機器學(xué)習(xí)、深度學(xué)習(xí)、遷移學(xué)習(xí)、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(biāo)。

所謂普惠AI，其本質(zhì)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(wù)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(xí)慣，以降低其在業(yè)務(wù)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(wù)場景中的深入應(yīng)用。

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

今年AWS re:Invent大會上，跟機器學(xué)習(xí)相關(guān)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(xué)習(xí)相關(guān)新產(chǎn)品和新服務(wù)，筆者愈發(fā)感受到AWS加速掃除機器學(xué)習(xí)應(yīng)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(shù)手段。但人工智能并不是一個孤立存在技術(shù)，涉及到從底層芯片、機器學(xué)習(xí)框架、AI服務(wù)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(wù)在產(chǎn)品的深度與廣度上為用戶提供足夠多的選擇權(quán)。

“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(quán)，這是AWS在機器學(xué)習(xí)的宗旨?！盇WS大中華區(qū)云服務(wù)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(wù)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(xué)習(xí)框架方面，AWS可以提供基于英偉達(dá)、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(shè)計的處理器，極大地降低機器學(xué)習(xí)的算力成本。顧凡直言：“不同機器學(xué)習(xí)應(yīng)用對于算力的顆粒度和需求是不一樣的。在計算領(lǐng)域重塑的創(chuàng)新點就是量體裁衣，將細(xì)分需求坐待極致?！睋?jù)悉，AWS此次推出了兩款訓(xùn)練新產(chǎn)品：基于intel Habana Gaudi、AWS Trainium，其中Trainium專門針對訓(xùn)練提供極致性價比。

在中間層的SegaMaker全托管機器學(xué)習(xí)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(yù)處理、專用的特征存儲、自動化工作流、更多的訓(xùn)練數(shù)據(jù)可見性以減少數(shù)據(jù)傾斜和更好的預(yù)測解釋、大型模型的分布式訓(xùn)練速度可最多提升兩倍，以及監(jiān)控邊緣設(shè)備上的模型。

比如，機器學(xué)習(xí)的數(shù)據(jù)準(zhǔn)備是一個極為耗時、復(fù)雜過程。因為機器學(xué)習(xí)用于訓(xùn)練的數(shù)據(jù)特征通常都是多源異構(gòu)的，很多數(shù)據(jù)科學(xué)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(chǔ)工作耗時、耗力，的確是當(dāng)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(xué)習(xí)將將數(shù)據(jù)轉(zhuǎn)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(dǎo)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(zhuǎn)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(dāng)前很多用戶向我們反饋的一點?！鳖櫡步榻B道。

之前，很多開發(fā)人員和數(shù)據(jù)科學(xué)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(yīng)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(gòu)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(xué)家團隊可以輕松地存儲、更新、檢索和共享用于訓(xùn)練和推理的機器學(xué)習(xí)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(zhǔn)備、到模型訓(xùn)練、參數(shù)調(diào)優(yōu)與模型迭代、到模型部署、模型質(zhì)量監(jiān)控等整個機器學(xué)習(xí)過程中的產(chǎn)品易用性和提升機器學(xué)習(xí)效率，從而真正實現(xiàn)降低AI門檻的目的。

在面向技術(shù)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(wù)，目前已經(jīng)涵蓋機器視覺、語音文字轉(zhuǎn)換、機器對話、文本處理、電商業(yè)務(wù)、客服、企業(yè)內(nèi)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(wù)之一。現(xiàn)在，AWS希望將機器學(xué)習(xí)每一個工作流越做越細(xì)?！鳖櫡部偨Y(jié)道。

讓更多人用上和用好AI

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

進入到智能化時代，AI并不應(yīng)該是數(shù)據(jù)科學(xué)家或者AI技術(shù)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(yīng)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(xué)習(xí)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(xué)習(xí)想法落地到業(yè)務(wù)應(yīng)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(wù)都集成了機器學(xué)習(xí)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(xué)習(xí)用起來。

“舉一個例子，電商領(lǐng)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(dǎo)入S3，然后SageMaker的Autopilot功能結(jié)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(xùn)練，選擇最優(yōu)的模型進行預(yù)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(xué)習(xí)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(wù)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(shù)、沒場景，一堆高薪的AI人才卻不知如何發(fā)揮。這其實從側(cè)面反映出人工智能在行業(yè)業(yè)務(wù)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(xué)習(xí)等技術(shù)最早在互聯(lián)網(wǎng)的各個業(yè)務(wù)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(yuǎn)。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(wù)場景之中？這其中絕對不僅僅是幾個數(shù)據(jù)科學(xué)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(wù)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(xué)習(xí)服務(wù)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(zhì)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(guān)和機器學(xué)習(xí)服務(wù)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(shè)備狀況。

Amazon Lookout for Equipment為擁有設(shè)備傳感器的客戶提供了使用AWS機器學(xué)習(xí)模型來檢測異常設(shè)備行為并進行預(yù)測性維護的能力。

AWS Panorama Appliance幫助已在工業(yè)設(shè)施中裝配攝像機的客戶使用計算機視覺來改善質(zhì)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(xùn)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(wù)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(guān)的服務(wù)于產(chǎn)品。”顧凡表示。

結(jié)語

顧凡認(rèn)為：“AI并不應(yīng)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(xué)習(xí)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(dāng)下AWS在機器學(xué)習(xí)領(lǐng)域的目標(biāo)，也的確是當(dāng)下所有用戶所亟需的。面向未來，隨著AWS在機器學(xué)習(xí)領(lǐng)域產(chǎn)品與服務(wù)的不斷完善，有望幫助更多行業(yè)用戶加速AI落地與應(yīng)用的步伐。

生成海報

免責(zé)聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請自行核實相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責(zé)聲明：本網(wǎng)站內(nèi)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)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(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)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(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。