作為人工智能的關(guān)鍵基石，能夠從過往數(shù)據(jù)中發(fā)現(xiàn)規(guī)律、總結(jié)知識(shí)，并預(yù)測(cè)趨勢(shì)洞察的機(jī)器學(xué)習(xí)，正受到越來越多的重視和越來越廣泛的應(yīng)用。從預(yù)測(cè)疫情發(fā)展走向、協(xié)調(diào)倉儲(chǔ)和物流資源、躲避道路交通擁堵、前瞻流行趨勢(shì)，到“猜你喜歡”的個(gè)性化推薦，機(jī)器學(xué)習(xí)正在不同行業(yè)的各種場(chǎng)景中，展現(xiàn)出不可忽視的巨大潛力。

然而構(gòu)建和部署機(jī)器學(xué)習(xí)模型，并讓它靈活高效地運(yùn)行起來，并不是一件容易的事，特別是在面對(duì)復(fù)雜數(shù)據(jù)來源與不斷發(fā)展變化的大規(guī)模運(yùn)營(yíng)需求時(shí)，就對(duì)企業(yè)的技術(shù)水平和運(yùn)維能力提出了更高的要求。機(jī)器學(xué)習(xí)運(yùn)維（MLOps）讓數(shù)據(jù)科學(xué)與IT運(yùn)維緊密協(xié)作，能通過改進(jìn)模型監(jiān)控、調(diào)試、管理等各個(gè)環(huán)節(jié)，全面提升機(jī)器學(xué)習(xí)模型運(yùn)行、部署的效率，真正發(fā)揮出機(jī)器學(xué)習(xí)的規(guī)模效應(yīng)。

準(zhǔn)確預(yù)測(cè)，打造更穩(wěn)定、高效的全球云服務(wù)

云計(jì)算是個(gè)規(guī)模巨大、技術(shù)復(fù)雜的系統(tǒng)平臺(tái)，如何對(duì)分布于全球各地?cái)?shù)據(jù)中心的各類軟硬件資源進(jìn)行安全、高效的運(yùn)維和管理，不僅涉及到巨大的資源投入，更牽扯到億萬客戶的業(yè)務(wù)系統(tǒng)和服務(wù)是否能夠平穩(wěn)運(yùn)行、靈活擴(kuò)展，隨時(shí)滿足業(yè)務(wù)需求。Microsoft Azure目前服務(wù)于世界各地58個(gè)區(qū)域，是全球覆蓋最廣泛的公有云，為了最大限度地提高云計(jì)算資源的利用率、優(yōu)化云平臺(tái)的整體運(yùn)營(yíng)水平，Azure團(tuán)隊(duì)和微軟研究院的研究人員開始思考如何利用機(jī)器學(xué)習(xí)預(yù)測(cè)和優(yōu)化Azure的資源分配。

通常情況下，計(jì)算機(jī)，包括云計(jì)算資源的管理都是由既定策略控制的，但這種方式有兩個(gè)主要缺點(diǎn)：首先是相關(guān)的閾值通常是為滿足不同類型的工作負(fù)載大致設(shè)定的;其次是由既定策略所觸發(fā)的被動(dòng)措施，常常會(huì)造成額外的成本投入，并給客戶造成負(fù)面影響。而基于機(jī)器學(xué)習(xí)的預(yù)測(cè)式資源管理，能有效解決這些問題。

Azure團(tuán)隊(duì)與微軟研究院共同開發(fā)出了Resource Central服務(wù)，這是一個(gè)作為獨(dú)立組件的通用機(jī)器學(xué)習(xí)預(yù)測(cè)系統(tǒng)，能夠?yàn)锳zure的各個(gè)云計(jì)算資源管理器提供關(guān)于工作負(fù)載和硬件基礎(chǔ)設(shè)施分配的預(yù)測(cè)洞察。Resource Central會(huì)收集來自于容器和服務(wù)器的運(yùn)行數(shù)據(jù)，分析它們之前的運(yùn)行和故障情況，從中尋找規(guī)律，然后在需要的時(shí)候，對(duì)未來可能出現(xiàn)的情況做出預(yù)測(cè)。基于分析和預(yù)測(cè)的主動(dòng)管理策略，能動(dòng)態(tài)調(diào)整閾值，對(duì)虛擬機(jī)、容器、CPU等資源進(jìn)行合理、動(dòng)態(tài)、及時(shí)的調(diào)整，從而提升云計(jì)算的整體運(yùn)行效率。

