“我們正在開啟機器學習的黃金時代?！?/p>

AWS首席云計算企業(yè)戰(zhàn)略顧問張俠博士表示，以前阻礙機器學習在現(xiàn)實世界應用的許多限制開始消失。全球各地的公司，從初創(chuàng)公司到大型企業(yè)，部署機器學習應用程序幾乎是普遍的重中之重。

幾乎每一個行業(yè)和細分市場，都開始將機器學習應用于其工作負載，從數(shù)據(jù)中獲得更多價值，獲得洞察，提升業(yè)務。機器學習的黃金時代也是AWS的黃金時代。

機器學習黃金時代的AWS

“目前有數(shù)萬家全球各種各樣的企業(yè)選擇AWS來運行機器學習的負載，據(jù)我們所知，采用AWS機器學習的客戶數(shù)量高于任何其他廠商至少兩倍?！盇WS首席云計算企業(yè)戰(zhàn)略顧問張俠表示。

人工智能大概率成為確定性事件，越來越多的企業(yè)內(nèi)部開始運行深度學習、機器學習等負載，亞馬遜是最早的一批企業(yè)，自電商時代起始，亞馬遜的商品推薦、搜索、物流配送等業(yè)務都融入了機器學習，誕生出送貨機器人、Amazon Echo、Amazon GO等產(chǎn)品和業(yè)務。

相對來說，機器學習對企業(yè)仍然是一項非常復雜的工作，大多數(shù)企業(yè)并不具備獨立開發(fā)機器學習模型的能力，AWS等廠商則扮演“云梯”的角色。

比如開發(fā)者和數(shù)據(jù)科學家首先必須對數(shù)據(jù)進行可視化、轉換和預處理，這些數(shù)據(jù)才能變成算法可以使用的格式，用以訓練模型；從選擇和優(yōu)化算法，到調(diào)節(jié)影響模型準確性的數(shù)百萬個參數(shù)，訓練模型的所有階段都需要大量的人力和猜測；在應用程序中部署訓練好的模型時，客戶又需要另一套應用設計和分布式系統(tǒng)方面的專業(yè)技能。

此外，隨著數(shù)據(jù)集和變量數(shù)的增加，模型會過時，客戶又必須一次又一次地重新訓練模型，讓模型從新的信息中學習和進化。所有這些工作都需要大量的專業(yè)知識，并耗費龐大的算力、數(shù)據(jù)存儲和時間成本。而且，由于沒有集成化的工具用于整個機器學習的工作流，機器學習模型的傳統(tǒng)開發(fā)方式是復雜、繁復和昂貴的。

AWS提供的機器學習解決方案是一個包括三層的服務堆棧。

底層是機器學習框架和基礎架構，AWS支持TensorFlow、PyTorch、Apache MXNet、Chainer、Gluon、Horovod 和 Keras等機器學習框架。在基礎架構方面，AWS虛機提供各種各樣的實例，同時提供現(xiàn)成的亞馬遜機器鏡像AMI（Amazon Machine Image）。

張俠表示，“我們的策略是全方位的支持各種各樣的開源框架，因為不同的框架有不同的特點、不同的使用場景，所以我們并不局限于某一個框架，而是全方位支持?！?/p>

AWS機器學習解決方案上層是訓練好的人工智能服務，這些服務主要解決與人類認知相關的典型問題。例如，計算機視覺方面的服務，可以識別圖像或視頻中的對象、人員、文本、場景、活動和不安全或不適宜的內(nèi)容。個性化推薦服務可以從庫存中向消費者推薦多種產(chǎn)品和服務?？蛻艨梢灾苯釉谄鋺弥姓{(diào)用AWS提供的這些人工智能服務，而無需關注服務背后的機器學習模型。

中間層是機器學習服務，主要目標是消除機器學習過程中的繁重工作，讓開發(fā)高質(zhì)量模型變得更加輕松。依靠的是Amazon SageMaker托管服務，也是本次AWS強調(diào)的重點。

