以通过传统SQL或R或图形界面进行调用。或者，也可以选择被全球金融用户广泛采用的商用软件Active Pivot解决方案，结合关系型数据库、Hadoop集群搭建机器学习智能决策系统。当然，如果您的企业具备足够强大的研发能力，也完全可以选择全开源解决方案。
而在底层，我们要根据应用的规模构建支撑运行平台。如前文所述，机器学习依赖于足够快的运算速度。以AlphaGo为例，据DeepMind透露，虽然AlphGo很智能，但仅仅是围棋一个单项的决策系统，就在支撑层采用了1202颗处理器和176颗GPU，这样的底层支撑平台可谓极其庞大。
这也从另一方面提醒我们，当企业在构建智能决策系统时不能仅仅考量软件应用平台，也要考量基础支撑平台是否能够快速敏捷地运行我们的应用系统。整套机器学习智能决策系统主要分为两个步骤：学习训练和预测决策。其中学习训练主要对已输入的数据按照某种模型关系进行计算、归类等操作，以形成有效的知识；预测决策则是在模型学习完成后的成型系统，根据输入数据和条件智能地给出决策信息等输出。还是以AlphaGo为例，现场与李世石对决的过程其实是预测决策的过程，因而也对运算的实时性有着最高的要求。
那我们在构建该类平台时应该采用何种方式以达到运算速度和实时性的要求呢？选择X86服务器、小型机、大型机、云平台、HPC超算系统吗？其实并没有一个标准的答案。如果您对性能的要求并不高、需要处理的数据量并不大，云平台也许就能满足您的要求。而更多的用户也许会选择X86服务器群，构建几十上百台的大规模服务器集群，搭建对数据吞吐、计算能力要求都颇为严苛的实时决策系统。
Oracle SPARCM7/S7处理器成为帮助您做出智能决策的另一个选择
但其实还可以有第三种选择。Oracle公司虽然以数据管理软件著称，但今天一个重要的战略是将其软件的深厚底蕴植入到硬件之中，帮助企业搭建更为高效的系统，因而Oracle公司其实可以给您一个更优的解决方案：利用Oracle SPARCM7/S7处理器搭建更加高效的机器学习智能决策系统。最新发布的Oracle SPARC M7/S7处理器实现了多项软件功能芯片化技术。其中数据分析加速器（Data Analytics Accelerator, DAX）可以有效加速CPU对内存数据的处理，包括数值扫描、范围扫描、选择操作、映射转换、数据压缩、数据抽取以及逻辑操作。企业级应用可以访问DAX，并将上述数据操作下发到DAX上，利用硬件来加速，从而有效释放CPU的计算资源。如此，Oracle SPARC M7/S7 处理器为基础支撑平台提供了强大的通用计算性能，进而满足机器学习智能决策系统所需的极高的运算速度和实时性。
让我们看看从2016年Oracle OOW上拿到的数据：Oracle SPARC处理器系统每核的学习训练速度比X86服务器快2倍，而预测决策的速度则快出了3-5倍。
更快的速度意味着更少的购置成本，如对机房、空间、制冷的投入，也意味着同等投资带来更加实时、快速的预测决策，也许未来可以看到手持版的AlphaGo。
那么为何Oracle的支撑平台可以带来更高的性能？哪些数据可以证明选择Oracle是企业的最佳选择？请继续订阅，且听下回分解。
原文发布时间为：2016年11月24日
本文来自云栖社区合作伙伴至顶网，了解相关信息可以关注至顶网。
