不久前，人們認為人工智能可能需要科學家穿上白大褂在實驗室進行研究。這種科學是神秘的、復雜的，而且很少有人類的智能可以探索的東西。

[[245979]]

而現(xiàn)在這種情況已經(jīng)改變了。工作在實驗室的科學家們認識到將軟件即服務(wù)進行分發(fā)的能力，他們將代碼捆綁在一起，并將其轉(zhuǎn)換為任何人都可以使用的應(yīng)用程序編程接口(API)。只需將數(shù)據(jù)發(fā)布到服務(wù)中，人工智能的處理結(jié)果就會在幾毫秒內(nèi)提供。而如果你有一個大數(shù)據(jù)集，那么可能需要更長的時間。

人工智能對幕后數(shù)據(jù)集的作用是什么?你不需要太在意。這就是軟件即服務(wù)的重點，那就是輸入數(shù)據(jù)，輸出結(jié)果。

這夸大了技術(shù)進步。你可能不需要理解人工智能代碼內(nèi)部的所有數(shù)學知識，你可能不需要對"張量(tensor)"和"向量(vector)"完全適應(yīng)。但是需要花費一些時間來討論自己的數(shù)據(jù)，直到它適合。但仍然有許多工作要做，以正確的格式獲取數(shù)據(jù)，其列中的值具有正確的類型。

在獲得正確的數(shù)據(jù)后，幾乎肯定會在API上按下啟動按鈕幾次。這是模型的一部分。你需要花時間調(diào)整問題，讓魔術(shù)API在后臺運行人工智能代碼。你可能做了更多的科學研究，但API將會開展繁重的更多數(shù)字工作。

它并不***，但它比自己編寫代碼要好。這就是為什么人們對此感興趣以及為什么現(xiàn)在有很多機器學習API的選擇的原因，更不用說將數(shù)據(jù)轉(zhuǎn)化為模型和模型成為Web服務(wù)的云計算服務(wù)。以下是一些機器學習API，可以為你的復雜算法節(jié)省數(shù)小時、數(shù)天和數(shù)月的時間。

1. Cloudwords

術(shù)語"人工智能"和"機器學習"在Cloudwords銷售文獻中并不常見，但這并不意味著它們不是人工智能產(chǎn)品的一部分。Cloudwords旨在使企業(yè)更容易管理大塊文本，并為任意數(shù)量的語言提供一致的翻譯。擁有營銷團隊且必須針對使用不同語言員工的跨國公司可以使用Cloudwords來確保面向客戶的文本的所有版本保持一致和***。

在幕后，Cloudwords依賴于使用神經(jīng)網(wǎng)絡(luò)和統(tǒng)計模型的幾種不同的翻譯引擎。它還提供了一種機制，用于保存可能需要定制的人工指導的習慣用語和短語的緩存。當文本經(jīng)過系統(tǒng)時，此翻譯記憶庫會自動更新。

該代碼包括用于將Cloudwords管道與企業(yè)文件系統(tǒng)、營銷自動化工具和流行的內(nèi)容管理系統(tǒng)集成的模塊。當新的文本以一種語言到達時，Cloudwords將通過管道將其轉(zhuǎn)移到來自Google、Microsoft或Lilt等分包商的機器翻譯服務(wù)。然后它會返回到你的存儲庫或CMS中，你的讀者將以其適合自己的語言查看文本。

2. Face API

如果每個孩子都可以訪問微軟的Face API，那么《瓦爾多在哪里?奇幻旅程》(Where's Waldo?)并不是一次冒險。當你要求Face API掃描某人的照片時，將收到一個數(shù)據(jù)結(jié)構(gòu)，其中包含圖像中面部的坐標。而API還將輸出頭發(fā)顏色、面部毛發(fā)量，以及人員的年齡和性別非常詳細的信息。對于Waldo的搜索者，F(xiàn)ace API可以在圖像數(shù)據(jù)庫中查找匹配項，并提供兩張圖片屬于同一個人的幾率。

3. Emotion API

人類很容易讀出臉上的情緒，并挑出大量照片中最快樂、最悲傷或最憤怒的人臉畫面。微軟公司的Emotion API提供了一種可以自動識別圖像中人物的感受的人工智能程序。

雖然情緒對于人類來說很復雜，但Emotion API將它們簡化為8個數(shù)字的向量，介于0和1之間，這些數(shù)字代表了在一張?zhí)囟ǖ拿婵字锌梢哉业接卸嗌賾嵟?、蔑視、厭惡、恐懼、快樂、悲傷、驚喜。圖片。微軟公司已經(jīng)在各個國家對這些進行了測試，并認為情緒在文化上是一致的。它們真的是嗎?***不要對這個向量賦予太多的權(quán)重，而只是接受它為奇跡，算法可以得到正確的答案。

4. Automatic Alternative Text

優(yōu)秀的網(wǎng)站包含標簽中的替代文字，以便搜索索引可以理解它們，以便更多的人可以知道所顯示的內(nèi)容。對于一小部分圖像來說，人類很容易做到這一點，但要做更多的事情是非常繁瑣的。這就是人工智能可以節(jié)省時間的地方。一些聰明的網(wǎng)站管理員正在使用Microsoft的Computer Vision API自動為圖像分配替代文本。人工智能并不總是正確的，但如果你有一些以上的圖像，它將使你的工作和生活更輕松。

