总部位于纽约的Alpha Vertex公司在谷歌云平台上培训机器学习模型，并将其融入其针对金融行业的分析服务中。如果这些模型整天运行在最大的实例类型中，那么肯定会面临成本问题，但该公司已经构建了基础设施，以使用成本更低、规模更小的虚拟机和竞价型实例。在训练分析模型时，它还使用Kubernetes从大约20个虚拟机扩展到1000多个虚拟机，这可以避免内部资源利用不足的问题。
“采用Kubernetes，就像管理一两个人与管理整个部门的区别。，”Alpha Vertex公司首席技术官Michael Bishop说。
企业通过内部迁移这些模型的成本效益分析，始终如一地支持将其留在云端，以保持其技术领先地位的需要。
“高端GPU的成本相当高，并且没有一个很好的摊销生命周期。”Bishop说，“如果企业依靠大量投入资源来采用这种技术的话，那么真的很难跟上其发展的步伐。”
Zendesk公司构建了Answer Bot，它是使用Amazon Simple Storage Service，GPU实例，TensorFlow，以及Amazon Aurora的客户虚拟助理。这个机器人使用深度学习预测模型来识别常见问题，并更快速地回答客户问题，并提出最佳实践。
Answer Bot去年年底在AWS云平台上增加了SageMaker服务，这个在抽象大部分底层基础设施管理之前就已经问世了，但是Zendesk公司将以自2011年以来使用AWS的相同原因考虑这项服务：卸载底层IT操作，并专注于其核心业务。
“任何管理工作都不是真正的数据科学工作。” Zendesk公司技术运营副总裁Steve Loyd说，“SageMaker的承诺是它可以为用户提供更多的围绕TensorFlow构建的全套接口和自动化功能，并且可以让用户以更少的成本实现更多的目标。”
除了炒作之外，人工智能还需付出努力
Loyd表示，数据科学家不仅建立这些模型，而且还要不断验证。如果能够采用工具更好地解决底层基础设施问题，数据科学家就有更多时间调整其算法。随着AWS公司和其他云计算提供商使他们的人工智能工具集更易于使用，机器学习的进入门槛将会继续下降，因此从数据集中获取数据更容易。
但即使是人工智能用户也认为这不是万能的，特别是因为大多数模型的功能相对简单。许多公司确信他们需要人工智能技术，但不知道该怎么做。
“人们对于人工智能最大的误解之一是，人工智能就像一种炼金术或是一个魔术盒，只要付出和努力，就会获得惊人的成果。”Alpha Vertex公司的Bishop说，“但获得高质量的结果非常困难，我认为人们不会完全理解这一点。”
尽管如此，他们警告说放弃人工智能只是因为炒作的结果与现实不符。Dekate指出，比云计算供应商的人工智能技术更重要的是，企业如何整合这些技术并加速他们自己的创新。那些成功的企业比较务实，在数据和基础设施管理方面拥有良好的基础。
“每个组织都将需要有一个人工智能策略，”他说，“采用机器学习和人工智能是一个长期的事情，但现在必须参与其中，这样企业才能在竞争中领先。”