隨著企業每年蒐集和分析的資料越來越多，傳統的基礎設施面臨挑戰，不僅是因為資料量變大，資料的來源也越來越多元，資料的內容和用途也和以往企業熟悉的不同。此外，內外部客戶期待能更快獲得成果，這也挑戰了傳統基礎設施的工具和實踐。
鑽研技術就是為了提供好的解決方案：將制式作業自動化讓您可以做更多更有價值的工作。雖然有許多方式可以做到這點，但人工智慧會是相對有價值的方法，尤其是機器學習，無論是公開使用或是依賴 ML 的省力工具或服務。
Urs Hӧlzle 是 Google 早期傑出的一位工程師，他現在負責設計和支援許多 Google 產品的基礎設施，以及提供給所有 Google Cloud 客戶的基礎設施服務。
Urs 在 Google 早期就扮演重要的角色，他引領了計算和資料基礎設施的發展，這些發展革命性的改變了網際網路搜尋、地圖、行動化、雲端計算和 AI 引擎平台，AI 引擎可以預測疾病，也可以避免 Google 資料中心過熱的問題。
以下 Urs 談論企業如何利用機器學習簡化並解決企業問題。
Q：隨著基礎設施和容量的擴展，企業可高速從多個角度處理資料，並將更多資料視為動態資產，現今大量的資料是如何改變人們的工作方式？
Urs：生態系統發生了極大的變化，以前必須事先做很多規劃：仔細篩選企業所需的洞察。現在資料分析師只需要透過簡單的 SQL 查詢，就可以按照自己的進度 (可能是半天或一週) 就能具備這種洞察力，不需要軟體團隊、分析師，這不再是一個軟體開發專案，這意味著企業可以利用資料回答的問題數量呈現爆炸性成長。
Q：所以企業可以擁有更多專案、用更新穎的方式思考、在更深的層次上進行測試。
Urs：在嘗試完成一件正確的事時，起初的方向跟認知往往是錯誤的，但當你反覆進行時，你對問題的理解會有所改善。如果每天都可以做到這一點，並且問提出一個比昨天更好的問題，那可能不到兩週就可以從根本上改變你對特定客群的看法，因為你對他們的行為有更深的了解。
Q：人們是不是可以將 AI 和機器學習視為雲端計算發展的產物？因為這是一種排序資料、找尋模式、測試根本上較好的方式？
Urs：的確，「機器學習」、「雲端基礎設施」的整合是現在的發展。過去當你擁有資料，你會透過編程處理資料；當企業有疑問時，會手動從資料庫進行資料分析。現在機器學習提供更強大的資料查找方式，同樣適用於非結構化資料，例如：影像、聲音、其他資料類型，這是過去傳統分析無法適用。
「現代資料分析工具」相對更合乎情理且更能善用你既有的資料。在現今 BigQuery 資料倉儲中有內建機器學習功能。「如果我沒有資料，我也可以做到預測功能嗎？」答案是肯定且容易的。你可以透過大約 10 行的 SQL 語法執行此項操作，甚至不需要了解機器學習的運作原理。
Q：在所有關於「機器學習」的問題中，哪些是比較有趣的？
Urs：企業面臨的最大的問題主要有兩方面：
(一) 企業相信機器學習是未來趨勢也是個絕佳機會，但企業需要將機器學習轉化成實際的成果。因此，Google 需要在堆疊中提供工具，讓企業不需要成為機器學習專家就可以輕鬆利用機器學習。BigQuery 可以結合機器學習做預測，甚至不需要了解太多底層的技術。以機器學習訓練工具 AutoML 為例：透過拍攝待識別物體的照片集，我們可以自動建構一個機器學習系統，它能以非常高的準確率辨識影像。而這在過去，企業需要一位專家才能做到這件事。
(二) 如何處理過渡到雲端的問題。每個大型用戶都將在混合配置中運行一段時間，然而不同環境有不同的規則，也需要擁有不同的團隊，並對團隊進行不同的訓練，必須梳理清楚這些事該如何協同運作的。
Q：推出像是 Kubernetes 的雲端管理工具是否有助於協調？
Urs: 沒錯，而 Kubernetes 和 Google Kubernetes Engine (GKE) 會是 Google 對這道困難問題做得最好解答。透過 Kubernetes，企業能以「相同的程式碼和配置」、「同樣的重要性」來在本地端或是雲端管理工作負載。
整合的機器學習是 Google 產品的核心，可幫助企業將資料轉化為洞察力，並做出更明智的決策。
您可以閱讀更多有關 BigQuery 的資訊，或是了解 Google Cloud 資料分析解決方案的套件。如果您已經有使用 BigQuery，並且對於以機器學習為基礎產生洞察力方案有興趣，您可以閱讀 BigQuery ML 獲得更多資訊。
(原文翻譯自 Google Cloud。)
