緊接雲運算和物聯網（IoT），人工智能和（Artificial Intelligence，AI）和機器學習（Machine Learning，ML），可謂企業數碼轉型路上最炙手可熱的課題。
業界爭相追捧AI和ML，猶如那是穩佔先機、讓業務更上一層樓的不二法門。不過問題來了：據Google雲運算人工智能與機器學習首席科學家李飛飛指出，全球開發者約為2100萬人，惟數據科學家卻僅100萬人左右；當中具備人工智能開發技術的人才相當有限，故此預期能透過部署AI和ML獲利的企業僅佔少數。
致力降低AI入場門檻
Google雲運算人工智能與機器學習研發部負責人李佳則表示，她和李飛飛打從加入Google團隊開始，便以推廣AI為使命，旨在降低AI的入場門檻，並盡可能讓開發者、研究人員和企業能廣泛地運用AI。
「Google Cloud AI團隊於2017年，推出了Google Cloud Machine Learning Engine（雲端機器學習引擎），幫助具備機器學習專業知識的開發者，輕鬆建構出機器學習的模型，以處理各種類型和規模的數據資料。我們展示了包含：Vision、Speech、NLP、Translation，和DialogFlow等新世代機器學習API服務，透過建構於預先訓練好的模型，提升商業應用程式的規模和速度。」李佳續透露，目前全球超過1萬家企業採用了Google Cloud AI服務，包括Box、Rolls Royce Marine和Ocado等企業。
李佳相信，AI和ML所能帶來的效益和機遇仍有待開發，例如在醫療界別，智能醫院在病歷分析和研究方面等。此外，Google Cloud亦與多個垂直行業緊密合作，包括零售業、媒體與娛樂、金融、製造業、教育、農業，透過可執行特定工作的多款API，為這些行業提供眾多預先訓練好的機器學習模型。然而，目前AI多見於擁有充足人才和預算的大型企業，有能力建立高階機器學習模型的機構非常有限。即使企業能聘請AI或ML工程師，仍須投注大量時間並操作複雜的程序，以開發出客製化的機器學習模型。
輕鬆建立客製化圖像辨識機器學習模型
Google Cloud Machine Learning Engine可支援GPU訓練模型，但此服務是透過較大量的資料，訓練出普遍（General）的預測模型，難以逐一滿足不同企業的個別業務需求。有見愈來愈多企業傾向自訂設計和應用的機器學習模型，Google Cloud團隊遂朝著讓用戶可自動挑選合適模型，搭配參數調整技術自動調整參數，只須輸入原始數據即能建立出符合自家需求的預測模型的方向邁進。而上周正式推出的Cloud AutoML Vision，正是實現降低AI入場門檻的策略性方案。
Cloud AutoML旨在協助機器學習專業能力有限的企業，開始運用learning2learn 和遷移學習等，由Google提供的先進技術，自行建立優質的客製化模型。而Cloud AutoML Vision能更快速、更輕鬆地建立客製化圖像辨識機器學習模型，讓企業能輕鬆地透過拖曳介面上傳影像、訓練和管理模型，然後直接在 Google Cloud上，有效地利用這些經過訓練的模型。相較於採用一般機器學習API，運用Cloud AutoML Vision來分類公開數據集，如ImageNet和CIFAR的初期成果更精準，也更少錯誤。
神經架構搜尋技術
李佳相信，Cloud AutoML除能提高AI專業人員的生產力、開展新的研究領域之外，還可幫助技術較不純熟的工程師，構建出強大AI系統。以迪士尼為例，產品搜尋毋須以標籤文字過濾搜尋結果，而是能透過搜尋某個角色相關產品，甚至其衣物如玻璃鞋，搜尋引擎就會靠影像辨識，來顯示含有這些卡通人物的產品。
Cloud AutoML Vision採用Google的影像辨識技術，包括遷移學習和神經架構搜尋技術，意味即使企業具備的機器學習專業知識有限，也能建立精確的模型。解決了機器學習的技術門檻後，只要具備開發能力，就算不懂機器學習知識，也能透過AutoML構建出一套企業級的ML應用或AI應用。李佳並透露，AutoML服務將先推出圖像自動標示的服務Vision，未來將陸續推出語音、翻譯和自然語言處理等服務。