AWS在機器學習上的持續深耕,大大拉近了眾多企業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開始發力在云上提供機器學習服務;當年只發布了三個服務,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。

數據爆發式增長 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據,比2000年全年產生的數據還要多;未來三年內產生的數據,將比過去30年的還要多。

面對數據的爆炸式增長,我們亟需增強處理海量數據的能力。正因為如此,機器學習和人工智能行業近年來發展迅速,并為各行業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%的現代技術將基于機器學習和人工智能技術。

而在德勤發布的《全球人工智能發展白皮書》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務。

但在機器學習逐漸成為越來越多企業主流應用的今天,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正在加速技術創新,通過打造更多“開箱即用”的機器學習服務和功能,持續降低企業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,與不同客戶的環境進行集成;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,真正確保客戶能夠充分發揮機器學習的作用和價值。

持續創新 AWS要讓機器學習走向普惠

從2016年起,AWS開始不斷發力機器學習,并在云上提供機器學習服務。經過近幾年的持續創新,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,他們有大量的數據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務創新。

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環境,并為這個開發環境不斷增加新功能,從數據準備、到模型訓練、參數調優與模型迭代、到模型部署、模型質量監控,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,他們有數據但沒有算法人才,他們希望在業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、業務工具、客服中心、搜索、代碼+運維、工業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的落地應用,實現AI的普惠,因此近年來這一層所涌現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發展;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,機器學習已經深入到越來越多的行業應用中。為了更好地滿足不同行業的應用需求,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、開發者和企業客戶能基于這些“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領域機器學習解決方案,包括五項可用于工業領域的機器學習服務。這里包括端到端機器監控系統,可以監測議程并預測何時需要進行工業設備維護;通過計算機視覺改善工業運營和工作場所安全;為工業客戶提供高精度、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再次發布9項新功能。從數據特征提取器到數據特征存儲庫,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據開發者和數據分析師群體,AWS將機器學習能力跟數據庫進行嫁接,讓數據庫開發者、數據分析師沿用數據庫查詢的方式,讓他們的機器學習想法落地到業務應用中。這里既有Amazon Aurora關系型數據庫服務,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,以及針對數據查詢、數據倉庫、圖數據庫等的一系列新功能。

得益于AWS在機器學習領域的持續創新,已經有越來越多的中國企業開始尋求借助機器學習技術推動自身的轉型和創新,企業客戶涉及工業、醫療、媒體、汽車、零售等多個行業。顧凡對此表示,相比較國外企業,中國企業非常樂于推動新技術的應用;尤其在新基建的背景下,中國企業正在加速推進數字化轉型,由此帶來的機器學習應用場景也在不斷涌現。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客戶的應用場景相融合,也在幫助客戶用好這些工具并創造出價值,真正做到了“扶上馬送一程”。

近年來,5G、大數據、人工智能、物聯網等新一代信息技術正在加速普及和融合,企業對這些新技術的應用的廣度和深度也在不斷拓展。可以預見的是,在這一趨勢下,機器學習應用也將呈現爆發式增長態勢;而AWS在機器學習上的持續深耕,無疑將拉近眾多企業與機器學習應用的距離。