原標題：在普惠AI這方面，AWS今年干了幾件重要的事情

機器學習、深度學習、遷移學習、TensorFlow、PyTorch……一個個神乎其神的專業(yè)詞匯，讓AI似乎有點“高處不勝寒”，跟各種企業(yè)總有種“距離感”。因此，消除“距離感”，讓AI普惠化，真正進入千行百業(yè)之中，就成為近年來各大廠商實現(xiàn)AI平民化的核心目標。

所謂普惠AI，其本質核心就是從“用上”到“用好”的過程，即如何讓更多不同類型的人員在更多業(yè)務場景中更好地使用AI。這是一個極為艱難的歷程，需要通過產(chǎn)品層面的不斷完善，來充分考慮不同類型人員使用AI的習慣，以降低其在業(yè)務場景中使用AI的難度，然后不斷循環(huán)迭代，實現(xiàn)AI在各種業(yè)務場景中的深入應用。

在眾多廠商中，云計算巨頭亞馬遜云服務（AWS）是推動AI走向普惠化的重要代表。從2016年開始在機器學習領域發(fā)布三個服務開始，逐年增加每年新增的服務和功能；最近三年，每年都新增超過200個服務；迄今為止有超過10萬用戶在AWS上使用機器學習服務，極大推動了機器學習技術在千行百業(yè)中的落地。

今年AWS re:Invent大會上，跟機器學習相關的產(chǎn)品發(fā)布依然是大會的重頭戲，隨著AWS一系列跟機器學習相關新產(chǎn)品和新服務，筆者愈發(fā)感受到AWS加速掃除機器學習應用的幾個攔路虎，在普惠AI這件事情上走在了業(yè)界最前沿。

AI百寶箱：為用戶更多選擇

在數(shù)字化時代，人工智能是用戶智能化升級的重要技術手段。但人工智能并不是一個孤立存在技術，涉及到從底層芯片、機器學習框架、AI服務等一系列環(huán)節(jié)。要想真正讓用戶把AI用好，這要求AI產(chǎn)品和服務在產(chǎn)品的深度與廣度上為用戶提供足夠多的選擇權。

“為AI每一項工作都提供一個趁手的工具，并給予用戶更多選擇權，這是AWS在機器學習的宗旨?！盇WS大中華區(qū)云服務產(chǎn)品管理總經(jīng)理顧凡如是說。所以，我們看到今年AWS又推出了超過250項新服務或新功能，進一步豐富了AI工具箱。

具體來看，在底層AI芯片和機器學習框架方面，AWS可以提供基于英偉達、英特爾、AMD、賽靈思等芯片廠商的最新處理器的強大算力，并通過自主設計的處理器，極大地降低機器學習的算力成本。顧凡直言：“不同機器學習應用對于算力的顆粒度和需求是不一樣的。在計算領域重塑的創(chuàng)新點就是量體裁衣，將細分需求坐待極致?！睋?jù)悉，AWS此次推出了兩款訓練新產(chǎn)品：基于intel Habana Gaudi、AWS Trainium，其中Trainium專門針對訓練提供極致性價比。

在中間層的SegaMaker全托管機器學習集成開發(fā)環(huán)境上，AWS此次一口氣推出了九款重量級的新功能，包括更易用的數(shù)據(jù)預處理、專用的特征存儲、自動化工作流、更多的訓練數(shù)據(jù)可見性以減少數(shù)據(jù)傾斜和更好的預測解釋、大型模型的分布式訓練速度可最多提升兩倍，以及監(jiān)控邊緣設備上的模型。

比如，機器學習的數(shù)據(jù)準備是一個極為耗時、復雜過程。因為機器學習用于訓練的數(shù)據(jù)特征通常都是多源異構的，很多數(shù)據(jù)科學家往往耗費大量精力在數(shù)據(jù)提取和規(guī)范上。這種基礎工作耗時、耗力，的確是當前很多用戶在使用AI過程中的典型挑戰(zhàn)。

