AI/ML不是新的SaaS的4个原因？

预计AI是云计算中的顶级段之一。但是，AIAAS和SaaS可能不会有所不同。

*大家好，我将为AI/ML的人们运行几个“远程AI/ML策划者”，以交换思想并保持联系。如果您有兴趣，请注册这里接收更多信息。

o根据最近的公司，有40％的公司计划在今年年底之前部署AI解决方案Gartner调查。但是，对于大多数组织而言，AI/ML专业知识的高基础设施成本和需求令人生畏。这就是为什么AIAAS（AI-AS-AS-Service）或Mlaas开始出现的原因。

超过40％的公司计划在今年年底之前部署AI解决方案 -加特纳。

SaaS在Salesforce广受欢迎的情况下是指一个许可模型，在该模型中，软件被集中托管供客户通过浏览器访问。SaaS公司有时还提供免费试用（免费增值）来鼓励采用。

经常出现的收入和降低成本使SaaS业务模型更具可预测性，有利可图和可扩展性。因此，它已成为企业家和投资者的极具吸引力的模式。

自从Salesforce于2004年上市以来，已经有70多个SaaS IPO。平均而言，SaaS公司的表现明显优于市场。SaaS公司的毛利率较高，研发费用较低，因为它们不需要支持多个版本或技术堆栈。

同样，AIAAS允许公司利用现成的AI解决方案，而不是从头开始建立自己的团队和基础设施。AIAA通过最大程度地减少前期投资，为用户提供更好的可扩展性和灵活性。

到2023年，AI将增加5倍。

AI爱好者还期望AIAAS商业模式可以帮助提高采用和盈利能力。加特纳（Gartner）的预测，基于云的AI将从2019年到2023年增加5倍，这似乎证实了这一趋势。

从亚马逊和微软等科技巨头到初创公司的公司开始提供包括聊天机器人，数字助手，认知API和机器学习框架在内的AIAAS。利用这些服务可以简化复杂的过程，并减轻部署AI的计算负担。

AIAA似乎是解决所有问题的神奇药。它可以快速且节省成本的AI部署，因此公司不需要依靠目前无处不在的内部AI专家内部的内部专家内部。在云中托管模型，因此它们可以通过更多数据来不断改进，这也带来了ML的最大好处。

但是，现实是，部署AIAAS比SaaS提出了更多的挑战。这就是原因。

在计算机科学中，垃圾进，垃圾（或Gigo）意味着即使使用有效的系统，其输出也只能与输入的信息一样好。这个概念似乎适用于ML。没有质量数据，模型将无法表现良好。但是，该概念几乎无法捕获ML中质量数据问题的重力。

ML模型没有被明确编程以执行任务，而是从培训数据中学习。学习过程需要严格控制。训练集中的不良数据会污染整个结果。即使您之后使用良好的数据训练模型，性能也可能无法恢复。就像教育一样：我们不能简单地学习我们所教的东西。有缺陷的输入不仅会产生废话，还会破坏模型。

AIAAS依靠客户提供培训数据。但是客户并不总是知道如何生成适当的数据集。当系统表现不佳时，他们倾向于指责模型。AI公司需要花费大量时间与用户一起教育和工作，以设置数据管道并确保质量数据。

实际上，公司花费的多于80％的数据工程时间。即使经过客户培训，AI公司仍然需要（手动）验证客户的所有传入数据以确保数据完整性。这就是为什么AIAA与SaaS显着不同的原因。

ML模糊了客户和ML提供商之间的界限，使绩效成为共同的责任。这不再是明确的API电话。如果模型表现不佳，那么数据也像模型一样多。

如我所提到的上一篇文章，模型训练只是冰山一角。大多数公司未能考虑到的是获取，清洁，存储，汇总和标签数据集以及构建基础架构的隐藏成本。

这就是为什么免费增值模型对AI初创公司不起作用的原因，因为即使是POC（概念证明）都需要广泛的数据收集和培训以证明价值。如上所述，这超过80％的工作。

SaaS模型的美丽在于其可扩展性和降低成本，这并不适用于ML。模型训练和推断都是渴望计算的。连续培训给计算带来了更多挑战，并进一步提高了成本。

ML并不完美。它可以帮助我们自动化大多数重复任务，但几乎总是有需要人为干预的边缘案例。随着越来越多的ML系统部署在该领域，我们看到越来越多的公司专注于稳健性指标最大程度地减少人类干预措施。

但是，至少在不久的将来，仍然需要人类进入循环。即使使用了正确设计的交接过程和接口，它仍然会影响整体可扩展性。

许多研究人员一直在解决ML的普遍问题。在转移学习和元学习中取得了很多进展。但是，直到我们可以完全解决通用性之前，可伸缩性仍然是（狭窄）AI的关键问题。我们必须仔细选择使用案例，并尝试专注于尽可能多的标准产品。

让我们连接！如果您喜欢阅读这篇文章，请在这里订阅我的个人博客！

巴斯蒂安·黄（Bastiane Huang）是Osaro的产品经理，Osaro是一家位于旧金山的启动AI定义机器人技术的产品经理。她曾在Alexa集团和哈佛商业评论以及大学的未来工作计划中为亚马逊工作。她写了有关ML，机器人技术和产品管理的文章。在这里跟着她。