在2019年的re：Invent大會上，當(dāng)亞馬遜AWS首席執(zhí)行官Andy Jassy進(jìn)行主旨演講時(shí)，他意識到有關(guān)機(jī)器學(xué)習(xí)的內(nèi)容簡直太多了，僅僅這一部分就花了差不多75分鐘。

時(shí)間寶貴，但內(nèi)容更加重要，這促使AWS在一年后做出調(diào)整，在長達(dá)三周的re：Invent 2020上，機(jī)器學(xué)習(xí)單獨(dú)拿出來成為內(nèi)容擔(dān)當(dāng)。AWS機(jī)器學(xué)習(xí)副總裁Swami Sivasupamanian親自登臺講解，美國IT媒體 SiliconANGLE評價(jià)，AWS發(fā)布的信息和一系列發(fā)布，“加強(qiáng)了其在機(jī)器學(xué)習(xí)領(lǐng)域的莊重承諾?！?/p>

機(jī)器學(xué)習(xí)不再“空中樓閣”

用Swami Sivasupamanian本人的話來評價(jià)機(jī)器學(xué)習(xí)，它就是“我們這一代人將遇到的最具破壞性的技術(shù)之一?！边@句話，在整個2020年都已經(jīng)被證實(shí)。

例如，疫情之下，零售商家試圖通過線上各個渠道拓展銷量，快速成為制勝法則。達(dá)美樂披薩使用機(jī)器學(xué)習(xí)進(jìn)行訂單管理，在客戶下單僅10分鐘左右之后，就能夠提供新鮮的披薩。

而在醫(yī)療領(lǐng)域，機(jī)器學(xué)習(xí)運(yùn)用的一個典型的應(yīng)用場景是，醫(yī)生用其來幫助判別病患腦部供血的狀況或是癌癥發(fā)展的狀況，這種行話被稱為“讀片”的操作，正極大地改善和輔助醫(yī)院的工作流程。

按照AWS公布的數(shù)據(jù)，接入并使用AWS機(jī)器學(xué)習(xí)服務(wù)的客戶已經(jīng)超過10萬家，其中包括起亞、雅馬哈、美國宇航局、普華永道等，不同行業(yè)不同機(jī)構(gòu)的用戶，正在把自己的數(shù)據(jù)交給機(jī)器學(xué)習(xí)來分析。

“機(jī)器學(xué)習(xí)就是工具，越來越多的行業(yè)用戶開始使用工具，去更多地幫到他們的業(yè)務(wù)?！?在面向媒體和分析師的溝通會上，AWS大中華區(qū)云服務(wù)產(chǎn)品管理總經(jīng)理顧凡如此解釋，機(jī)器學(xué)習(xí)迅速滲透，是因?yàn)槠髽I(yè)發(fā)現(xiàn)新工具有用且好用。

具體到AWS層面，不斷夯實(shí)技術(shù)，簡化機(jī)器學(xué)習(xí)難度就是一直以來的主題，其中必須遵循的理念是：將機(jī)器學(xué)習(xí)交到更多應(yīng)用程序開發(fā)者和終端用戶手中，而他們無需機(jī)器學(xué)習(xí)經(jīng)驗(yàn)；讓更多開發(fā)者應(yīng)用機(jī)器學(xué)習(xí)，創(chuàng)造更好的終端用戶體驗(yàn)。

技術(shù)領(lǐng)先，產(chǎn)品以用戶為本，使用者自然紛至沓來。AWS公布的數(shù)據(jù)顯示，目前92%的基于Tensorflow框架的機(jī)器學(xué)習(xí)工作負(fù)載，91%的基于PyTorch框架的工作負(fù)載都跑在AWS云上。在一系列云服務(wù)商中，AWS體現(xiàn)了絕對優(yōu)勢。

總結(jié)AWS在機(jī)器學(xué)習(xí)上一直以來的努力，顧凡認(rèn)為，工具庫上的深度和廣度、開放心態(tài)以及一些必要的服務(wù)原則，是AWS被越來越多開發(fā)者和客戶信任的原因。

首先，機(jī)器學(xué)習(xí)是一個“Right tools for the right job”的事情，顧凡稱 “你希望運(yùn)行什么樣的工作，在什么樣的場景下，應(yīng)該選擇工具箱中什么樣的工具最適合?！?也就是一把鑰匙開一把鎖，合適的工具做合適的事兒。而AWS在機(jī)器學(xué)習(xí)服務(wù)上深度和寬度，能滿足用戶的不同需求。

其次，AWS力求采取開放包容的工具選擇策略，讓云端可以和客戶的整個環(huán)境做到良好的集成。不僅是機(jī)器學(xué)習(xí)框架和接口標(biāo)準(zhǔn)，在AI芯片選型、計(jì)算實(shí)例上，也可以讓用戶根據(jù)應(yīng)用的不同場景，自由選擇。簡單來說，讓開發(fā)者自行選擇最具成本效益的云基礎(chǔ)架構(gòu)。