為此，AWS推出了為機器學習將將數(shù)據(jù)轉化為特征的工作稱為特征工程的快速簡便工具--Amazon SageMaker Data Wrangler。通過 Amazon SageMaker Data Wrangler，客戶可以從各種數(shù)據(jù)存儲中快速數(shù)據(jù)，并一鍵導入，成為模型的特征數(shù)據(jù)。據(jù)悉，Amazon SageMaker Data Wrangler支持與其他產(chǎn)品進行廣泛對接，包括一鍵直接對接Amazon Athena、Amazon Readshift、Amazon S3、AWS CloudFormation ，Snowflake、MongoDB、Databricks等。

“Data Wrangler解決了從原始數(shù)據(jù)到特征數(shù)據(jù)轉換的易用性問題。但特征數(shù)據(jù)大量出現(xiàn)之后，其存儲和管理也會遇到挑戰(zhàn)，這也是當前很多用戶向我們反饋的一點。”顧凡介紹道。

之前，很多開發(fā)人員和數(shù)據(jù)科學家試圖使用電子表格、筆記和電子郵件來解決這個問題。他們甚至要嘗試開發(fā)一個應用程序來跟蹤管理特征，工作量大且容易出錯。為解決特征數(shù)據(jù)的存儲與管理，AWS推出了Amazon SageMaker Feature Store，提供了一個專門構建的特征庫，供開發(fā)人員訪問和共享特征，使開發(fā)人員和數(shù)據(jù)科學家團隊可以輕松地存儲、更新、檢索和共享用于訓練和推理的機器學習特征。

毫無疑問，隨著Amazon SageMaker功能越來越全面，其正在解決的是從數(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)控等整個機器學習過程中的產(chǎn)品易用性和提升機器學習效率，從而真正實現(xiàn)降低AI門檻的目的。

在面向技術能力相對薄弱的用戶群，AWS為他們提供開箱即用的人工智能服務，目前已經(jīng)涵蓋機器視覺、語音文字轉換、機器對話、文本處理、電商業(yè)務、客服、企業(yè)內信息搜索、開發(fā)與運維、工業(yè)AI等方面。

“Amazon Sagemaker成為AWS史上增長最快的服務之一?，F(xiàn)在，AWS希望將機器學習每一個工作流越做越細。”顧凡總結道。

讓更多人用上和用好AI

眾所周知，數(shù)據(jù)科學家或者AI技術人員屬于極少一部分人群，這部分人群的專業(yè)度和技術能力不可比擬。企業(yè)中大部分人員都不具備相關的知識和技能，但這部分人又渴望在自身的業(yè)務場景中能夠用到機器學習等跟技術。

進入到智能化時代，AI并不應該是數(shù)據(jù)科學家或者AI技術人員的專屬。從讓AI更加普惠的角度來看，企業(yè)有更多人員使用和用好AI，那無疑會極大提升AI應用效率，并且會加速AI場景的落地。

為此，AWS做了一項重要的創(chuàng)新，就是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。此次re:Invent大會上，AWS一口氣介紹了Amazon Aurora ML、Amazon Athena ML、Amazon Redshif ML、Amazon Neptune ML以及Amazon QuickSight 等多項功能，給數(shù)據(jù)庫、數(shù)據(jù)倉庫、圖數(shù)據(jù)庫、BI等服務都集成了機器學習功能，讓數(shù)據(jù)庫開發(fā)者和數(shù)據(jù)分析師可以將機器學習用起來。

“舉一個例子，電商領域經(jīng)常會哪些客戶有可能流失，這時你可能并沒有一個模型來判斷什么樣特征的客戶有可能會流失。通過Redshift ML，數(shù)據(jù)分析師只管SQL查詢，Redshift ML可以把數(shù)據(jù)導入S3，然后SageMaker的Autopilot功能結合。Autopilot是一個自動建模的功能。這樣的Redshift ML可以自動進行數(shù)據(jù)清洗、模型訓練，選擇最優(yōu)的模型進行預測?！鳖櫡惭a充道。