目前，Resource Central已經(jīng)部署在全球各地的Azure區(qū)域，對(duì)數(shù)據(jù)中心效率、云平臺(tái)效率和可用性、服務(wù)器效率和可用性、虛擬機(jī)效率等關(guān)鍵資源分配情況進(jìn)行監(jiān)控、預(yù)測(cè)和優(yōu)化，其在各個(gè)方面的預(yù)測(cè)準(zhǔn)確度平均都達(dá)到了80%以上。在虛機(jī)管理方面，由于實(shí)現(xiàn)了對(duì)實(shí)際工作負(fù)載的準(zhǔn)確預(yù)測(cè)，原本被認(rèn)為已經(jīng)滿載系統(tǒng)，現(xiàn)在可以運(yùn)行更多的虛擬機(jī)，與對(duì)照組相比，物理資源耗盡的情況減少了六倍。

更準(zhǔn)確的預(yù)測(cè)意味著更低的宕機(jī)風(fēng)險(xiǎn)、更高的可用性、更靈活高效的資源管理和更低的運(yùn)行成本，也讓Azure能夠?yàn)槿蚩蛻籼峁└影踩⒖煽俊⒔?jīng)濟(jì)的云計(jì)算服務(wù)。

機(jī)器學(xué)習(xí)讓PowerPoint更懂什么設(shè)計(jì)才“大氣”

與此同時(shí)，機(jī)器學(xué)習(xí)也在不斷推進(jìn)微軟生產(chǎn)力云平臺(tái)的智能進(jìn)化。多年來，微軟一直在不遺余力地為Office加入更多人工智能應(yīng)用，幫助人們事半功倍地完成工作、發(fā)揮創(chuàng)意。讓很多人耳目一新的PowerPoint的“設(shè)計(jì)靈感”以及Outlook的“建議回復(fù)”功能便是其中的典型代表。

PowerPoint中的設(shè)計(jì)靈感功能，可以根據(jù)用戶輸入的文字和圖片，為幻燈片設(shè)計(jì)出多種不同風(fēng)格的版面樣式，用戶完全無需動(dòng)手調(diào)整字號(hào)、行距、圖形效果這些細(xì)枝末節(jié)，就能得到美觀大氣的PPT設(shè)計(jì)。Outlook網(wǎng)頁版和iOS、安卓客戶端提供的建議回復(fù)，能根據(jù)郵件內(nèi)容自動(dòng)建議快速回復(fù)的文字選項(xiàng)，幫助用戶簡(jiǎn)化操作。現(xiàn)在這兩項(xiàng)智能創(chuàng)新，都是由Azure機(jī)器學(xué)習(xí)服務(wù)驅(qū)動(dòng)的。

以設(shè)計(jì)靈感為例，其首先要對(duì)用戶輸入的圖像、文字、表格等內(nèi)容進(jìn)行分析、理解、分類，然后再把相應(yīng)的內(nèi)容放入到風(fēng)格與之匹配的專業(yè)設(shè)計(jì)模板中呈現(xiàn)出來。在這個(gè)過程中，圖像分類、內(nèi)容建議、文字分析、頁面結(jié)構(gòu)分析、評(píng)價(jià)反饋等環(huán)節(jié)都要用到機(jī)器學(xué)習(xí)。自問世以來，設(shè)計(jì)靈感功能已經(jīng)幫助用戶設(shè)計(jì)了超過17億個(gè)幻燈片，并且要經(jīng)常對(duì)模型進(jìn)行更新訓(xùn)練，對(duì)內(nèi)容建議進(jìn)行持續(xù)優(yōu)化，這些都意味著巨大的工作量。