不過，機(jī)器學(xué)習(xí)的一個關(guān)鍵是“Know-How”（專業(yè)知識），同時(shí)要實(shí)現(xiàn)解決方案的產(chǎn)品化。但這并不容易，因?yàn)槿瞬牌嫒保袝r(shí)候，懂技術(shù)的人往往不懂業(yè)務(wù)，懂業(yè)務(wù)的人往往不懂技術(shù)。對此，AWS有必要向客戶“授人以漁”，為客戶賦能。

“當(dāng)客戶真正在工程方面有差距的時(shí)候，在產(chǎn)品原型實(shí)現(xiàn)方面需要幫忙的時(shí)候，我們會把客戶扶上馬再送一程，真正幫他/她快速地把一些業(yè)務(wù)難題，先用產(chǎn)品原型的方式把它實(shí)現(xiàn)出來。”顧凡說。

最終，在用戶不斷的機(jī)器學(xué)習(xí)實(shí)踐中，復(fù)雜的“數(shù)據(jù)分析”及“AI計(jì)算”需求將持續(xù)爆發(fā)，專業(yè)的云計(jì)算服務(wù)商和數(shù)字化技術(shù)服務(wù)商價(jià)值將被快速釋放。

自下而上

AWS在這次re：Invent陸續(xù)發(fā)布了基于英特爾Habana AI加速芯片的實(shí)例、Amazon Kendra企業(yè)搜索、Amazon CodeGuru自動代碼審核、Amazon Fraud Detector自動欺詐檢測等功能和服務(wù)，也借此更進(jìn)一步打牢基礎(chǔ)設(shè)施，拓展企業(yè)商用市場，從云端到邊緣，實(shí)現(xiàn)對企業(yè)日常任務(wù)的重塑和改進(jìn)。

長期觀察AI技術(shù)的IT專家們不難發(fā)現(xiàn)，在洞悉機(jī)器學(xué)習(xí)的核心驅(qū)動力后，這些功能發(fā)布背后的邏輯就已經(jīng)自然顯現(xiàn)了。它是自下而上的。

首先是基礎(chǔ)設(shè)施。

一個現(xiàn)象是，云計(jì)算廠商們在技術(shù)研發(fā)上的投入已經(jīng)不局限于基本的云技術(shù)本身，還投向了芯片、開發(fā)框架、邊緣計(jì)算、數(shù)據(jù)庫核心軟件等等。對于任何全棧云計(jì)算廠商而言，這些投入已經(jīng)不可或缺。但從機(jī)器學(xué)習(xí)的角度來看，用AWS的話來總結(jié)，它們是打牢平臺能力的堅(jiān)實(shí)基矗

例如，AWS在這次re：Invent上推出機(jī)器學(xué)習(xí)訓(xùn)練芯片AWS Trainium，與標(biāo)準(zhǔn)的GPU實(shí)例相比，可帶來30%的數(shù)據(jù)吞吐量提升，并降低45%的單次引用成本。此外，AWS Trainium和AWS的機(jī)器學(xué)習(xí)推理芯片AWS Inferentia在SDK上保持一致。

值得一提的是，當(dāng)Habana芯片進(jìn)入AWS云服務(wù)的時(shí)候，被英特爾視為一次在云計(jì)算市場上對英偉達(dá)的重要勝利。實(shí)際上，真正的勝利者屬于AWS的用戶們，根據(jù)AWS測試顯示，Habana對機(jī)器學(xué)習(xí)任務(wù)這類云服務(wù)的性價(jià)比，能比目前基于GPU的云服務(wù)高40%。

無論英偉達(dá)GPU或英特爾Habana芯片，還是AWS自研機(jī)器學(xué)習(xí)芯片，在AWS上都永遠(yuǎn)是可選項(xiàng)。一方面，客戶選擇無比豐富，遠(yuǎn)遠(yuǎn)超過AWS的所有競爭對手。另一方面，當(dāng)AWS選擇追求極致時(shí)，大幅降低機(jī)器學(xué)習(xí)成本的暢想又讓客戶無法拒絕。

“如果只是依賴合作伙伴，很難把（機(jī)器學(xué)習(xí)）性價(jià)比做到極致，這也是我們一再強(qiáng)調(diào)AWS Trainium和AWS Inferentia兩款芯片的原因，一個是機(jī)器學(xué)習(xí)訓(xùn)練里面的性價(jià)比的極致，一個是推理里面的性價(jià)比極致?！?顧凡說，AWS手握市面上絕大多數(shù)芯片，可任企業(yè)自由選擇。“但回到合作伙伴的關(guān)系上，無論是英特爾還是英偉達(dá)，一定有不一樣的場景對客戶選擇是合適的，其中我們不會干預(yù)客戶的選擇?！?/p>

對于大多數(shù)機(jī)器學(xué)習(xí)用戶來說，AWS的 Amazon SageMaker是目前機(jī)器學(xué)習(xí)配置效率和性價(jià)比最高的選擇。

