首页 > 科技快讯 > Gartner首份云上AI开发服务魔力象限：领导者象限没有国内厂商身影

Gartner首份云上AI开发服务魔力象限：领导者象限没有国内厂商身影

晰数塔互联网快讯
2020-03-02 17:21

编者按：本文来自微信公众号“机器之能”（ID:almosthuman2017），作者：机器之能，36氪经授权发布。原题目《Gartner首份云上AI开发服务魔力象限：国内腾讯入围，阿里百度落选》

近日，Gartner 首份云 AI 开发服务魔力象限正式发布，魔力象限以供应商前瞻性、执行力为横纵坐标，主要考核语言、视觉、自动机器学习三大领域产品，将市场上供应商划分四大象限——领导者，有远见者、特定领域者（小众玩家）、挑战者。

其中，领导者包括 AWS、微软、谷歌、IBM；有远见者包括 Aible、H2O.ai、Prevision.io；特定领域者包括：Salesforce、SAP、腾讯。

目前，挑战者象限领域供应商尚是空白状态，不过未来随着自动机器学习等服务的广泛应用，象限玩家也会逐渐丰富。

Gartner 最近发布首份云 AI 开发服务（Cloud AI Developer）魔力象限，该魔力象限评估了面向应用程序开发人员的云托管人工智能（AI）服务的重要新兴市场，它从三个关键服务领域的产品：语言，视觉和自动机器学习（AutoML）出发来评估供应商。

Gartner 对云 AI 开发服务的定义如下：

云 AI 开发者服务是云托管的服务/模型，让开发团队可以通过 API 充分利用 AI 模型，无需具备扎实的数据科学专业知识。这些托管模型提供的服务拥有语言、视觉和自动化机器学习等方面的功能。这些服务常常可以通过 API 访问来获得，通常根据 API 调用的数量来定价。在一些情况下，可以通过集成的配置工具来使用服务。这类服务的几个例子包括自然语言理解、情感分析、图像识别和机器学习模型创建。

Gartner 称到2023年，40%的开发团队会使用自动化机器学习服务来构建为其应用软件添加AI功能的模型，而2019年这一比例不到2%。到2025年，AI将使50%的数据科学家活动实现自动化，从而缓解人才严重短缺问题。

根据 Gartner 云 AI 开发服务魔力象限显示：

位列领导者象限的厂商包括：AWS、微软、谷歌、IBM；

特定领域者包括：Salesforce、SAP、腾讯；

有远见者包括：H20.ai、Aible、Prevision.io；

挑战者：空白。

Gartner首份云上AI开发服务魔力象限：领导者象限没有国内厂商身影

Gartner报告显示，阿里巴巴和百度被排除在此「魔力象限」之外，是因为它们不满足至少涵盖两个主要地区的产品要求。

对应要求表示，供应商必须至少在以下两个地区中为其2018年的云AI开发人员服务增加至少20个新的付费企业客户，主要地区被定义为北美、南美洲、欧洲、中东和非洲、亚太。

魔力象限的「领导者」们

1、AWS

亚马逊网络服务（AWS）总部位于美国华盛顿州西雅图市，是该魔力象限的领导者。它提供了一套全面的服务和 API，包括用于语言和视觉服务领域的服务和 API，并由 Amazon 面向开发人员和数据科学家的 SageMaker ML 服务进一步支持。

据悉，AWS 结合了非常广泛和强大的 AI 产品组合，在商业和消费者领域具有很高的知名度。它在商业领域的知名度部分归功于其存储和计算解决方案。它在消费领域的知名度归功于亚马逊的在线零售业务和 Alexa AI 产品。

AWS 为开发人员提供的产品可以满足没有 ML 技能的人和寻求高级功能的人的需求。那些没有 ML 技能的人可以使用具有持续学习的 API 的预训练 AI 服务；这些服务包括广泛的视觉，语音，自然语言和文本处理功能。寻求更高级功能的开发人员和数据科学家可以使用 SageMaker 的完整 ML 套件。

然而，AWS 产品组合的复杂性和广度对个人开发人员和企业的应用程序领导者都构成了一些挑战。开发人员必须确定 AWS 的功能是否最适合他们的要求。应用程序主管必须决定他们是否要在单个平台上整合 AI 项目。AWS 的广度还可能导致混乱和治理问题，例如，Amazon Lex 提供全面的翻译服务，而虚拟助手框架的 NLU 部分仅支持英语。

在对该魔力象限进行研究的整个过程中，Amazon SageMaker 缺乏一些关键的模型管理功能，例如主动模型监控和模型提供的推论的可解释性。但是，AWS 自此发布了 Amazon SageMaker Experiences 和 Amazon SageMaker Model Monitor，以解决此缺点。

