技术干货 | API与人工智能

人工智能早先是基于专家系统和规则驱动机制，随着近年来神经网络和深度学习算法的发展演进，人工智能在模式识别、机器学习和预测等领域形成很多成熟的应用；

API最初是单个应用或企业信息系统实现模块化架构，用于模块间通讯的接口；现在逐步演进为基于REST协议，通过标准的XML或JSON报文格式，实现服务可重用的企业应用通讯机制和互联网云服务通讯机制。

除了上面这个共同点，这两种现今的热门技术相结合的应用场景还有不少，那让我们一起来的结合探讨下。

人工智能之API

人工智能及机器学习的API有很多种形式：

一种是机器学习算法框架，提供API用于模型构建、训练、参数调优、算法迭代等基础功能；流行的框架有Tensorflow、PyTorch和Caffe等用于深度学习和神经网络模型开发，NumPy、Pandas和Scikit-learn等Python机器学习API库，Spark MLLib等分布式机器学习算法API库 。数据科学家或数据分析师用某种开发语言如Python, Java或Scala调用框架提供的API构建机器学习应用，算法框架的API客户端和服务端不管是部署在一个还是多个服务器节点上运行通常是紧耦合的，类似操作系统的底层软件库，如Windows操作系统的Win32/64 API、MFC、.Net; Linux操作系统的Glibc、POSIX。

另外一种是将通用人工智能算法以API服务形式发布，提供各种类型的客户端使用，这些API通常是以REST方式访问和调用；通用的人工智能算法包括NLP自然语言处理，语音合成和识别，图像和视频的处理和识别等；以Google Vision API为例，访问这个API时上传一张图片，API的返回结果JSON中会包含识别的对象、标签、相关网站链接、识别的文字、图片属性和图片安全评级等各种信息。

还有比如基于微软Azure机器学习平台的人脸识别Face API，实现图片中人物性别和年龄识别，也是通过提供REST接口的方式，集成到手机端就可以实时对手机拍摄的对象返回相关信息。

这类API通过云端服务的方式提供，一方面是因为这些类型的服务需要大量的计算资源用于模型训练和模型参数调优，同时随着这些服务的推广，新的数据会不断的接入，也可以进一步优化模型，提高模型的准确率；对于使用这些API服务的客户端来说，随着网络的普及和带宽的不断提升，移动设备基于这些API就可以快速构建智能应用。当然这里我们需要考虑数据隐私问题， API的客户端和服务端需要约定相应的数据保护规则和策略，以免用户的敏感数据被滥用。

人工智能用于API

借助人工智能技术，API请求和输入输出数据流可以作为样本数据构建分析模型，预测可能的API访问模式；这是API开发和管理人员通过常规的分析统计方式无法实现的。特别是部署在云端的API服务，其访问记录和数据流的样本数量大，满足作为人工智能和机器学习理想的数据集和应用场景要求。

首先我们来看下人工智能用于API访问安全的应用场景；

由于API传输数据的敏感性，其访问安全需要确保；基于人工智能安全分析和检测机制可以检测数据泄露、渗透攻击、数据完整性、内存注入、DDoS API攻击和登录服务DDoS攻击等各种安全问题。和常规基于安全访问规则和策略的机制相比，人工智能的实现机制是自学习的，不需要人力和时间去维护管理大量的规则和策略，能够根据部署的技术和业务环境自动学习和适应；另外，人工智能算法通常基于业界认可的数学模型，理论并结合实践应用通常比人力去开发和维护安全规则和策略要更加有效并有更高的准确率。

在身份安全解决方案中，基于人工智能的智能认证登录服务API将用户身份数据、登录访问行为、设备指纹和上下文等信息作为风险预测模型算法的输入，自动评定该登录行为的风险级别，根据不同级别触发不同的认证策略。

在企业IT架构中扮演重要角色的API网关也是人工智能技术应用的关键组件，除了上文提到的API访问安全可以基于人工智能技术在API网关中实现，另外由于API网关承载了企业部分或全部的业务服务API，通过对这些API服务访问使用人工智能技术进行分析，能够更高效地实现企业业务流程优化。

API网关承载了企业产品生命周期从研发、生产制造、营销和售后服务各阶段、客户关系管理、供应链、财务等等业务服务API。人工智能在其中的应用场景如：通过分析客户相关API服务请求数据，可以覆盖客户关系的全方位信息，在销售阶段，算法模型可以自动分类销售机会，预测未来购买行为，生成定制化的销售策略和市场推广方案；基于客户行为数据的算法模型可以预测潜在的延期付款，优化现金流；通过分析供应链相关API服务请求数据和事件信息，算法模型可以实现库存优化，缩短交付周期，并且预测订单交付过程中可能发生的问题。