Google Cloud 通过首都在线进中国？AutoML 能用了？

没等回 Google Search，先收到了 Google Cloud 要进入中国的消息。

莫非，真能方便地用上 AutoML ？

Google Cloud 要来了？

今天下午，首都在线的官方微信公众号发布了「Google Cloud 将通过首都在线进驻中国」的消息。

自从数月前，Google 高层频繁访华、成立人工智能学院、表态从未放弃中国市场等一系列信号，不少人都在翘首以盼 Google 相关产品的回归。

首都在线虽然在发布不久之后，就火速删除了文章，并私下表示「首都在线仅仅是海外有代理协议，并不是文中所指的落地中国。」

但这篇文章的语气肯定，措辞明确，至于删除文章和出面否认，个中原因还是值得推敲。

虽然还不能肯定 Google Cloud 能够顺利进驻中国，AutoML 的方便使用可能还要一段时日，不过在其他类似的服务，还是挺多的。

除了 AutoML ？

虽然现在有很多现成的机器学习模型框架可以直接使用，以降低 AI 模型构建成本，而且不少公司也开源了自家的 ML 工具。

但这些框架还不能达到「车同轨，书同文」—— 框架间难以互通使用，而且暂时还没有一个有效的解决办法，使 ML 框架可以和任意应用程序对接。企业在使用过程中如果需要同时使用多个 ML 模型框架，还需自己完成不少的工程量。

为了解决这个问题，Salesforce 和 Oracle 都已经分别研发了可以在不同应用中对接这些开源 ML 模型框架的工具。

此前，市面上虽然有针对上述问题的解决方案，比如建立互联 API ，例如 Python-JSON API 等，但这种方案在实现对接的同时，会损失 ML 模型框架的性能。

即便是 ML 模型通过 API 暂时解决了对接问题，但企业要想将其商用还需构建专门的模型服务器，构建服务器不仅成本高昂，而且相当复杂。比如，构建一个 GPU 版本的 TensorFlow-service 可能要花上好几天。

所以，目前困扰 ML 模型框架被广泛使用的主要问题一个是缺少标准化的应用程序接口，另一个则是构建模型服务器的门槛太高。

于是，可以在不同应用中对接这些 ML 模型的框架应运而生。

TransmogrifAI：云端的 ML 框架

TransmogrifAI 是一个基于 Apache Spark 引擎的 ML 框架，可以进行特征工程、特征选择和模型训练。还能综合现有的 ML 模型，使其为任何一款应用程序匹配性价比最高的 ML 模型，而且不需要企业单独创建模型服务器。

该框架是由 Salesforce 开发，这家老牌的企业服务公司并不满足于现状，也小跑跟上了 AI 的顺风车。

最近，他们开源了 TransmogrifAI。

该公司搭建的 AI 平台 Einstein（爱因斯坦）是目前业内最大的机器学习项目之一，拥有先进的机器学习算法和自然语言处理，及智能数据挖掘能力。该平台现在可以对接市面上大部分 ML 模型，并简化这些模型。

让 Einstein 做到这一切的，就是 TransmogrifAI。

TransmogrifAI 借鉴了 AutoML 原理，目的在于简化机器学习操作流程，提高开发者工作效率。TransmogrifAI 有四个基本原则：模块化、编译安全性、透明性和自动化。

这四项原则已经被转化成一个简单的编程模型，工程师只需要编写几行代码就能完成数据整理、特征工程和模型选择等任务。

GraphPipe

GraphPipe 可以在云端提供由 TensorFlow、MXNet、Caffe 2 和 PyTorch 等流行框架制作的机器学习模型。

目的在于降低 ML 模型使用门槛，以便在移动应用和物联网设备，及 Web 端使用 AI 模型。

它是一种高效的网络协议，可以简化和标准化远程/进程之间的机器学习数据传输，允许用户在现有框架下，灵活选择合适的机器学习模型。这意味着开发人员不必专门构建 API 来对接 AI 模型，也不必费心研究哪个 ML 框架能更好的创建 AI 模型。

此外，GraphPipe 还为针对 TensorFlow 等流行框架为 AI 开发人员推出一系列开源工具。

目前，TransmogrifAI 和 GraphPipe 可以在 GitHub 上免费获取。

超神经の小百科

TransmogrifAI 架构：

https://www.colabug.com/4152476.html

机器学习——特征处理：https://blog.csdn.net/kanbuqinghuanyizhang/article/details/78993386

介绍GraphPipe：

https://blogs.oracle.com/developers/introducing-graphpipe

Oracle 开源 Graphpipe ：

https://venturebeat.com/2018/08/15/oracle-open-sources-graphpipe-to-make-it-easier-to-deploy-machine-learning-models/

Salesforce 开源 TransmogrifAI ：

https://venturebeat.com/2018/08/16/salesforce-open-sources-transmogrifai-the-machine-learning-library-that-powers-einstein/

特征推理：

https://webdevwithsam.wordpress.com/2016/04/18/feature-detection-vs-feature-inference-vs-ua-string/

https://medium.com/@rlynjb/js-interview-question-what-s-the-difference-between-feature-detection-feature-inference-and-76d2e4956a9b