此外，当用户从开发环境转到生产环境时，执行成本可能会比他们预期的要高。AWS 意识到了预测的成本和复杂性，并提供诸如 Amazon Elastic Inference 之类的产品来帮助解决此问题。

同样是魔力象限领导者的还有谷歌，Google 总部位于美国加利福尼亚山景城。它提供涵盖所评估的所有三个服务领域的服务：语言，视觉和 AutoML。Google 为大多数服务使用深度神经网络模型，这些模型是从其公共云 Google Cloud Platform 提供的。

2、GoogleCloud

Google 提供了强大的语言服务，可提供比其他提供商更多的语言支持。它的 NLU 服务可用于批处理模式和实时流模式。它的聊天机器人工具支持 22 种语言，并计划在来年提供更多语言。其语音转文本服务支持 64 种语言的 120 种方言，翻译服务支持 104 种语言。Google 还为语言提供最广泛的光学字符识别（OCR）支持，支持的语言超过 200 种。

与其他服务不同，Google 的图像识别服务可以通过容器部署在虚拟私有云或内部部署中，也可以部署在其公共云平台上。Google 的假设分析工具为其 AutoML Vision 和数据标签服务提供了一定程度的可解释性。此外，AutoML Vision 还提供了 Vision API，使开发人员可以通过 REST 和远程过程调用（RPC）API 访问预训练的模型。开发人员可以通过自动识别面部和物体来快速分类图像。Google 的 AutoML Video Intelligence 服务使具有最少 ML 经验的开发人员可以自定义可以分类和跟踪对象的模型。

Google 的 AutoML 表包含数据支持，可提供有关数据集中每个功能的缺失数据，基数和分布的信息。这有助于开发人员整理干净，有效的培训数据。

Google 的大多数云 AI 开发人员服务仅可通过公共 Google Cloud Platform 使用。除了可在 Edge 和 Mobile ML Kit 中部署的 Vision 服务外，服务可能无法部署在虚拟私有云或本地中。不过，Google 确实计划在来年为其许多服务包括这些部署选项。

由于先前在销售执行和定价方面的缺陷，Google 在通用云平台业务中一直难以与其他主要云提供商竞争。Google Cloud Platform 的市场份额低于 AWS 和 Microsoft（Azure）的产品。尽管 Google 表现出了改进，但它需要执行新的目标客户销售策略，以吸引其云 AI 开发人员服务产品的吸引力，因为该产品的成功取决于整个 Google Cloud Platform 的成功。

3、 IBM Watson Assistant

IBM 公司总部位于美国纽约阿蒙克，它在本报告涵盖的所有三个服务领域中提供了广泛的 AI 服务。

根据 IBM 用户的说法，在 IBM Watson Assistant 平台上开发对话代理是一种相对轻松的体验。IBM NLP 元素内的功能已很好地集成在一起，其中包括使用深度学习综合技术以及语气和情感分析的创新组件，尽管在 NLP 领域具有强大的组件，但是 IBM 缺乏健壮的自然语言生成（NLG）元素令人惊讶，但是，与许多其他技术一样，IBM Research 正在开发可能最终出现在其服务阵容中的功能。

IBM 的 Watson Studio 和 ML 产品得益于该公司在增强 ML 领域的悠久历史。IBM 提供了一组强大的 AI ML 服务，从自动数据准备和算法选择到一系列优化指标到有效的公民数据科学家体验，一应俱全。

虽然 IBM 的产品范围广泛，构成了许多 AI 服务元素。这使将它们全部聚集在一个单一，一致且高度集成的环境中的任务变得复杂。反过来，这种复杂性导致了来自不同部门的不同产品，由不同的开发团队处理，并具有不同的定价方案，这导致 IBM 用户反馈 IBM 服务的强度，版本，集成级别和向后兼容性级别不平等。

4、Microsoft Azure

Microsoft 总部位于美国华盛顿州雷德蒙德，与其他领导者一样，Microsoft 提供了广泛的服务，开发人员可以利用这些服务来增强其应用程序。微软的产品包括语言，视觉和 AutoML 功能。

Microsoft 针对 ML 和 AI 提供了基于符号（已解析）和子符号（基于矢量的 ML）方法的一系列服务，这为其某些云 AI 服务提供了 Microsoft 优势。

就部署选项而言，Microsoft 是云 AI 开发人员服务的更灵活的提供商之一。根据企业客户的需求，其服务可部署在 Azure 云，虚拟私有云或本地中。微软通常通过其合作伙伴网络提供 AI 服务，通常不直接与企业合作开发解决方案。这种方法不是 Microsoft 独有的，但是对于刚开始开发云解决方案的组织来说，它仍是具有挑战性的。

微软为其自然语言服务提供了多种语言选择之一。这使具有广泛语言需求的跨国组织能够服务于具有不同语言要求的多个市场。目前微软尚未推出 NLG 服务，尽管它们已列入路线图。因此，急需 NLG 的公司必须寻求其他提供商。

