早在2000年網際網路電子商務，資料探斟(Data mining)紅極一時，但隨著有限的電腦運算能力，又逐漸冷掉。而今，隨著電腦運算能力的大幅提升，以及公有雲可以讓企業可以透過網路輕易地使用運算資料，有效地降低企業在硬體投資以及跌價損失。再加上使用深度學習的AlphaGo擊敗了世界棋王，2017是全世界AI元年，只是歐美打算發展軟體解決方案，台灣政府與一些 OEM/ODM廠商打算發展硬體解決方案，無論你的公司是哪一種類型，其實都可以參考微軟的Machine Learning Platform 名叫 Cortana Intelligence Suite
一、在開始介紹這個平台之前，我們先要做一些名詞解釋：
1.Cortana Intelligence Suite：與Win10中的數位助理Cortana無關，而是雲端的Machine Learning平台。你可把它理解成，一個近乎無限運算資源的環境，可以來運行人工智慧專案。
在上圖中，當我們在Azure建立好一個 Workspace，在Azure Portal就會出現三個連結，「啟動Machine Learning Studio」指的是開發工具(待會會有細部說明)、「啟動Machine Learning 資源庫」指的是微軟提供的 Cortana Intelligence產業範本，含sample flow/code、「啟動Machine Learning Web服務管理」指的是微軟提供的 Web Service 開發環境的說明與文件，以及論壇
在上圖中，你可以發現這個 Cortana Intelligence gallery 內容真的很豐富，而且還是應用各種條件(產業、演算法、類型、產品、難易程度)篩選出感興趣的人工智慧專案，換句話說，萬事起頭難，若可以用別人既有的專案內容當成自己的範本，就可以站在巨人的肩膀，看的更遠
假設我對「登上當年的鐵達尼號生存率為何？」的專案有興趣，也想了解這個人工智慧的專案該怎麼做？只需要先登入並按下「Open in Studio」
你甚至一個字都不改，直接按下中間 Play符號的Run，在雲端就有一個，鐵達尼的生存預測，以Web Service的方式為你所用。
2.費用預估，你可以依據資料的需求多寡，選擇不同的SKU
或是你可以使用 Azure計算機，再選擇不同的資料中心與幣別後，試算出你所需的預算金額
3.Algorithm演算法：是一種用來解決問題的方法論，Classify分類/ Cluster分群/ Regression迴歸…等都是常見的演算法
以下圖為例，假設藍色是男生，紅色是女生，Classify可以幫你分成二類；Cluster可以幫你把有相同特徵(例如性別)分成N群；迴歸可以幫你xxx
另外又可以依據你打算用二維、三維、多維的方式來處理，會交織出更多的實作方式，但隨著你用不同的角度，或者是說一刀切改成N刀切，對應的參數以及複雜度也是相對應的增加
細節可以參考這一篇 Data Scientist TJO in Tokyo
4.Azure Machine Learning Studio：微軟為了降低 Machine Learning的技術門檻，所開發的拖拉點選直覺式的 GUI，若你是資料科學家應該要用 Azure Machine Learning Workbench(教學文件) 比較適合
例如常見的第一個步驟是將資料來源匯入，並且資料欄位中選取特徵值。類似的操作，都可以透過這個GUI工具來滿足分析的需求
二、Machine Learning 流程
使用 Azure Machine Learning Studio 在分析流程中
三、系統架構
裡面包含了微軟雲端 Azure 的相關服務，例如：
Data Factory：雲端的ELT或是ETL工具
Data Catalog：巨量資料的分類服務，在查詢之前所需的服務
Event Hub：雲端的 IoT資料收集服務
Data Lake Store：雲端的資料儲存服務
SQL Data Warehouse：雲端的資料倉儲服務
Machine Learning：雲端的機器學習服務
Data Lake Analytics：雲端的資料分料服務，常與 Data Lake Store搭配
HDInsight：雲端的 Hadoop /Spark 服務
Stream Analytics：雲端的 Iot 串連資料處理服務
Cognitive Service：雲端的 AI API 服務
Bot Framework：雲端的機器人服務
Cornata：雲端的個人助理服務
PowerBI：視覺化呈現工具
四、應用情境
下表提供了四個產業的應用情境範例
還有不同的服務在不同的階段的應用示意圖
五、更多的細節可以參考官網的說明
李秉錡 Christian Lee
Once worked at Microsoft Taiwan
