AWS在機器學習上的持續(xù)深耕,大大拉近了眾多企業(yè)與機器學習應用的距離。

出品 | 常言道

作者 | 丁常彥

從利用機器學習技術到輸出開箱即用的機器學習能力,亞馬遜用了二十年時間。尤其在近幾年,人工智能產業(yè)的迅速崛起,亞馬遜云服務(AWS)在機器學習服務的打造上也在不斷加速。

正如AWS大中華區(qū)云服務產品管理總經理顧凡所說,亞馬遜利用機器學習技術已經有20多年時間,這是AWS機器學習服務的深厚源泉。2016年,AWS開始發(fā)力在云上提供機器學習服務;當年只發(fā)布了三個服務,2017年開始加速。最近三年,AWS每年新增的服務和功能超過200個,為全球人工智能工作者豐富了他們急需的工具集。

在剛剛結束的亞馬遜re:Invent大會上,AWS不僅全面展示了關于人工智能與機器學習的最新全景藍圖,還宣布推出一系列新服務和新功能,從而讓機器學習更易用和拓展到更加廣闊的使用者、應用場景和行業(yè)。

數(shù)據(jù)爆發(fā)式增長 機器學習已經成為主流

有一個事實你可能想象不到:今天一小時產生的數(shù)據(jù),比2000年全年產生的數(shù)據(jù)還要多;未來三年內產生的數(shù)據(jù),將比過去30年的還要多。

面對數(shù)據(jù)的爆炸式增長,我們亟需增強處理海量數(shù)據(jù)的能力。正因為如此,機器學習和人工智能行業(yè)近年來發(fā)展迅速,并為各行業(yè)組織帶來了巨大的變革空間。來自調研機構Gartner公司的調查顯示,約有37%的組織在其業(yè)務中使用某種類型的機器學習技術,并且預計到2022年,80%的現(xiàn)代技術將基于機器學習和人工智能技術。

而在德勤發(fā)布的《全球人工智能發(fā)展白皮書》也指出,在人工智能眾多的分支領域中,機器學習是人工智能的核心研究領域之一。包括89%的人工智能專利申請和40%人工智能范圍內的相關專利均為機器學習范疇。

事實上,機器學習的快速崛起很大程度上得益于云計算的普及,因為機器學習歷來是一個計算量很大的工作負載,只能在最強大的硬件上運行。近年來,從軟件到硬件,技術的進步從未停止,云計算所展現(xiàn)出的能力也在不斷增強。

這一點從AWS新增的機器學習服務和功能數(shù)量也可以明顯看出。AWS全球機器學習副總裁Swami Sivasubramanian也認為,機器學習是我們這一代人能遇到最具顛覆性的技術之一,目前已經有超過10萬客戶在使用AWS的機器學習服務,很多客戶已經將機器學習用于其核心業(yè)務。

但在機器學習逐漸成為越來越多企業(yè)主流應用的今天,人才匱乏的問題日益凸顯,并正在成為機器學習普及的瓶頸。面對這一難題,AWS正在加速技術創(chuàng)新,通過打造更多“開箱即用”的機器學習服務和功能,持續(xù)降低企業(yè)應用機器學習的門檻。

對此,顧凡表示,AWS機器學習服務和功能的特點主要體現(xiàn)在以下三個層面:首先是服務的寬度和深度,在這方面,AWS秉持的是用合適的工具做合適的事,一把鑰匙開一把鎖;其次,不論在云計算領域還是在機器學習領域,AWS始終都抱著開放的心態(tài),與不同客戶的環(huán)境進行集成;第三,在服務客戶過程中,AWS機器學習一直堅持兩個原則:授之以魚不如授之以漁,以及扶上馬送一程,真正確�？蛻裟軌虺浞职l(fā)揮機器學習的作用和價值。

持續(xù)創(chuàng)新 AWS要讓機器學習走向普惠

從2016年起,AWS開始不斷發(fā)力機器學習,并在云上提供機器學習服務。經過近幾年的持續(xù)創(chuàng)新,AWS在機器學習領域已經構建起一個“全家福”工具集,真正做到了讓客戶可以“開箱即用”。具體來說,這個工具集總共分為三層:

工具集的底層,主要針對機器學習領域的專家,他們希望將人工智能和機器學習作為自己的核心競爭力。為了滿足他們的需求,AWS提供強大的算力、全面的算力選擇和豐富的機器學習框架選擇。

為此,AWS不僅支持主流的機器學習框架,還可以讓客戶通過容器部署的方式,自帶機器學習框架;而在處理器層面,AWS除了支持英偉達、英特爾、AMD、賽靈思等芯片廠商的最新處理器以外,還通過自主設計處理器。在顧凡看來,AWS自主設計的處理器可以極大地降低機器學習的算力成本。

工具集的中間層,主要面向那些技術能力較強的客戶,他們有大量的數(shù)據(jù)可以進行機器學習模型訓練,而且有一定的算法人才,不要花精力管理基礎設施,更加專注于自己的應用和業(yè)務創(chuàng)新。

針對這部分客戶,AWS的Amazon SageMaker可以提供首個全托管的機器學習集成開發(fā)環(huán)境,并為這個開發(fā)環(huán)境不斷增加新功能,從數(shù)據(jù)準備、到模型訓練、參數(shù)調優(yōu)與模型迭代、到模型部署、模型質量監(jiān)控,在整個過程中最大限度地提高他們開展機器學習的效率,降低他們開展機器學習的門檻。