毫無疑問，AWS此舉將極大提升人工智能的使用人群，讓更多人更加簡單地把AI用起來。

目前，AWS是將機器學習能力與自身的數(shù)據(jù)庫產(chǎn)品進行嫁接與集成，未來是否會擴展到AWS其他數(shù)據(jù)庫品牌服務商。對此，顧凡表示：“Amazon Data Wrangler就是用戶喜歡類型，可以對接不同品牌的數(shù)據(jù)源產(chǎn)品。AWS的原則是客戶至尚，未來一定會朝著這個方向迭代?！?/p>

將AI深入行業(yè)進行到底

曾幾何時，AI常被人揶揄為：有技術、沒場景，一堆高薪的AI人才卻不知如何發(fā)揮。這其實從側面反映出人工智能在行業(yè)業(yè)務場景中所遇到的挑戰(zhàn)，即如何將場景與AI進行更好地融合。機器學習等技術最早在互聯(lián)網(wǎng)的各個業(yè)務場景中得到落地與重用，但在其他行業(yè)之中依然任重道遠。所以，場景化一直都是近年來各行各業(yè)用戶采用AI的主旋律話題。

那么，如何真正的將AI融入到行業(yè)的業(yè)務場景之中？這其中絕對不僅僅是幾個數(shù)據(jù)科學家、幾套算法就能夠搞定的。很多行業(yè)用戶往往需要是開箱即用的解決方案，在一套解決方案中融入了包括硬件、算法、軟件等一系列產(chǎn)品，并且還需要具備企業(yè)級的特征，保障各種產(chǎn)品可以持續(xù)高效穩(wěn)定運行。

因此，普惠AI的另一大重要的任務就是在行業(yè)場景中提供開箱即用的產(chǎn)品與解決方案。比如，AWS發(fā)布了Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama Appliance、AWS Panorama SDK和Amazon Lookout for Vision。這五項全新的機器學習服務共同幫助工業(yè)和制造業(yè)客戶在其生產(chǎn)過程中嵌入智能能力，以提高運營效率，改善質量控制、信息安全和工作場所安全。

• Amazon Monitron提供包含傳感器、網(wǎng)關和機器學習服務的端到端機器監(jiān)控解決方案，以檢測可能需要維護的異常設備狀況。
• Amazon Lookout for Equipment為擁有設備傳感器的客戶提供了使用AWS機器學習模型來檢測異常設備行為并進行預測性維護的能力。
• AWS Panorama Appliance幫助已在工業(yè)設施中裝配攝像機的客戶使用計算機視覺來改善質量控制和工作場所安全。
• AWS Panorama軟件開發(fā)套件（SDK）使得工業(yè)相機制造商可以在新相機中嵌入計算機視覺功能。
• Amazon Lookout for Vision在圖像和視頻流上使用AWS訓練的計算機視覺模型，以發(fā)現(xiàn)產(chǎn)品或生產(chǎn)流程中的異常和缺陷。

“針對具體行業(yè)的業(yè)務問題，例如，在具體行業(yè)之中到底要解決什么問題，在什么情況下使用什么工具？AWS的思路是提供端到端的解決方案，非常有針對性的定制相關的服務于產(chǎn)品?！鳖櫡脖硎?。

結語

顧凡認為：“AI并不應該僅僅是大型公司所擁有?！?/p>

誠然AI雖好，但手頭沒有趁手工具是萬萬不行的。為機器學習每一個工作流、每一個環(huán)節(jié)打造最合適、最易用的功能與產(chǎn)品，是當下AWS在機器學習領域的目標，也的確是當下所有用戶所亟需的。面向未來，隨著AWS在機器學習領域產(chǎn)品與服務的不斷完善，有望幫助更多行業(yè)用戶加速AI落地與應用的步伐。

生成海報

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產(chǎn)權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。