模式即服务（MaaS）：调查
现有的一些强大的语言模型通常是专有的系统，只能通过（通常是有限制的）网络或软件编程接口来使用。本文旨在界定这些挑战对 LMaaS 的可访问性、可复制性、可靠性和可信度（ARRT）造成的影响，并对当前解决方案进行系统性考察并提出建议，同时提供现有主要 LMaaS 的综合概述，包括其许可和接口的功能。
Sep, 2023
云生态系统中的隐私和安全论文指出，解决机器学习模型引入的风险存在差距，通过调查 AIaaS 领域，提出了一种分类法来全面检查 ML 模型的创作者和消费者所面临的风险及其已知防御措施，为提供方和消费方提供了基础解决方案。
Jan, 2024
这篇文章探讨了人工智能作为服务的功能和相应技术栈以及可能的实现，分析了适用于小型和中型用户的开源用户友好技术，允许完全控制数据和技术平台而不依赖任何第三方或供应商锁定。
Oct, 2022
本文提出了 AI as a Service 所存在的问题：由于公平性是具有上下文敏感性的，基于用户自主程度的 AI 服务分类可以导致偏见或在最终用户应用中被认为是有害的。
Feb, 2023
本文介绍了 IBM 的深度学习服务（DLaaS）的软件架构细节，该服务提供深度学习库，通过分布和编排层，资源供应层实现在云中可伸缩和弹性的管理，利用深度学习以及云计算相结合的业务模式，将传统机器学习方法向深度学习推进。
Sep, 2017
使用主动学习和大规模公共数据集的模型提取框架，可以通过黑盒访问从图像和文本领域的各种数据集中训练出的深度分类器，其中仅使用其 30%（30,000 个样本）的数据集。
May, 2019
我们提出了 NSML，一种机器学习即服务（MLaaS）平台，以满足在企业规模下开发机器学习工作的需求，为用户提供了易于使用的集群以及协作环境，同时提供可视化工具以协助用户分析其工作。通过实验证明了 NSML 的有用性和可访问性，并通过三个具有真实使用案例的竞赛检验了 NSML 的协作优势。
Oct, 2018
探讨大型生成式 AI 模型与云原生计算架构的交叉点，提出了一种利用云原生技术和先进的机器学习运行时的 AI 本地化计算范式，旨在优化成本和提高资源可访问性。
Jan, 2024
本文介绍了 Continual Learning-as-a-Service (CLaaS) 模型服务的设计与实现，提供了模型更新和验证工具，支持实时推断，易于使用且高效。经过两个真实场景的评估，发现该模型服务具有良好的可用性和效率，能有效地解决实践中的问题。
Jun, 2022
本文提出了 Large Model as a Service (LMaaS) 的概念，将大型模型的灵活租赁作为智能通信的一种策略，通过优化定价和选择决策来解决动态和异质客户环境下的定价优化问题。
Jan, 2024