值得一提的是，由于涉及多个业务部门并且包括 Azure 认知服务和 Cortana 服务的混淆品牌战略，这种重叠通常会使客户感到困惑。

魔力象限的「远见者」们

1、Aible

总部位于美国加利福尼亚的福斯特城的 Aible，是这个魔力象限中的有远见者。

它可在 Amazon Web Services（AWS）和 Microsoft（Azure）基础架构上的公共云或虚拟私有云中使用。Aible 提供 30 天的免费产品试用版，并提供出色的客户支持。

Aible 对业务影响和 ROI 的关注使客户的业务成为模型开发和部署不可或缺的一部分。Aible 会自动执行整个模型创建和实施过程，以确保成功部署和使用结果解决方案。Aible 解释了驱动其对不同模型进行预测的因素，并提供了比较这些模型的影响的方法。

Aible 为现实生活中的业务需求和约束提供最佳模型的方法是独一无二的。它的产品自动询问与业务相关的问题，以了解业务目标，成本－收益的权衡以及与领域，基础架构，成本和治理现实相关的约束。通过 Aible，客户可以将标准 ML 模型的影响与在实际约束下工作的模型的影响进行比较。

另外，为了安全起见，Aible 仅提取元数据，而从设计上看，它看不到客户数据或训练有素的模型。

据了解，Aible 当前产品的开发于 2018 年开始，一些客户尚未实现全面部署。此外，虽然 Abile 确实计划在 2020 年底之前提供 NLU，情感分析，文本分析和图像识别服务，但目前 Aible 不提供此魔力象限考虑的任何语言和视觉服务。

为了易于使用标准 API 和工具进行集成，在此「魔力象限」中，Aible 在所有供应商中得分最低。减少对 API 和工具的关注反映了 Aible 避免显式集成需求的愿景。

2、H2O.ai

H2O.ai 总部位于美国加利福尼亚山景城。H2O.ai 以其开源 ML 和 AI 软件而闻名。H2O 无人驾驶 AI，AutoML 平台，是供应商的商业产品，并包含许多开源附件。

H2O 无人驾驶 AI 包括自动功能，例如可视化，功能工程，模型构建，时间序列支持，自然语言处理（NLP）和 ML 可解释性，并由协作功能以及数据处理，模型开发，部署和操作的灵活性支持。它会自动生成一个可移植的低延迟模型部署工件，称为 MOJO，可以在 Java，Python，R 和 C ++运行时中以及从云到边缘的过程中进行部署。

H2O 无人驾驶 AI 易于部署，从而使客户能够减少对成熟的数据科学组织的需求，并提供启动新 AI 项目的捷径。H2O.ai 对 ML 可解释性和可解释性的关注通过帮助建立信任和降低风险来促进 AI 的采用。它在参考客户方面获得了技术支持质量的最高分，并且拥有专门的支持组织以及客户成功工程师和数据科学家来为其用户提供支持。H2O.ai 雇用了全球 10％的 Kaggle Grandmasters，他们可以与客户合作。

H2O.ai 无法提供某些自然语言服务，但 H2O.ai 的平台上还提供了其他服务，例如情感分析和文本分析。H2O.ai 当前不提供其他服务，例如聊天机器人，语音到文本，自动语音，文本到语音和翻译。但是，可以使用 H2O.ai 支持的第三方工具（例如 TensorFlow 和 PyTorch）或自定义配方来缓解这种不足。

此外，H2O.ai 当前不提供任何视觉服务，但是图像识别和 OCR 正在开发中，并将于 2020 年并入 H2O 无人驾驶 AI。

3、Prevision.io

Prevision.io 总部位于法国巴黎，是这个魔力象限中的有远见者。它的云 AI 开发人员服务集专注于 AutoML，但在 AutoML 平台中还具有文本和图像分析功能。

Prevision.io 的界面和控件的简单性背后是一个强大的，功能丰富的 ML 平台。它在 ML 模型构建控件和经验丰富的数据科学家可以访问的更高级功能之间保持了良好的平衡。该平台通过一系列说明性步骤来帮助缓解「黑匣子」效应。以便用户可以了解 ML 模型如何得出其结论。该平台会自动生成简化的可解释模型，并可以可视化这些模型的行为。

此外，Prevision.io 的平台集成了高级 ML 功能。这些功能包括构建元模型（集成建模的一种方法），自动混合算法以生成更准确的模型以及创建嵌入以提高特定模型的性能的能力。