Drupal的自動替代文本模塊是一個很好的內(nèi)容管理系統(tǒng)(CMS)，可以在后臺將圖像上傳到Vision API，然后為你填寫alt字段的一個示例。建立在Drupal之上的網(wǎng)站通常是大型開放社區(qū)的家園，用戶在這些社區(qū)中討論，并偶爾上傳圖像。參與者可能會或可能不想花時間為某些圖像找出正確的標題。使用人工智能可以為每個人提高網(wǎng)站的質(zhì)量，加快搜索速度，并節(jié)省用戶編寫字幕的時間。

5. Nudebox

如果你的網(wǎng)站想要打開所有用戶的圖像之門，那么你必須為喜歡發(fā)布敏感圖像的人做好準備。Nudebox作為Machinebox的工具之一，將掃描圖像是否裸露太多的皮膚。但這種措施是萬無一失的嗎?不，但它會幫助你標出最可疑的圖像，這可以節(jié)省很多時間。

6. Amazon Connect

AWS云平臺中一個比較有趣的選項是Amazon Connect，這是一套應(yīng)用工具，旨在幫助你為公司創(chuàng)建呼叫中心。在外面，它只是一個用于構(gòu)建電話服務(wù)的工具包。在內(nèi)部，它將亞馬遜的一些人工智能工具連接到循環(huán)中以處理家務(wù)。Amazon Lex背后的自然語言工具可讓你創(chuàng)建聊天機器人，可以作為你的客戶的***輪聯(lián)系者。如果需要人工智能，Amazon Connect可以將客戶發(fā)送給具有解決問題所需專業(yè)知識的合適服務(wù)代理。然后，它將跟蹤解決方案并對代理進行排序，以確保下一個呼叫者獲得***體驗。通過AmazonConnect，Amazon已經(jīng)集成了各種人工智能工具，因此你無需這樣做。

7. Google BigQuery ML

我們中的許多人對SQL世界已經(jīng)習慣。使用INSERT語句構(gòu)建了數(shù)據(jù)集合，甚至可以輕松編寫JOIN語句。Google公司創(chuàng)建了BigQuery ML，因此使用SQL的人可以開始使用人工智能來分析他們的數(shù)據(jù)，而無需重寫整個堆棧。在理想的世界中，你可以使用依賴于SQL的巨大安裝軟件堆棧，然后重定向SQL存儲和復制例程，以使用ANSI：2011 SQL將所需數(shù)據(jù)推送到BigQuery ML中。它從來沒有那么簡單，但是它仍然比重新思考整個體系結(jié)構(gòu)和重寫所有代碼簡單得多。

將數(shù)據(jù)推送到BigQuery ML后，新的"SQL"命令CREATE MODEL將使預測模型適合你選擇的列。該命令接受許多標準SQL選擇子句，使數(shù)據(jù)庫分析人員無需使用Python、Java或任何傳統(tǒng)機器學習語言即可構(gòu)建模型。

創(chuàng)建模型后可能會產(chǎn)生***的優(yōu)勢，因為數(shù)據(jù)已經(jīng)存儲在數(shù)據(jù)庫中，可供報告或商業(yè)智能基礎(chǔ)架構(gòu)使用。Google公司已經(jīng)與許多標準工具(如Tableau，MicroStrategy和Looker)進行了集成。

8. Animetrics

如果你有一個包含許多面孔的時間較長的視頻，Animetrics API將逐幀掃描視頻，并選出它找到的所有面部以進行識別和聚類。該算法擴展2D圖像，并構(gòu)造3D近似估計或臉部沿著x、y和z軸的方向。它甚至能夠以與捕獲的姿勢或角度不同的姿勢或角度重新渲染臉部。為了更快地生成結(jié)果，代碼并行處理多個圖像。如果沒有視頻，基本API也可以使用一組靜態(tài)照片。

9. DiscoverText

Twitter是一個發(fā)布無數(shù)的文本片段的世界，捕捉世界上最健談、最自信人士的時代精神。如果你的工作是追蹤品牌、政治運動，或者其他一些文字，這些將會漂浮在文字的洪流上，DiscoverText將幫助你理解它。DiscoverText提供對主Twitter提要的訪問，并為你提供設(shè)置自己的計算機分類器或過濾器，以搜索所需文本的工具。識別推文后，DiscoverText將幫助你存儲、分析和聚類結(jié)果。

10. SendPulse

很多人認為人工智能是一個復雜而開放的過程，而一些人工智能專注于實現(xiàn)一個目標。考慮使用SendPulse，這是一種旨在使營銷電子郵件更加可取和有用的工具，以便收件人更頻繁地打開它們。SendPulse使用一個復雜的模型來確定人們通常何時閱讀他們的電子郵件，然后安排這些電子郵件在那個時候送達，所以不會最終拋棄到可能被大量刪除的大堆郵件中。為了收集更多關(guān)于讀者的信息，SendPulse在很大程度上依賴于A/B測試來了解每個用戶成功的消息。所有這些數(shù)據(jù)都經(jīng)過精心設(shè)計和優(yōu)化，以便更好地完成一件事：在瀏覽收件箱時，在瞬間抓取更多的讀者。

這種方法可能是人工智能的最終表現(xiàn)。這不是一個標記偉大流行詞的天才體現(xiàn)。它不是一個充滿高端數(shù)學的、不可思議的復雜機器，它只是一個簡單實用的工具，而這將是人工智能從實驗室的研究變成普通事物的體現(xiàn)。