Cognilytica追蹤了近3000家公司，這些公司提供特定於人工智慧或人工智慧增強產品在市場上銷售。與大多數分析公司一樣，我們稱這些公司為“供應商”，因為它們提供的是銷售產品，而企業是實現產品的“終端使用者”。然而，正如你可以想象的那樣，這些供應商有很大的多樣性。一些供應商專注於提供低階的“啟用”基礎設施，以支援任何範圍的人工智慧、機器學習或其他計算或資料密集型活動。另一些則提供一個單一行業的應用程式，將AI應用於特定的業務或行業問題。當然，在中間有一個範圍。

終端使用者面臨的主要挑戰是，他們需要在他們試圖解決的業務問題的背景下評估供應商。這些供應商完全不同，在許多情況下，將他們相互比較是一件令人沮喪的事情。一些流傳最廣的供應商名單或“分類”糟糕得可笑。他們把無法解決相同問題或幾乎沒有共同點的供應商混為一談。這些供應商圖表是許多公司的標誌的大雜燴，令人困惑地排列在一個影象或幻燈片上，就像一個巨大的沙拉。什麼是有意義的。沒有辦法評估哪些供應商與其他供應商真正具有可比性，以及不同的解決方案領域之間如何相互關聯。客戶感到困惑。供應商們感到困惑。其他分析公司和諮詢公司也沒有提供幫助。他們將舊的研究推向新的領域，重拾他們的大資料——或自動化——或以客戶為中心——並將其重新貼上人工智慧的標籤，或者只是簡單地將人工智慧應用於特定領域的單一視角。難怪大家都很困惑，客戶對人工智慧的理解也很遲鈍。

我們已經受夠了其他的分類，決定在過去的幾個月裡做我們自己全新的、原創的研究。Cognilytica是唯一一家全面關注人工智慧領域的公司。我們仔細觀察了市場上的3000多家供應商(如果你相信Crunchbase上的AI公司列表，就會發現超過6000家)。我們將它們劃分為狹窄的部分，將最相似的供應商放在一個類別中。然後，我們將這些類別歸為具有相似特徵的類別。然後，我們將這些資料分類成層，以展示某些技術如何支援堆疊中更高層次的解決方案，或者展示高階解決方案如何消除對低階技術的需求。

這篇文章以及我們所有的研究都將突出這一分類系統，我們鼓勵你分享我們的分類圖表，這樣它們便能夠將市場上所有其他糟糕的例子推向市場。在本文中，我們將分享分類系統的概述，以及分類矩陣最下面三層的全部細節。最上面的一層太大了，它需要一個自己的帖子!

人工智慧供應商生態系統的四大層次

Cognilytica將供應商劃分為四個層次的“堆疊”，從底層最普遍適用的技術發展到頂層最特定於行業的應用程式。一般來說，較低級別的技術和供應商可能會被較高級別的供應商利用，或者在堆疊中較高級別銷售解決方案的供應商可能會使對較低級別技術的需求變得無關緊要或不必要。

以下是我們如何看待這四個層次的組織:

人工智慧和機器學習基礎設施

在這層蛋糕的最底層，也就是人工智慧供應商生態系統堆疊，我們擁有廣泛的技術，幫助開發和實現人工智慧、機器學習和廣泛的認知技術。這些解決方案不一定是專門為AI和ML構建的，但它們提供了專門從事該基礎設施的供應商提供的必要的底層基礎設施技術。

以下是人工智慧和機器學習基礎設施層的更詳細的檢視，其中確定了主要類別:

在人工智慧和機器學習基礎設施層內，Cognilytica進一步識別和分類了以下主要類別和子類別:

人工智慧增強的資料科學平臺

這些基礎設施技術主要是資料科學平臺，旨在解決廣泛的資料科學問題，無論是否適用於人工智慧、機器學習或認知技術。我們在這個類別中介紹的供應商是那些專門最佳化或增強了他們的產品和服務的人工智慧和ML應用程式。透過這種方式，它們提供了廣泛的資料科學能力，但可以滿足以人工智慧為中心的資料科學家的需求。

在這個主要類別中有兩個子類別:

資料科學平臺內建AI支援——這些都是通用資料科學平臺內建毫升功能,特別是支援廣泛的ML演算法,hyperparameter最佳化和實驗,AI-focused資料科學筆記本共享,支援ML工具包和庫,實施任何模型中定義的系統的能力。資料科學和ML專案管理-這些是通用的專案管理工具，旨在解決資料科學特定的專案管理和工作流考慮，具體和深入支援人工智慧和ML工作流程和過程。幫助管理以資料為中心的流程流，處理模型的所有迭代和治理，以及協調整體以人工智慧為中心的資料科學專案的其他方面。人工智慧最佳化大資料管理

這類供應商主要是透過大資料解決方案來解決大資料問題的大資料供應商，但也特別增加了處理AI和ML工作負載以及處理AI和ML以大資料為中心的需求的能力。

在這個主要類別中有兩個子類別:

人工智慧增強的大資料平臺——最佳化的大資料儲存平臺，以處理人工智慧和ml特定活動對大資料的工作負載和需求。人工智慧增強的大資料視覺化——通常對大資料進行最佳化或增強的視覺化平臺，提供人工智慧和ml支援的視覺化或其他大資料操作，以增強視覺化功能。AI最佳化的計算、裝置和硬體

這一類的AI &毫升基礎設施我們有一系列的硬體和compute-focused裝置和計算技術,旨在最佳化,分散,或專門從事各種人工智慧和ML特定任務,計算,演算法,或其他必要的活動,從而把工作負載從更通用的計算裝置,伺服器,和技術。

在這個主要類別中有四個子類別:

AI加速了硬體和基礎設施——計算、儲存和網路基礎設施，這些基礎設施已經專門針對AI和ML工作負載進行了最佳化。邊緣裝置——位於網路末端/邊緣的特殊裝置，在任何連線到全球網路的狀態下提供AI和ML功能。神經介面——專門的人腦-計算機介面。專門的晶片組-為人工智慧和ML處理和活動最佳化的專用晶片和硬體。資料工程與準備

在這類AI和ML基礎設施中，有供應商幫助為AI和ML特定的應用程式準備任何質量、清潔、資料來源或格式的資料。這些供應商可以提供軟體、服務或人工輔助軟體，以協助完成準備資料和為受監督的學習應用程式標記資料的各種任務。

在這個主要類別中有兩個子類別:

資料準備-軟體、工具、技術和服務，旨在提高用於人工智慧和ML特定應用的資料的有用性、質量、格式和價值。資料標記——提供的產品集中於獲取未標記的資料並建立標籤，以便它可以用於AI和ML特定的應用程式。

由【數和和計算以及智慧】編譯

本文：http://jiagoushi.pro/node/1403