工具集的頂層,主要面向技術能力相對薄弱的客戶,他們有數(shù)據(jù)但沒有算法人才,他們希望在業(yè)務場景中直接引入人工智能。AWS為他們提供預先訓練好的模型,涵蓋視覺、語音、對話、文字、業(yè)務工具、客服中心、搜索、代碼+運維、工業(yè)AI等。

對于AWS來說,工具集的每一層都非常重要、不可或缺。只不過相對而言,工具集頂層針對的是人工智能的應用,負責推動人工智能在各行各業(yè)的落地應用,實現(xiàn)AI的普惠,因此近年來這一層所涌現(xiàn)出的服務和功能較多;但這并不代表工具集的中間層和底層并不重要。相反,以SageMaker為核心的中間層,相當于機器學習的“中場發(fā)動機”,可以為未來打造更多的人工智能應用提供強大動力,并確保機器學習的長期可持續(xù)發(fā)展;而以算力為核心的底層,則為機器學習、人工智能等構建起堅實的基礎。

繼續(xù)擴展機器學習 AWS瞄準了哪些方向?

如今,從媒體到汽車,從金融到工業(yè),機器學習已經深入到越來越多的行業(yè)應用中。為了更好地滿足不同行業(yè)的應用需求,就在不久前的re:Invent大會上,AWS再次推出了一系列針對機器學習的新服務和新功能,這也被AWS成為“擴圈”。

但對于AWS來說,并非所有的機器學習應用都由自己打造,對此,顧凡表示,AWS更多聚焦在架構、平臺,以及行業(yè)共性問題的解決上。這一點與樂高積木頗為類似,由于不同行業(yè)的應用場景不同,因此機器學習的“積木”很多,但并非每一塊“積木”都由AWS來打造,AWS主要專注于打造那些“基礎積木”,讓更多的合作伙伴、開發(fā)者和企業(yè)客戶能基于這些“基礎積木”搭建出更多個性化的場景。

在re:Invent大會上,AWS就首次推出開箱即用的工業(yè)領域機器學習解決方案,包括五項可用于工業(yè)領域的機器學習服務。這里包括端到端機器監(jiān)控系統(tǒng),可以監(jiān)測議程并預測何時需要進行工業(yè)設備維護;通過計算機視覺改善工業(yè)運營和工作場所安全;為工業(yè)客戶提供高精度、低成本的產品質量異常檢測解決方案等等。

而在Amazon SageMaker方面,在過去一年交付了50多項新功能的基礎上,今年的re:Invent大會上,AWS再次發(fā)布9項新功能。從數(shù)據(jù)特征提取器到數(shù)據(jù)特征存儲庫,從自動化工作流到模型偏差檢測,從模型訓練到邊緣端模型質量監(jiān)控和管理等,大大提升了有經驗用戶快速進行模型構建和訓練的能力。在推出的短短三年中,Amazon SageMaker已經有幾萬家客戶在使用。

為了將機器學習拓展到數(shù)據(jù)開發(fā)者和數(shù)據(jù)分析師群體,AWS將機器學習能力跟數(shù)據(jù)庫進行嫁接,讓數(shù)據(jù)庫開發(fā)者、數(shù)據(jù)分析師沿用數(shù)據(jù)庫查詢的方式,讓他們的機器學習想法落地到業(yè)務應用中。這里既有Amazon Aurora關系型數(shù)據(jù)庫服務,也有可以自動將查詢結果交給機器學習模型進行推理,返回結果的新功能Amazon Aurora ML,以及針對數(shù)據(jù)查詢、數(shù)據(jù)倉庫、圖數(shù)據(jù)庫等的一系列新功能。

得益于AWS在機器學習領域的持續(xù)創(chuàng)新,已經有越來越多的中國企業(yè)開始尋求借助機器學習技術推動自身的轉型和創(chuàng)新,企業(yè)客戶涉及工業(yè)、醫(yī)療、媒體、汽車、零售等多個行業(yè)。顧凡對此表示,相比較國外企業(yè),中國企業(yè)非常樂于推動新技術的應用;尤其在新基建的背景下,中國企業(yè)正在加速推進數(shù)字化轉型,由此帶來的機器學習應用場景也在不斷涌現(xiàn)。除此之外,來自政策層面對機器學習、人工智能等新技術的支持,也進一步推動了新技術的落地。

而在幫助企業(yè)落地機器學習過程中,AWS則始終秉持“以客戶為中心”的理念,不僅積極推動機器學習功能和服務與企業(yè)客戶的應用場景相融合,也在幫助客戶用好這些工具并創(chuàng)造出價值,真正做到了“扶上馬送一程”。

近年來,5G、大數(shù)據(jù)、人工智能、物聯(lián)網等新一代信息技術正在加速普及和融合,企業(yè)對這些新技術的應用的廣度和深度也在不斷拓展�？梢灶A見的是,在這一趨勢下,機器學習應用也將呈現(xiàn)爆發(fā)式增長態(tài)勢;而AWS在機器學習上的持續(xù)深耕,無疑將拉近眾多企業(yè)與機器學習應用的距離。