AWS用机器学习驱动企业创新,aws解决方案总监-ESG跨境

AWS用机器学习驱动企业创新,aws解决方案总监

AWS用机器学习驱动企业创新

为什么各行各业的客户，都喜欢选择亚马逊云服务（AWS）的机器学习服务？

在近日召开的AWS re:Invent 2020上，AWS全球机器学习副总裁Swami Sivasubramanian（以下简称Swami）针对人工智能与机器学习话题发表了长达数小时的演讲，同时也揭晓了上述问题的答案。

机器学习：实现人工智能的重要途径

如果要评选出当下最炙手可热的IT技术，恐怕大多数人脑海里第一时间想到的都是AI人工智能。

1956年，美国麻省理工学院教授约翰·麦卡锡在达特矛斯会议上首次提出了“Artificial Intelligence”（人工智能，简称AI）这一术语，这也被人们普遍视为人工智能正式诞生的标志。

然而当时许多人没有想到的是，在相当漫长的一段时间里，由于数据缺乏、算力不足等种种原因，人工智能的落地与应用遇到了严重的瓶颈。不少学者甚至认为，人工智能所描绘的美妙前景只不过是镜中花，水中月，永远也难以成为现实。

不过，随着近年来云计算、大数据等新兴技术的快速崛起，各种数据量开始呈现出几何级数的飞速增长，算力也获得了极大的提升，这也成为了驱动人工智能技术发展的巨大推动力。而作为实现人工智能的重要途径，Machine Learning（机器学习，简称ML）技术正是在这种背景之下得到了快速发展。

俗话说“工欲善其事，必先利其器”，通过分析和设计各种算法，机器学习服务可以让计算机从海量的数据中自动学习并寻找规律，从而极大地加速人工智能在各个行业领域的应用与落地，因此深受广大开发者喜爱。这也是业内人士在谈论人工智能话题时，往往都会将云计算、大数据、机器学习也一并带入的原因。

AWS：机器学习领域的佼佼者

在众多的机器学习服务提供商中，AWS无疑是最令人瞩目的佼佼者之一。

从几年前刚刚开始推出AI SaaS的机器学习服务，到2017年正式发布大受好评的Amazon SageMaker，AWS近年来在机器学习领域的进展可以说是突飞猛进。

“在过去的三年里，AWS每年都交付了200多项机器学习功能。其中光是在2020年，AWS就新增了250多项机器学习功能。对于人工智能技术来说，这些机器学习功能非常重要，AWS真正释放了人工智能技术的能力。”AWS大中华区云服务产品管理总经理顾凡表示，“目前全球已经有超过10万家客户在使用AWS的机器学习服务。这些客户覆盖了各行各业，无论是金融、医疗、媒体、汽车、制造还是零售、体育行业，都在使用我们的机器学习。”

Swami指出，AWS的机器学习为客户提供了非常丰富的功能与服务，越来越多的行业客户都使用AWS提供的这些工具，在各种应用场景更好地开展自身的业务。譬如通过使用AWS提供的机器学习模型，客户可以将训练时间从过去的几天变成几个小时，节省大量的时间精力，并且大幅缩短部署时间，更快地开展创新。

AWS机器学习服务的特点

为什么这么多行业客户都对AWS的机器学习服务青睐有加？Swami认为，主要是因为AWS的机器学习服务具备以下几个特点：

1、服务的宽度和深度。针对机器学习，AWS的态度一直是“Right tools for the right job”，意思就是用合适的工具做合适的事，一把钥匙开一把锁。针对客户想要运行什么样的工作，在什么样的场景下，应该选择工具箱中什么样的工具，AWS都能为其提供最适合的服务和解决方案。这也是AWS机器学习服务在宽度和深度上的一大优势。

2、开放的心态。在云计算、人工智能、机器学习领域，AWS始终抱着开放合作的心态，包括AWS提供的很多工具都是非常开放的，可以同客户的整个运行环境做到非常好的集成与兼容。

3、AWS与客户配合的模式。将“以客户为中心”作为企业文化的AWS，在服务客户的时候始终遵循两大原则：一是授人以鱼不如授人以渔，AWS为客户提供工具的同时，更希望能教会客户使用工具，从而真正建立起自己的能力；二是在工程方面出现差距、产品原型实现困难等客户需要帮助的时候，AWS也会助力客户快速解决技术和业务难题。

机器学习驱动企业创新

在AWS re:Invent 2020的主题演讲中，Swami重点提到了四大主题：

1、关于机器学习的坚实基础

这个基础包括两件事情：一是机器学习的框架，二是机器学习所依赖的底层算力的基础架构，也就是各种各样的CPU、GPU。AWS的愿景，是将机器学习作为一项工具交到所有企业的手中，而不是仅仅掌握在几家大企业手里。为此AWS会对机器学习的框架做全部的支撑和优化，并不遗余力的将这个选择权留给客户。

2、创造机器学习的成功捷径

对于很多客户来说，就算底层架构非常扎实，那也不一定能把机器学习完全用起来。企业仍然需要在Amazon SageMaker这样一个强大的、端到端的、高度集成案例的环境下，才能实现应用的快速落地。在机器学习的实例方面，各种计算、存储、成本的需求永远有无数种组合，AWS会通过Amazon SageMaker的不断迭代，将机器学习工作流里的每一个步骤的易用性做到极致。

3、让更多的人加入到机器学习赋能

众所周知，Amazon SageMaker可以为数据科学家、数据开发工程师或者机器学习开发工程师提供极大的助力，但是事实上，真正想要使用机器学习的人远比这些人群更加庞大。这些人群也许不希望学习机器学习的艰深技术，但这并不代表他们用不到，因此AWS一直在努力让机器学习服务为更多的人赋能。

4、端到端解决客户的实际业务问题

随着技术的不断演进，机器学习的场景也在不断拓宽。无论是工业制造的场景，还是边缘的场景，AWS机器学习服务都可以为其提供端到端打包的一体化解决方案。

“在过去的几年中，机器学习已经走了很长的一段路，技术壁垒已经极大的降低，这使得开发者能够快速应用机器学习，来解决他们最有挑战性的问题和争取最大的机会。”Swami表示，“尤其是在新冠疫情之下，我们的客户更加需要快速回应这个不断变化的世界，他们应用机器学习创造新的方式和客户互动，重新思考工作和学习的方式以及自动化商业流程，以便更快地回应客户的需求。譬如医疗行业可以用机器学习来追踪疾病，寻找新的方法来治疗和照顾病人，加速疫苗的研发等等。他们之所以能够做到这一点，是因为他们的模型建造者能够充分利用机器学习的潜力，自由地去发明这些技术。这也是AWS团队的热情所在，是我们不断驱动创新，日复一日推出新功能的原因。”

特别声明：以上文章内容仅代表作者本人观点，不代表ESG跨境电商观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与ESG跨境电商联系。