云平台与机器学习应怎样相互成长？

要创建有效的深度学习模型，需要提供大量的数据，对模型进行有效的训练。然后安装模型，对模型进行监视以防止出现漂移，并根据需要对其进行重新训练，以此反复。

模型的训练需要使用非常多的计算资源，如果您已经投资了大规模的计算资源，您可以在本地完成所有这些工作。但是，你会发现这些计算资源在许多时间处于非活动状态。如果在云平台中进行上述活动，则可能更具成本效益。

大多数云提供商投入大量精力来构建其机器学习平台，以支持整个机器学习生命周期。每个端到端机器学习平台应提供哪些功能呢?

当你准备好了大量的训练数据之后，您当然不希望迁移这些数据。因为这个过程通常需要花费非常长时间，这意味着您在这段时间内什么事也不能做。对于大型数据集，理想的情况是创建一个已经存在数据的模型，从而避免大量数据迁移。

ETL(导出，转换和加载)和ELT(导出，加载和转换)是数据库领域中的两种常见数据配置技术。机器学习和深度学习非常需要这些工具，尤其是变换部分。

建立良好的机器学习和深度学习模型需要大规模数据，将这些数据全部下载到本地进行模型训练，是非常费时过程。而且数据规模达到一定规模之后，您会发现很难找到本地资源来存储这些数据，所以支持在线模型训练成本云平台必须要具有的功能。

利用云平台，帮助生成多个大型虚拟机或容器环境，加速在本地笔记本进行的训练活动，这将大大较少我们的训练时间。

云平台为许多应用程序提供了健壮且经过优化的AI服务或解决方案，而不仅仅是图像检测。这些包括语言翻译，语音到文本，文本到语音，预测和推荐。这些服务已经在比企业通常可用的更多数据集中进行了培训和检查。这些也安装在具有足够计算资源的服务端点上，包括加速器，以确认在全球负载下的良好响应时间。