Frameworks as a Service

Frameworks wie die genannten haben den Einstieg in Machine Learning wesentlich erleichtert. Man muss sie in der Regel allerdings immer noch herunterladen und installieren. Noch einfacher geht es mit den Machine-Learning-Services der Cloud-Provider. Sie lassen sich per API aufrufen und stellen quasi schlüsselfertig Funktionen wie Spracherkennung oder Bildanalyse zur Verfügung. Amazon und Microsoft, aber auch Google und IBM, offerieren eine große Palette solcher Dienste.

In Amazon Machine Learning (AML) kann der Anwender bereits vorhandene Daten, die zum Beispiel als CSV-Dateien in Amazon S3, dem Data Warehouse Redshift oder der My­SQL-Datenbank RDS vorliegen, zur Modellierung und zur Erstellung von Prognosen verwenden. „Der Fokus liegt dabei auf der Einfachheit der Modellierung der Daten – der Service ermittelt automatisch die prediktivsten Eingabedaten und verlangt keine Kenntnisse der mathematischen Modelle von Machine Learning“, sagt Ralf Herbrich von AWS. AML setzt laut Anbieter auf die gleichen Algorithmen, die Amazon auch intern für die Datenanalyse verwendet, und ist hoch skalierbar. Selbst Milliarden von Prognosen pro Tag sollen kein Problem sein.

Auf seiner Entwickler- und Kundenkonferenz re:invent hat AWS im vergangenen Jahr zudem Services vorgestellt, die es dem Anwender ermöglichen, Künstliche Intelligenz per API in seine Produkte einzubauen. Amazon Lex stell eine Konversationsschnittstelle zur Verfügung, die gesprochene Sprache erkennt und automatisch in Text umwandelt. Dabei berücksichtigt der Service den Kontext und versucht, die Absicht des Sprechers zu verstehen. Lex ist derzeit noch in einer Vorversion verfügbar und kann kostenlos getestet werden.

Amazon Polly hat es dagegen schon zur Produktreife geschafft. Dieser Service konvertiert als Gegenstück zu Lex Text in gesprochene Sprache. Dafür stehen 47 Stimmen und 24 Sprachen zur Auswahl. Bezahlt wird nach der Zahl der Zeichen, die Polly in Sprache umwandelt. In den ersten zwölf Monaten sind für Neukunden fünf Millionen Zeichen pro Monat frei, anschließend  werden pro eine Million Zeichen 4 Dollar fällig.

Amazon Rekognition schließlich fügt Anwendungen per API Bilderkennungsfähigkeiten hinzu. Gesichter, Objekte oder auch Szenen lassen sich analysieren und kategorisieren. Bei Rekognition zahlt man pro Anzahl verarbeiteter Bilder und gespeicherter Vektorrepräsentationen von Gesichtern (Gesichts-Metadaten). In den ersten zwölf Monaten sind pro Monat 5.000 Bilder und bis zu 1.000 Gesichts-Metadaten frei. Darüber hinaus zahlt der Anwender je nach Aufkommen zwischen 0,4 und 1 Dollar pro 1.000 verarbeiteter Bilder und 1 US-Cent je 1.000 monatlich gespeicherter Gesichts-Metadaten.

Microsofts Pendant zu AML nennt sich Azure Machine Learning. Mit Hilfe der grafischen Oberfläche von Azure Machine Learning Studio sollen sich damit Predictive-Analytics-Anwendungen per Drag and Drop zusammenstellen lassen. „Im Idealfall dauert es vom Modell bis zur produktiven Lösung nur wenige Minuten, weil oft nicht einmal das Kodieren notwendig ist“, sagt Laura Geier, Commercial Lead IoT & Advanced Analytics bei der Microsoft Deutschland GmbH.

Als Platform as a Service (PaaS) ist die Cortana Intelligence Suite konzipiert, die Microsoft seit 2015 anbietet. Sie hält unter anderem Schnittstellen zur digitalen Sprachassistentin Cortana bereit, die sich so in eigene Produkte integrieren lässt. Gleich 25 solcher KI-Services bieten die Microsoft Cognitive Services. Per API lassen sich Fähigkeiten wie die Erkennung von Gesichtern, Emotionen oder Bildinhalten, Sprachverständnis, Textanalyse und -übersetzung oder auch Kaufempfehlungen integrieren.