數據哪存比較好？AI把用戶「逼上」公有云

愈來愈多的AI應用發生在雲端，尤爲是對於智能技術需求高的行業而言，他們甚至能夠說是被AI逼上公有云，而那些本來使用私有云的企業用戶，也由私有云躍遷到了公有云。

數據和算力是維持AI的兩大要素，而傳統的計算環境是難以知足兩者的指數級增加的。

若是在雲端藉助Hadoop集羣和Spark這樣的通用計算引擎，或者是Storm等計算框架，就能夠將數據分解爲多個部分，對每一部分的數據進行分析，以後將效果彙總通過多輪計算篩選出結果。這一切，在數據中心的強大算力下才能完成。

當人工智能走向雲端，開發者既是第一批受益者，又成爲了雲服務商手中的核心資源。就像微軟不惜重金收購GitHub、谷歌開源TensorFlow同樣，核心的開發者羣體或社區貢獻着數以萬計的應用資源，而背後的這些數據資源若是悉數運行在Azure或谷歌雲平臺上，對於微軟和谷歌的雲業務發展勢必是不錯的助力。
落地到行業，對雲上智能先知先覺的傳統企業深有感觸。以物流爲例，物流企業比拼的已不止是車隊數量和倉儲空間，而是學會藉助大數據、物聯網和AI技術，深刻到每個環節打造智慧的物流平臺。這一過程當中，雲計算扮演着相當重要的角色。過去，寫一套完整的物流系統須要調動研發、運維、安全、網絡等多個部門的人。現在一個顯著的現象是，管理數千輛車規模車隊的運營負責人已經能夠是學算法專業的年輕人。爲何會有這種變化？緣由是這些人會利用算法處理大數據，經過優化運輸環節從而提高物流運轉的效率。

固然，並非任何一家傳統企業都會先嚐試公有云，但他們也會爲得到全棧的AI能力去嘗試部分上雲。工業互聯網時代產生的數據量比傳統信息化要多數千倍甚至數萬倍，而且是實時採集、高頻度、高密度的，動態數據模型隨時可變，甚至良品率的細微變化都會帶來數據模型重建。這樣一來，若是作不到工業數據實時更新，智能製造就無從談起。

版權聲明：本文素材來源於企業網D1net，轉載此文出於傳遞更多信息之目的，若有侵權，請聯繫小編刪除。