尽管全世界的开发人员都可以访问，但 Prevision.io 基本上仅在几个欧洲国家/地区运营，而且部署的模型不一定是托管模型。

在并非总是有专家数据科学家的环境中，彻底的验证和确认程序至关重要，而 Prevision.io 在这方面仅提供基本功能，如果要保持有远见的人就需要对其进行扩展。

魔力象限的「特定领域者」们

1、Salesforce

Salesforce 总部位于美国加利福尼亚州旧金山，对于应用程序开发人员和设计人员，它在其云产品中提供了嵌入式 AI 功能。该公司的主要目标是通过使缺乏深度学习或 ML 知识的 Salesforce 生态系统中的管理员和开发人员将 AI 嵌入到每个 CRM 和前台用户手中，从而将图像识别和 NLP 嵌入其应用程序中。Salesforce Einstein 可以以 API 或 UI 的形式提供，这更适合开发人员。

Salesforce Einstei 平台服务的主要优势在于管道的简化-预测是在培训/测试数据所在的同一环境中构建的，并且将结果写回到相同的 Salesforce 对象（表/字段）中。这样可以快速进行模型开发，培训和测试，并快速部署到现有工作流程和流程中。

Salesforce 可自动进行涉及预测的大量数据处理。它还实施了一些功能，以确保预测的质量并减少与训练数据有关的偏差。

Salesforce 在提供简单，民主化的方法来开发 AI 功能方面处于领先地位，这种方法不需要用户方面的任何技术或开发技能。

Salesforce Einstein 提供了两种 NLP 功能-Einstein Sentiment 和 Einstein Intent-但与在此魔力象限中大多数其他供应商提供的对话 API 相比，这两项都是基本的。Einstein 情感使用无法训练的全局模型，也无法修改其行为。

Salesforce 的 Einstein Vision 服务易于使用，所采用的方法与用于语言服务的方法大致相同，在语言服务中，带有标签的训练数据被上载，并且模型被自动训练。但是，指定用于训练的对象检测边界框坐标需要第三方工具和支持。此外，Einstein 视觉服务缺乏竞争对手提供的许多功能，例如数据标签外包，显式内容检测和基于边缘的模型部署。

Salesforce 的 AI 服务产品比该魔力象限中的其他供应商要细得多，仅限于 Einstein 平台服务，后者仅提供目标开发人员服务，而不提供完整的产品组合。

2、SAP

SAP 总部位于德国沃尔多夫，它在这个市场上有两个主要产品。第一个是 Leonardo Machine Learning，它为开发人员和业务用户提供了预训练的模型和可定制的模型，可以通过调用简单的 REST API 将其用作 Web 服务。通过 API 或专用的 SAP Data Intelligence 平台执行模型管理。好处便是，它使第三方环境能够提供主模型管理。

第二种产品是 SAP Conversational AI，这是一个端到端的对话机器人构建平台，然而 SAP 对话式 AI 仅提供基本的问候和通用的对话元素，并且 SAP 的视觉服务仅捆绑了通用分类器，尽管 SAP 还提供了其他提供商的视觉服务。尽管 SAP 迅速增加了服务的部署，但在评估时仍有一些明显的遗漏。

SAP 提供跨语言和视觉领域的许多基础 AI 服务（包括本机和通过合作伙伴提供），但更重要的是，SAP 将它们打包在一起，称为「业务服务」或「方案」，这种方法可能会成为主要差异化因素。

3、腾讯

腾讯总部位于中国深圳，于 2016 年启动了 AI 实验室，并于同年在美国华盛顿西雅图成立了 AI 研究中心。

腾讯将其广泛的 AI 资源用于其游戏，视觉，聊天以及其他产品和服务。腾讯 AI 实验室专注于基础 AI 研究; 腾讯 YouTu Lab 专注于人脸和图像识别。微信 AI 致力于语音识别，NLP，数据挖掘和 ML，语音转文字服务仅支持普通话，广东话，英语，藏语和维吾尔语。文本分析功能仅支持英语和中文。

腾讯拥有完整的 AI 产品组合。它的语言服务包括语音识别，NLP，腾讯 Bot 平台和语言生成。它的视觉服务包括图像识别和 OCR。它的 AutoML 服务包括功能工程，自动模型构建，模型管理以及用于数据预处理，转换和选择的多种算法，但 AutoML 服务缺乏自动化的数据准备，并且某些功能工程功能无法通过 API 使用。

据了解，腾讯内部多个与 AI 相关的小组，它们进行一些重叠的 AI 研究与开发。腾讯还提供 AI 开放平台，该社区是开发人员可以免费试用腾讯 AI 服务的社区。一旦需要企业级服务，他们的项目就会重定向到腾讯云。

据 Gartner 称，到 2023 年，40% 的开发团队会使用自动化机器学习服务来构建为其应用软件添加 AI 功能的模型，而 2019 年这一比例不到 2%。到 2025 年，AI 将使 50% 的数据科学家活动实现自动化，从而缓解人才严重短缺问题。

在该魔力象限中，挑战者区域仍为空白，未来相信，还会有更多供应商入场厮杀。