【环球网科技综合报道 记者 勃潺】根据Gartner数据显示，75%的企业在2024年底会把机器学习从试点转向生产系统，需要经过反复迭代才能真正改变客户体验或者提升效率，而这样的生产系统也在整个行业加速。
随着数字经济的不断推进，人工智能技术在行业领域的应用更加深入。那么机器学习在应用层面还有怎样的可能？在亚马逊云科技看来，“授人以渔”才是AI赋能的最好形态。
近日，亚马逊云科技宣布通过与光环新网和西云数据的紧密合作在中国区域进一步落地多项人工智能与机器学习的新服务和功能，丰富了其针对不同企业需求而打造的人工智能与机器学习（AI/ML）工具集。
据了解，亚马逊云科技针对不同需求的客户在机器学习技术堆栈三个层面提供广泛而深入的机器学习服务，包括顶层-人工智能服务、中间层-机器学习服务以及底层-框架和基础架构。在人工智能（AI）服务层面，亚马逊云科技在北京区域推出了Amazon Personalize，客户无需具备机器学习专业知识，即可方便、快速地构建个性化推荐系统；在中间层，将Amazon SageMaker在re:Invent 2020上亮相的包括Data Wranger、Feature Store、Pipelines等七项新功能在北京区域和宁夏区域上线，让客户可以更轻松地构建端到端的机器学习管道；在算力层面，亚马逊云科技在北京区域和宁夏区域推出了Amazon EC2 Inf1实例，该实例基于亚马逊云科技自研机器学习推理芯片AmazonInferentia，与当前成本最低的基于GPU的实例相比，可以提高多达30%的吞吐量，并使每次推断的成本最高降低45%。
机器学习=客户体验提升
亚马逊利用机器学习有一个核心理念，就是亚马逊+机器学习等于客户体验的提升。事实上，这一理念在亚马逊的业务中一直有所体现。
大家熟知的Amazon Go是亚马逊在人工智能和机器学习技术应用的一大体现：顾客下载APP进入超市，挑选好商品，无需排队结账，直接走出超市，手机会收到账单并进行结款。事实上，要实现这样的流畅消费体验，并不容易，算法需要识别多人在一个货架前挑选商品，真正将物品和顾客ID进行连接，以及相似物品的精准识别，此外，还需要将相关的数据分析结果换算成结款账单，精准推送到消费者的手机端。
而在物流领域，亚马逊通过客户画像来预测上亿商品的购买需求，从而提前做好货品准备。物流机器人Amazon Robotics则以“货找人”的方式，快速提升配货员在配货方面的效率。
同时，值得关注的是，机器学习从业者正在构建越来越复杂的模型，这些模型在生产中的运行成本有时会高得令人望而却步。基于亚马逊设计的首款定制机器学习芯片Amazon Inferentia。它与成本最低的基于 GPU 的实例相比，可以提高多达30%的吞吐量，并使每次推断的成本最多降低45%。亚马逊Alexa团队将其高度复杂的“文本转语音”模型迁移到了Inferentia，该模型生成了类似于人的语音。目前，亚马逊Alexa团队在Inf1实例上合成了80％的Alexa语音响应，从而节省了30％的成本。与基于GPU的实例相比，Inferentia的响应延迟降低了25％。更快的Alexa语音响应可提供更好的用户体验，并允许在Alexa语音上进行更多创新。
亚马逊云科技大中华区云服务产品管理总经理顾凡介绍，亚马逊体系中所有的应用例子关心的不是算法，而是到底要解决一个什么客户体验的问题，就是从客户体验的问题入手，然后再去思考机器学习是否是一个适当的工具去使用，这是亚马逊在机器学习当中走过来的路。
让用户轻松驾驭机器学习
2017年11月，亚马逊云科技推出了Amazon SageMaker机器学习平台服务，可以帮助开发者和数据科学家快速地规模化构建、训练和部署机器学习 (ML) 模型。Amazon SageMaker是业界首个面向机器学习开发者的集成开发环境，也是亚马逊云科技机器学习服务层面的核心产品。