Amazon SageMaker落地中國

張俠介紹，制約人工智能廣泛應用的因素有三個方面，導致缺乏低成本、易使用、可擴展的人工智能產(chǎn)品和服務，分別是：

• 掌握人工智能專業(yè)知識的人才不足；

• 構建和擴展人工智能的技術產(chǎn)品有難度；

• 在生產(chǎn)經(jīng)營中部署人工智能應用費時且成本高。

Amazon SageMaker就是為了消除機器學習各步驟的繁重工作而來。5月12日，AWS宣布Amazon SageMaker在由西云數(shù)據(jù)運營的AWS中國 (寧夏) 區(qū)域和光環(huán)新網(wǎng)運營的AWS中國（北京）區(qū)域正式上線。

通過預置的Notebook、針對PB級數(shù)據(jù)集優(yōu)化的常用算法，以及自動模型調(diào)優(yōu)，Amazon SageMaker降低了模型構建和訓練的難度。并且，Amazon SageMaker簡化和加快了模型訓練過程，可以通過自動提供和管理基礎設施來訓練模型和運行推理。

同時，AWS 最近宣布了多項重要功能和高級特性，讓客戶能夠更輕松地構建、訓練、調(diào)優(yōu)和部署機器學習模型。這些功能包括：

• 面向機器學習的集成開發(fā)環(huán)境（IDE）：Amazon SageMaker Studio將所有用于機器學習的組件集中，開發(fā)者可以在Amazon SageMaker Studio中查看和組織源代碼、依賴項、文檔和其它應用程序資產(chǎn)，Amazon SageMaker Studio使構建、訓練、解釋、檢查、監(jiān)視、調(diào)試和運行機器學習模型變得更簡單、更快。

• 彈性筆記本：Amazon SageMaker Notebooks提供了一鍵啟用的Jupyter Notebook，具有秒級的彈性計算提升能力，讓開發(fā)者可以輕松地調(diào)高或降低Notebook需要的算力（包括GPU加速），這些調(diào)整在后臺自動發(fā)生，不會打斷開發(fā)者的工作。Amazon SageMaker Notebook還可以自動復制特定環(huán)境和庫依賴項，實現(xiàn)Notebook一鍵共享。

• 實驗管理：Amazon SageMaker Experiments可以幫助開發(fā)者組織和跟蹤機器學習模型的迭代。Amazon SageMaker Experiments自動捕獲輸入?yún)?shù)、配置和結果，并將它們存儲為“實驗”，幫助開發(fā)者管理這些迭代。Amazon SageMaker Experiments使開發(fā)者更容易快速迭代和開發(fā)高質(zhì)量的模型。

• 調(diào)試與分析：Amazon SageMaker Debugger用于調(diào)試和分析模型訓練，提高準確性，減少訓練時間，讓開發(fā)者更好地理解模型。使用Amazon SageMaker Debugger，在Amazon SageMaker中訓練的模型將自動發(fā)出收集到的關鍵指標，Amazon SageMaker Debugger也可幫助開發(fā)者解讀模型是如何工作的，向神經(jīng)網(wǎng)絡的可解釋性邁出了第一步。

• 自動構建模型：Amazon SageMaker Autopilot是業(yè)內(nèi)首個可以讓開發(fā)者對其模型保持控制和可見性的自動化機器學習功能。Amazon SageMaker Autopilot會自動檢查原始數(shù)據(jù)，應用特征處理器，挑選最佳算法集，訓練多個模型，對它們進行調(diào)優(yōu)，跟蹤其性能，然后根據(jù)性能對模型進行排名，開發(fā)者能夠針對應用場景選擇最佳模型，并且可以結合不同的優(yōu)化因子考慮多個候選模型。

• 概念漂移檢測：Amazon SageMaker Model Monitor允許開發(fā)者檢測和糾正概念漂移（concept drift）。開發(fā)者可以使用Amazon SageMaker Model Monitor的開箱即用功能檢測漂移，也可以為Amazon SageMaker Model Monitor編寫自己的規(guī)則用于監(jiān)測。Amazon SageMaker Model Monitor讓開發(fā)者更容易調(diào)整訓練數(shù)據(jù)或算法以解決概念漂移問題。

IDC報告指出，中國人工智能市場已成為全球第二大人工智能單一市場，并且市場規(guī)模還在保持高速增長。當前40%的企業(yè)數(shù)字化轉型項目都會運用人工智能，人工智能將成為各業(yè)務部門不可或缺的一部分，推動大規(guī)模創(chuàng)新并實現(xiàn)巨大的商業(yè)價值。（雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。