数据与机器学习平台架构设计

第 10 章 人工智能应用架构

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

在本章中，您将了解到在构建人工智能 和 ML 应用程序时，在架构和框架方面应该做出的高层决策。我们首先要考虑人工智能/ML 擅长解决哪些类型的问题，以及如何负责任地开发和部署人工智能。一旦确定 ML 适合解决某个问题，您就必须着手决定采取哪种企业方法：是购买、改造还是构建？我们将举例说明这几种情况，以及如果您选择采用这几种方法时的注意事项。如果是构建，有几种架构可供选择，选择取决于要解决的问题类型。

本章介绍应用层面的人工智能架构考虑因素和决策标准。第 11 章将介绍数据科学家和 ML 工程师开发和部署这些应用的平台。请不要跳过本章，直接进入下一章的技术细节--作为云架构师，您需要为每个应用团队提供建议，帮助他们做出购买、改编或构建的正确决策，并为他们在您的平台上构建的每个应用选择人工智能架构。

备注

本章和下一章的目的是向你展示如何使用云技术架构一个 ML 平台。正如我们在数据仓库一章中没有介绍 SQL 一样，我们在这几章中也没有介绍 TensorFlow。如果您想学习如何进行 ML，我们衷心推荐 Aurélien Géron 所著的《Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems》（O'Reilly）一书。

这是人工智能/移动语言的问题吗？

要了解可以用 ML 解决哪些类型的问题，让我们从第 1 章中简要介绍的一些基础知识开始。我们将从一些定义开始，然后考虑 ML 通常适合解决哪些类型的问题。

人工智能的子领域

人工智能是通过让计算机像人类一样思考和行动来解决问题的研究领域 。从历史上看，人工智能尝试过多种方法。一种方法是编写代码，明确告诉计算机在每种可能的情况下应该做什么。时至今日，制造机器人和家用吸尘器等许多机器人设备都是这样工作的。问题是编写这样的规则很难。另一种方法是采访或观察专家，利用他们的行为来编写规则。批准病人是否接受实验性药物试验的人工智能模型就是这样工作的。但是，即使是专家也无法告诉你他们为什么这样做。人类决策的背后蕴含着大量的直觉，而且越是专家，跳过的中间步骤就越多。这些方法的难度导致了所谓的 "人工智能寒冬"，即人工智能陷入困境的时期（大致为 1985 年至 2014 年）。

ML 是人工智能的一个子领域（见图 10-1），它使用数据而不是自定义逻辑来解决人工智能问题。这使得它在你无法清晰表达逻辑或逻辑难以编入计算机程序时特别有用。例如，ML 系统不会捕捉钉子和螺丝钉之间的所有差异，而是显示数百枚钉子，告诉它们是钉子，显示数百枚螺丝钉，告诉它们是螺丝钉。然后，ML 模型通过调整一个内部的、非常通用的数学函数，找出如何区分它们的方法。ML 有几十年的历史，但在 2014 年之前，它只适用于数据库中存储的结构化数据 。

Deep Learning 是 ML 的一个子领域，在 2010 年代末一举成名。它使用高度复杂的函数（为函数的图形表示增加 "深度"，因此得名）。深度学习已成功用于理解语音、图像、视频和自然语言等非结构化数据。深度学习就是你在过去几年中看到智能扬声器（谷歌助手、Alexa、Siri 等）、图像搜索（谷歌照片）、自动翻译和即时视频集锦（体育节目中）等技术飞速发展的原因。Deep ...