每家公司现在是一个数据公司，在一定范围能够使用机器学习在云中部署智能应用程序，这归功于三个机器学习的趋势：数据飞轮，算法经济，和智能云托管。

有了机器学习模型，企业现在可以快速分析大型，复杂的数据，并提供更快，更准确的见解，没有部署和维护机器学习系统的高成本。

“当今建立的每一个成功的新应用程序将是一个智能应用程序，智能构建块和学习服务将是应用程序背后的大脑。”

下面是三个机器学习趋势导致一个新的范式，每个应用程序都有可能成为一个智能应用程序的概述。

数据飞轮

数字数据和云存储遵循摩尔定律：全世界的数据每两年翻一番，而存储数据的成本却以大致相同的速度下降。大量的数据使更多功能，更好的机器学习模型被创建。

“在智能应用的世界，数据将是国王，并且从它们的数据飞轮可以生成最高质量数据的服务将有一个不公平的优势——更多的数据带来更好的模型，带来更好的用户体验，带来更多的用户，带来更多的数据”。

例如，特斯拉已经收集了7亿8000万英里的驾驶数据，而且每10小时增加上百万英里。

这些数据被送入自动驾驶仪，他们的辅助驾驶程序使用超声波传感器，雷达，和相机引导，换车道，并且避免小的人机交互碰撞。最终，这些数据将是他们计划在2018年发布的无人驾驶车的基础。

与谷歌的无人驾驶计划相比，它已经积累了超过150万英里的驾驶数据。特斯拉的数据飞轮发挥充分的作用。

算法经济

如果你不能利用它， 世界上所有的数据都不是很有用的。算法是你如何有效地扩展业务流程的手工管理。

这创造了算法经济，算法市场作用是作为研究人员，工程师，和组织创建，分享和一定程度混合算法智能的全球会议场所。作为可组合的构建块，算法可以堆叠在一起来操纵数据，并提取关键的见解。

算法经济中，最新研究转化为实用，运行的代码，并且可供他人使用。智能应用程序演示了抽象层，形成创建智能应用程序所需的构建块。

“算法市场类似于手机应用商店创造了应用经济，应用经济的本质是允许各种各样的个人在全球发行和销售软件，而不需要向投资者推销自己的想法，或建立自己的销售，营销和分销渠道。”

智能云托管

一家公司为了洞察他们的业务，使用算法机器智能迭代学习他们的数据是唯一的可扩展的方式。从历史上看它是一个昂贵的前期投资，并且没有明显回报的保证。

“今天分析和数据科学就像40年前的裁缝一样，它需要很长时间和巨大的努力。”

例如，一个组织需要首先收集自定义数据，聘请一个数据科学家团队，不断开发模型，并优化它们来跟上快速变化和不断增加的数据量——这只是开始。

随着越来越多的数据可用，以及存储数据成本的下降，机器学习开始移动到云，那里可扩展的Web服务是一个API调用。数据科学家将不再需要管理基础设施或实现自定义代码。系统将度量它们，动态地产生新的模型，并交付更快，更准确的结果。

“当建立和部署机器学习模型的努力变得越来越少——当你可以‘批量制造’它——那么那样做的数据在云中被广泛使用 ”。

新兴的机器智能平台托管预训练的机器学习模型服务化将便于公司开始使用ML，让他们迅速把应用程序从模型到产品。

“随着公司采用微服务模式，即插即用不同的机器学习模型和服务提供特定功能的能力变得越来越有趣”。

当开源机器学习和深度学习框架运行在云中，像 Scikit-Learn, NLTK, Numpy, Caffe, TensorFlow, Theano, 或者 Torch，公司将能轻松地利用预训练，托管标签图像模型，推荐产品，并做一般的自然语言处理任务。

机器学习趋势的概括

“我们的世界观是当今每家公司都是一家数据公司，并且每个应用程序是一个智能应用程序，公司如何从大量的数据中获得洞察力，并从中学习？这被赋予世界上每一个组织。”

随着数据飞轮开始转动，获取、存储和计算数据的成本将不断下降。这创造了算法经济，机器智能的构建块存储在云中。预训练，托管机器学习模型使每一个应用程序都可以在一定程度上利用算法智能。

数据飞轮，算法经济，和智能云托管的融合意味着：

1、现在每一家公司都可以成为一家数据公司

2、现在每一家公司都可以接触智能算法

3、现在每一个应用程序都可以是一个智能应用程序