2017谷歌火力全开:瞄准机器学习与数据分析

简介:

2016年,Google将赌注的筹码放在了机器学习和数据分析上,以此来区分它的云平台,从而在企业客户中产生重大影响力。

2016年,Google消除了其在云承诺上所有持续问题,因为其战略在未来几年将成为企业市场的主要参与者。

该公司花了数百亿美元,为Google Cloud Platform(GCP)建立基础设施、服务和人才库。因此,它不再强调价格是主要的区分因素,而是侧重于企业需求、数据分析和一套用于推动应用的技术。Google 表示未来主导将这一行业。

机器学习对于许多IT企业来说仍然太新,但Google已经把它作为云计算的未来。2016年,它增加的新服务包括用于服务和新版翻译的机器智能套件、文本分析,以及图像和语音识别。

TensorFlow 是2015年的一个开源机器学习框架,且获得了Tensor处理单元的大力支持。针对TensorFlow量身定制的专用集成电路已经在Google内部使用一年多了,并且承诺每瓦更好 的性能。2017年,Google计划为其机器学习和Google Compute Engine客户添加GPU。

Kubernetes是Google内部编排工具的开源版本,巩固了其在过去一年中作为容器主要技术的地位。Kubernetes集群在设置和升级是存在挑战,因此Google Container Engine (GKE)获得了更的注意力,因为它处理这些问题,并提供与Kubernetes发布周期紧密一致的更新。

Lytics 公司的CEO兼联合创始人Aaron Raddon说,“GKE扩展了,而还有效运行了。这是无后顾之忧的,很难与之竞争。

Vendasta Technologies为媒体企业构建了销售和营销软件,它是Google App Engine的重要用户,但它已经转移到了微服务模型和GKE上。Saskatoon公司 首席架构师Dale Hopkins说,该公司将API从JSON转换为gRPC,极大地改善了客户的存档和交付。

“我们没有把一切都放在容器中,但我们联系的很紧密,”他说。

2017年,企业的舞台在哪里

Google在全球扩张方面进行了大量投资,以解决数据距离和数据驻留问题;并在2016年增加了两个新区域,使其总数达到了六个。该公司计划在2017年每月开设一个新区域。

Google通过Spotify和Evernote高调地赢得了胜利;同时,花旗、高盛和其他金融行业的重量级公司已经认可了它的技术。其他的大客户还包括可口可乐、迪斯尼、梅西和索尼,但谷歌仍然缺乏传统旗舰 企业使用其平台。

为了专门应对企业市场,Google和埃森哲 将为零售、医疗、能源、金融和其他行业开发特定行业的服务。

“你开始看到更多的对市场和参与市场的承诺 。”埃森哲云部门的全球总经理Michael Liebow表示:“他们正在加倍,甚至三倍努力,以吸引更多的合作伙伴和更多的客户。”

Googlege还添加了对企业很重要的新安全功能,用于身份和访问管理以及客户提供的加密密钥,同时它也满足国际合规标准,保护客户数据。

2016年的多重收购对GCP起到了支持的作用,最值得注意的是Apigee公司,它提供了一系列API管理服务,比Amazon Web Services(AWS)上的内容更加企业友好。

Google将多个不同的业务单元归入Google Cloud下,这些业务包括:更名为GCP 的G Suite应用、机器学习工具,API和连接到云端的Google设备 。新的有限访问咨询服务,即客户可靠性工程,为应用的可靠性提供了共同的责任模型,旨在帮助Google和企业客户彼此了解操作技能。

当然,如果Google希望赶超竞争对手并满足企业需求,它仍有大量工作要做。行业观察者通常将它与AWS和微软Azure看作三个超大规模的提供商,虽然它是千年老三。

与不建议反对多云策略的亚马逊不同,Google 需要这种模式,来避免AWS在市场上大规模领先的东西。 为此,它推动了Kubernetes等服务,如Stackdriver,它监测日志,并执行GCP和AWS上的应用诊断。