為了應(yīng)對(duì)快速增長(zhǎng)的用戶需求，PowerPoint開始采用Azure機(jī)器學(xué)習(xí)和機(jī)器學(xué)習(xí)運(yùn)維（MLOps）服務(wù)，更快速地構(gòu)建和部署機(jī)器學(xué)習(xí)模型，并加入了更多對(duì)背景圖片、視頻和復(fù)雜內(nèi)容的處理建議。來自不同來源的原始數(shù)據(jù)會(huì)在Azure數(shù)據(jù)湖中被轉(zhuǎn)換成模型能夠讀懂的格式;Azure機(jī)器學(xué)習(xí)將訓(xùn)練模型分布下放到虛機(jī)中進(jìn)行并行訓(xùn)練，在不影響用戶體驗(yàn)的情況下，完善和更新模型的效果;通過嘗試不同變量、參數(shù)配置，并對(duì)結(jié)果進(jìn)行比較，模型就能得到不斷的優(yōu)化;經(jīng)過升級(jí)的模型最后回到Azure數(shù)據(jù)湖，重新部署到機(jī)器學(xué)習(xí)服務(wù)中。這樣，依靠機(jī)器學(xué)習(xí)運(yùn)維平臺(tái)，PowerPoint、Outlook以及更多微軟智能應(yīng)用，得到了持續(xù)高效的智能迭代和升級(jí)。

Azure MLOps，讓機(jī)器學(xué)習(xí)運(yùn)維觸手可及

為了幫助更多企業(yè)將機(jī)器學(xué)習(xí)模型部署到生產(chǎn)環(huán)境中，并實(shí)現(xiàn)高效的開發(fā)運(yùn)維，微軟在Azure機(jī)器學(xué)習(xí)的基礎(chǔ)上推出了Azure機(jī)器學(xué)習(xí)運(yùn)維（MLOps）服務(wù)。Azure MLOps以軟件開發(fā)運(yùn)維（DevOps）的經(jīng)典模式，提供了機(jī)器學(xué)習(xí)模型從開發(fā)、封裝、測(cè)試、部署、監(jiān)測(cè)、重新訓(xùn)練、迭代的全生命周期流程，并且可以通過復(fù)制開發(fā)流程，實(shí)現(xiàn)規(guī)模化的擴(kuò)展，從而幫助企業(yè)真正在業(yè)務(wù)中發(fā)掘出機(jī)器學(xué)習(xí)和人工智能的最大潛力。

TransLink是加拿大溫哥華市的公共交通運(yùn)營(yíng)商，其運(yùn)營(yíng)的公交系統(tǒng)覆蓋了溫哥華1800平方公里的面積，每年承運(yùn)超過4億人次。為了確保公交系統(tǒng)的準(zhǔn)時(shí)運(yùn)行， TransLink部署了1.8萬個(gè)不同的機(jī)器學(xué)習(xí)模型來更好地預(yù)測(cè)每趟公交車的開車時(shí)間，其中融入了包括交通、天氣以及其它各種可能造成影響的因素，利用Azure機(jī)器學(xué)習(xí)和MLOps服務(wù)，他們現(xiàn)在可以并行不悖地同時(shí)運(yùn)行所有這些預(yù)測(cè)模型。

擁有130年歷史的美國(guó)江森自控（Johnson Controls）是一家專業(yè)從事樓宇消防、中央空調(diào)、安防系統(tǒng)安裝運(yùn)營(yíng)的企業(yè)，機(jī)器學(xué)習(xí)是其智能樓宇解決方案的核心技術(shù)。江森自控提供數(shù)千種冷卻設(shè)備，每臺(tái)設(shè)備上可能有多達(dá)70種不同的傳感器，它們實(shí)時(shí)發(fā)送的數(shù)據(jù)可達(dá)TB級(jí)別。MLOps能夠以快速、可復(fù)制的方式部署機(jī)器學(xué)習(xí)模型，為日常檢修提供實(shí)時(shí)的數(shù)據(jù)洞察。這樣，至少可以提前幾天預(yù)測(cè)冷卻機(jī)出現(xiàn)故障的風(fēng)險(xiǎn)，從而將其造成的損失降到最低，并確保不會(huì)對(duì)客戶造成影響。

覆蓋全球、安全可靠的微軟智能云為機(jī)器學(xué)習(xí)、機(jī)器學(xué)習(xí)運(yùn)營(yíng)服務(wù)提供了絕佳的運(yùn)行平臺(tái)，為全球客戶提供了普及人工智能的理想工具;與此同時(shí)，微軟智能云自身，也在積極采用機(jī)器學(xué)習(xí)和機(jī)器學(xué)習(xí)運(yùn)營(yíng)服務(wù)，不斷實(shí)現(xiàn)快速的更新迭代，實(shí)現(xiàn)周而復(fù)始的自我更新。