由 dawei 副标题#e#
【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。
#p#副标题#e#
2018年，AWS发布了Amazon SageMaker Neo，它可以使机器学习模型进行一次训练即可在云端和边缘的任何地方以最佳性能运行。另外，AWS还在今年发布了Amazon SageMaker Edge Manager ，能够帮助开发人员优化、保护、监控和维护部署在边缘设备集群上的机器学习模型。有了这些服务之后，就能够提供更为全面的和端到端的解决方案给机器学习。
“以上四部分总结起来就是AWS机器学习的愿景，”顾凡表示，“机器学习是一个帮助你完成任务的工具，我们希望把这个工具箱赋能给所有的企业，而不仅仅是大型科技公司掌握的工具箱。”
写在最后：
#p#分页标题#e#
随着移动互联网、物联网、云计算产业的深入发展，全球大数据呈现出井喷式爆发性增长，对企业的经营决策带来了巨大影响。相信，在AWS的助力下，将有越来越多的企业采用机器学习服务来挖掘数据价值，提升效率和用户体验，降低风险和成本。