Amazon SageMaker的推出让数据科学家、算法工程师、业务开发者都能轻松驾驭机器学习。此外，Amazon SageMaker拥有的工具横跨整个机器学习开发生命周期，能够帮助数据科学家的效率提升10倍，降低机器学习总体应用成本高达54%。
“对于那些没有数据科学家、甚至连熟悉算法的开发工程师也没有的企业，Amazon SageMaker能提供开箱即用的、已经训练好的模型。”顾凡强调，对于那些有一定开发工程师或数据科学家的企业，他们最需要的是规模化产出。比如，借助Amazon SageMaker的工具，一位大学毕业的开发工程师经过培训，就可以在四周以内开发一个模型，大大降低AI模型开发门槛。
打造开放平台 加强生态合作
此外，Amazon SageMaker是一个开放的平台，亚马逊云科技在AI/ML的使用使命是普惠，所以Amazon SageMaker的开放在于对机器学习框架广泛的支撑，除了三大框架之外，还可以支持客户自己的机器学习框架，如果已经有了自己的机器学习平台，其可以和已有的开源DIY机器学习集成。
山东淄博市热力集团有限责任公司利用亚马逊云科技丰富的AL/ML技术和服务，快速构建、训练和部署机器学习模型，实现了精准供热，可以根据气象、工控数据、建筑物维护结构等信息计算出最佳的供热模式，并给出具体的操作指令，既让用户室温始终保持人体最佳舒适温度，又做到尽可能节约成本。
同时，为进一步加速人工智能/机器学习的普惠，亚马逊云科技构建了强大的合作伙伴网络，通过合作伙伴网络成员构建行业机器学习模型，帮忙更多客户解决行业算法模型构建难题并落地行业解决方案。上海音智达信息技术有限公司是亚马逊云科技合作伙伴网络成员之一，提供围绕人工智能和大数据技术的预测性分析及商务智能解决方案的技术专家服务，帮助客户实现数字化转型。
上海音智达信息技术有限公司CEO孙晓臻表示，“我们为亚洲地区数以百计的跨国企业及本土客户提供数据服务，拥有丰富的数据分析与业务实施经验，在生命科学、快消品、汽车、零售、电子消费产品、金融、保险、以及运输行业拥有众多实践和成功案例。但是，我们在机器学习方面的算法和人才储备远远不能够满足客户需求。亚马逊云科技丰富的机器学习服务大幅提升了音智达的技术开发和服务能力，助力我们打造了覆盖不同行业和场景的解决方案，实现了业务发展和持续创新。”
如今，Amazon SageMaker在医疗健康、教育、出行、工业智能、游戏、新媒体等各个行业都有不同场景的实践。在医疗行业，益体康利用亚马逊云科技机器学习服务快速构建智能远程心电平台的AI训练和推理场景，提升了模型训练的速度；在教育行业，叽里呱啦使用 AmazonPolly和Amazon EC2 P3实例，与人工智能与机器学习技术快速地构建具有逼真语音体验的在线学习平台，让儿童获得具有沉浸式体验的纯正英语发音学习环境；在工业领域，天和荣在开发即视通门铃产品的人脸识别功能过程中，采用了开箱即用的Amazon Rekognition，短时间内就为即视通平台增加了人形侦测、人脸识别等能力；在游戏行业，行者AI利用Amazon SageMaker开发了游戏内容过滤服务，对不恰当内容的识别率超过96%；在新媒体行业，大宇无限采用Amazon SageMaker开发了视频在线推荐功能，仅用三个月的时间就完成了整个系统的建设并承受了实际用户访问的压力。
目前，亚马逊云科技的服务拥有超过200多种，包括，计算、存储、网络数据库、分析、IoT、AI/ML和安全。全球有数以十万计的客户在使用亚马逊云科技进行机器学习，92%的TensorFlow云上工作负载和91%的PyTorch云上工作负载都在亚马逊云科技上。
顾凡说道：“Amazon SageMaker落地中国区域一年以来，我们见证了中国各个行业各种类型客户积极应用亚马逊云科技服务进行机器学习创新，我们希望通过将更多服务落地到中国区域，并坚持‘授人以鱼不如授人以渔’，甚至更进一步‘扶上马，送一程’的方式，帮助客户更快应用机器学习技术，把机器学习的能力交到每一位构建者手中，加速人工智能和机器学习的普惠。”
本文网址：