谷歌也遇到了成长的烦恼,就如同AWS早期时候一样。 最值得注意的是,由于2016年的网络故障,GCP经历了多次中断和服务中断。

Google:大数据也是大事件

数据分析仍然是GCP的关键,包括Dataflow、Dataproc和Pub / Sub等服务。BigQuery206年已经升级,支持了StandardSQL,并与Microsoft Excel这样的工作集成,改进了监控和精细安全策略,简化的了特定日期 数据分区。

此外,还增加了多区域存储和流水线存储类。 除了Coldline之外,Google还增加了生命周期管理来自动化 数据转换;另外,Coldline冷存储提供了快速的检索时间。

除了使用GKE之外,对于大数据服务的改进,和GCP已经在其工作负载中集成的机器学习(包括Bigtable,Pub / Sub和Vision API),Lytics 看到这些感到很高兴。 Raddon说,Google已经稳步地进行了改进了,平台现在更简化,核心服务功能更丰富,并没扩展太多不同类的服务。

本文转自d1net(转载)

相关实践学习
容器服务Serverless版ACK Serverless 快速入门:在线魔方应用部署和监控
通过本实验,您将了解到容器服务Serverless版ACK Serverless 的基本产品能力,即可以实现快速部署一个在线魔方应用,并借助阿里云容器服务成熟的产品生态,实现在线应用的企业级监控,提升应用稳定性。
云原生实践公开课
课程大纲 开篇:如何学习并实践云原生技术 基础篇: 5 步上手 Kubernetes 进阶篇:生产环境下的 K8s 实践 相关的阿里云产品:容器服务 ACK 容器服务 Kubernetes 版(简称 ACK)提供高性能可伸缩的容器应用管理能力,支持企业级容器化应用的全生命周期管理。整合阿里云虚拟化、存储、网络和安全能力,打造云端最佳容器化应用运行环境。 了解产品详情: https://www.aliyun.com/product/kubernetes
相关文章
|
6月前
|
机器学习/深度学习 数据可视化 算法
数据分析和机器学习的11个高级可视化图表介绍
可视化是一种强大的工具,用于以直观和可理解的方式传达复杂的数据模式和关系。它们在数据分析中发挥着至关重要的作用,提供了通常难以从原始数据或传统数字表示中辨别出来的见解。
113 0
|
16天前
|
机器学习/深度学习 数据可视化 算法
【python】Python大豆特征数据分析 [机器学习版一](代码+论文)【独一无二】
【python】Python大豆特征数据分析 [机器学习版一](代码+论文)【独一无二】
|
3月前
|
机器学习/深度学习 数据采集 人工智能
数据分析概述2(详细介绍机器学习
数据分析概述2(详细介绍机器学习
27 0
|
4月前
|
机器学习/深度学习 数据采集 人工智能
Python可以应用于多个领域,如Web开发、数据分析、机器学习等
Python可以应用于多个领域,如Web开发、数据分析、机器学习等
|
4月前
|
机器学习/深度学习 自然语言处理 算法
机器学习基础:Python数据分析的必备技能
机器学习基础:Python数据分析的必备技能
60 2
|
6月前
|
机器学习/深度学习 数据可视化 算法
数据分析和机器学习的11个高级可视化图表介绍
数据分析和机器学习的11个高级可视化图表介绍
|
9月前
|
机器学习/深度学习 人工智能 算法
Python编程入门基础及高级技能、Web开发、数据分析和机器学习与人工智能
Python编程入门基础及高级技能、Web开发、数据分析和机器学习与人工智能
133 0
|
9月前
|
机器学习/深度学习 存储 算法
机器学习之数据分析常用方法
机器学习之数据分析常用方法
4599 4
机器学习之数据分析常用方法
|
11月前
|
机器学习/深度学习 人工智能 算法
「数据分析」精选数据挖掘和机器学习软件列表
「数据分析」精选数据挖掘和机器学习软件列表
|
11月前
|
机器学习/深度学习 传感器 存储
探索自然本源!谷歌2022年终总结第七弹:「生化环材」如何吃上机器学习红利?
探索自然本源!谷歌2022年终总结第七弹:「生化环材」如何吃上机器学习红利?

热门文章

最新文章