创新不止，AWS正让机器学习变得无处不在

  【网络频道】近年来，强势崛起的人工智能，正从实验室走向大规模商业化，并被广泛应用于各个领域。而机器学习技术作为人工智能的核心，成为推动其发展的重要力量。

  以客户为中心，不断拓展服务的深度和广度

  机器学习是一门类似工具的学科，致力于研究如何从已有的知识中推断出新的知识。通俗地说，在计算机系统中，经验通常以数据形式存在，机器学习所研究的是从数据中产生模型的算法，有了学习算法，机器学习就可以基于数据产生模型，并在面对新的情况时提供相应的判断。

  其实，机器学习与亚马逊云服务(AWS)渊源颇深。AWS对机器学习的布局，在2016年就已开始。

  “AWS从最初推出的几个机器学习服务到Amazon SageMaker，再到现在已经涵盖媒体、汽车、金融，以及工业制造等诸多领域。”AWS大中华区云服务产品管理总经理顾凡说道。

AWS大中华区云服务产品管理总经理顾凡

  12月2日，为期三周的以 “巅峰科技，重塑未来”为主题的亚马逊re:Invent全球大会正式揭开了帷幕。会议期间，AWS全球机器学习副总裁Swami Sivasubramanian带来了机器学习方面的最新的一些产品和性能，以及全球客户在部署机器学习方面的趋势。

  Swami在演讲中表示，机器学习可以说是我们这一代人能遇到的最具颠覆性的技术之一，目前有超过10万客户在使用AWS的机器学习服务。

  据顾凡介绍，客户之所以会选择AWS作为机器学习工作负载的原因可以概括为以下三点：

  1、服务的宽度和深度。AWS是针对机器学习服务中的一个Right tools for the right job(合适的工具做合适的事)，即在什么样的场景下，应该选择什么样的机器学习服务;

  2、开放。AWS在云计算以及在机器学习领域始终抱着一个开放的心态，所以AWS的很多工具是非常开放的，可以与客户的整个环境做到非常好的集成;

  3、AWS在配合客户时遵循两个原则：一是授人以鱼不如授人以渔，AWS希望帮助客户将能力建立起来，教会客户使用工具;二是将客户扶上马同时还要再送一程， AWS会帮助客户解决业务难题，将项目尽快落地。

  AWS机器学习服务满足不同用户的不同需求

  因此，AWS在为客户提供机器学习服务时，会根据不同客户的具体需求，将工具箱划分为三个层面：

  工具箱底层，实际上是针对机器学习里面的专家。这一层有两个非常核心的部分，一个是机器学习的框架，涉及各种各样的框架优化。另一个是算力，到底选择什么样的算力才能达到最好的性能和最优的成本。

  工具箱中间层，适合于机器学习中的绝大多数客户，包括数据科学家、开发工程师等。Amazon SageMaker是一项完全托管的服务，可以帮助开发者快速构建、训练和部署机器学习，降低开展机器学习的门槛。

  工具箱顶层，面向技术能力相对薄弱的客户，他们有数据但没有算法人才，他们希望在业务场景中直接引入人工智能。AWS为他们提供预先训练好的模型，涵盖视觉、语音、对话、文字、业务工具、客服中心、搜索、代码+运维、工业AI等。

  AWS用机器学习工具持续为企业赋能

  事实上，AWS从2016年开始在人工智能、机器学习领域发力，发布了三个服务。2017年，AWS开始加速创新，几乎每年都以200多项机器学习服务和功能的创新速度迭代。

  概括起来，AWS机器学习工具主要分为四个主题，即关于机器学习的坚实基础、创造机器学习的成功捷径、将机器学习扩展到更多的构建者、端到端解决客户的实际业务问题。具体来说：

  1、机器学习的坚实基础

  机器学习的坚实基础包含机器学习框架和基础设施两部分。在框架方面，机器学习从业者通常会选择Tensorflow、PyTorch、MXNet三个深度学习的框架。AWS内部会有针对不同框架下的调优团队，保证在三个框架下都将性能调到最优。在基础设施方面，AWS引入了基于英伟达、英特尔、AMD、赛灵思等芯片厂商的最新处理器的算力，同时还通过自主设计的处理器，帮助客户满足独一无二的性能和预算性能，追赶上机器学习技术复杂性的增长，加速创新。

AWS大中华区云服务产品管理总经理顾凡

  2、创造机器学习的成功捷径

  为了给每个开发和数据科学家以能够快速的建立训练、部署机器学习模型的能力，降低成本，AWS于2017年11月推出了Amazon SageMaker机器学习平台服务，并且在过去的三年多的时间里不断丰富功能组件，其中，在2020年SageMaker就新增了接近50个新的功能。

  目前，已有成千上万的客户在使用SageMaker，包括金融、医疗、媒体、汽车、体育、制造、零售等领域，这些客户将他们机器学习的工作负载在SageMaker上进行标准化。使用SageMaker的训练时间从几天变成了几个小时，可以让数据科学家节省大量的时间，去提升客户的服务。

  3、将机器学习扩展到更多的构建者

  除了机器学习的开发工程师，还有很多的需求分析师、产品经理、业务人员在工作中有非常多的好想法和观点，但是他们并不具备搭建机器学习模型、构建复杂的工作流等技能。

  AWS通过将机器学习方法融入自身的Amazon Aurora ML、Amazon Athena ML、Amazon Redshif ML以及Amazon Neptune ML数据库，实现对机器学习的一键式操作，极大扩展了机器学习的使用人群，让他们的机器学习想法落地到业务应用中。

  4、端到端解决客户的实际业务问题

  现如今，有越来越多的应用在边缘运行，如工业机器人、自动驾驶汽车、自动化的体检等等，都包含了非常智能的机器人、摄像头以及设备等等。因为非常有限的计算力、存储以及联网能力，在边缘的设备上运行这类机器学习模型是具有挑战性的。除此之外，还有很多机器学习的应用要求多重模型在同一个设备上面进行运行。

（编辑：555手机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!