Amazon SageMaker是面向機(jī)器學(xué)習(xí)開發(fā)者的集成開發(fā)環(huán)境和完全托管服務(wù)。它依托多項(xiàng)工具，化繁為簡，使開發(fā)人員和數(shù)據(jù)科學(xué)家能夠從根本上更輕松、更快速地構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型，并降低成本。自2017年發(fā)布了SageMaker以來，SageMaker在機(jī)器學(xué)習(xí)開發(fā)者之間極受歡迎，成為AWS手中的機(jī)器學(xué)習(xí)大殺器。

反饋到業(yè)務(wù)上，一些客戶發(fā)現(xiàn)，SageMaker“指導(dǎo)”下機(jī)器學(xué)習(xí)帶來的業(yè)務(wù)增長，就有點(diǎn)像是魔法了。

比如拉丁美洲在線食品配送公司iFood，每月訂單達(dá) 3060 萬份，在超過 1000 個城市中注冊了約 160000 家餐廳。iFood首席數(shù)據(jù)科學(xué)家Sandor Caetano表示，通過Amazon SageMaker，一方面，使用機(jī)器學(xué)習(xí)來改善顧客和餐廳的體驗(yàn)，讓商家和商品的推薦更加智能和個性化。另一方面，體現(xiàn)在物流上的成績則是，由于路線優(yōu)化，配送人員的行程縮短了 12%。

而美國職業(yè)橄欖球大聯(lián)盟 （NFL） 則是體育運(yùn)動中使用機(jī)器學(xué)習(xí)技術(shù)的先鋒，一方面，體育賽場天然是數(shù)據(jù)產(chǎn)生的高發(fā)地，選手和教練需要數(shù)據(jù)來指導(dǎo)賽場決策，這是賽事需要；另一方面，將掌握的數(shù)據(jù)運(yùn)用到實(shí)況轉(zhuǎn)播中，提升觀賽的沉浸感，這是商業(yè)需求。為此，NFL創(chuàng)建了名為Next Gen Stats （NGS） 的程序來采集數(shù)據(jù)。

關(guān)鍵在于，如何運(yùn)用這些寶貴的數(shù)據(jù)？美式橄欖球數(shù)據(jù)公司Pro Football Focus CEO、NBC體育解說員Cris Collinsworth就曾告訴界面新聞，“我們過去總讓老派、學(xué)界的人來為體育賽事出主意，而教練則通過比賽錄像來分析和指導(dǎo)運(yùn)動員?！钡手拖嘛@而易見。

最終NFL選擇與AWS合作，因?yàn)闄C(jī)器學(xué)習(xí)進(jìn)入體育，意味著“思維方式的變化”，在效率和成本上均更優(yōu)。借助SageMaker，可以更快速有效地給出數(shù)據(jù)分析結(jié)果。一個例子是，當(dāng)NFL構(gòu)建、訓(xùn)練和運(yùn)行這些預(yù)測模型時(shí)，時(shí)間從 12 小時(shí)縮短到 30 分鐘。

甚至比賽觀賞性也提高到一種從未達(dá)到過的程度。借助Amazon QuickSight商業(yè)智能工具，NFL 能夠在內(nèi)部獲得更深入的見解，同時(shí)還為球迷提供了與數(shù)據(jù)互動的機(jī)會。俱樂部、廣播公司的人可以針對比賽，在面板上提問查詢，并極快地獲得回答。

來自客戶驚喜的反饋并不讓Swami Sivasupamanian意外，“SageMaker可以說是在AWS歷史上發(fā)展最快的一個云服務(wù)?！彼岬剑谶^去一年中AWS已經(jīng)發(fā)布了超過50個SageMaker功能，目的就是讓客戶使用機(jī)器學(xué)習(xí)的過程更為容易。

回顧AWS在本次大會上SageMaker的功能發(fā)布，無論是數(shù)據(jù)特征提取器Data Wrangler，數(shù)據(jù)特征存儲庫Feature Store，還是自動化工作流Pipelines，都和Swami Sivasupamanian提出的降低機(jī)器學(xué)習(xí)難度的宗旨毫無偏離，甚至多數(shù)時(shí)候，還會讓客戶感到驚喜。

比如Data Wrangler，其內(nèi)置了300多個數(shù)據(jù)轉(zhuǎn)換器，讓客戶無需編寫任何代碼，就可以將機(jī)器學(xué)習(xí)用到的特征進(jìn)行規(guī)范化、轉(zhuǎn)換和組合，被稱為“準(zhǔn)備機(jī)器學(xué)習(xí)數(shù)據(jù)的最快、最簡單的方法”。Pipelines是第一個專為機(jī)器學(xué)習(xí)構(gòu)建的、方便易用的持續(xù)集成和持續(xù)交付服務(wù)。另外，大型復(fù)雜深度學(xué)習(xí)模型的分布式訓(xùn)練，可以將訓(xùn)練速度提升兩倍。

不難發(fā)現(xiàn)，在AWS的努力下，SageMaker正在朝兩個方向的迭代：一方面，機(jī)器學(xué)習(xí)每一個步驟做得越來越細(xì)、做得越來越易用；然后，將復(fù)雜機(jī)器學(xué)習(xí)的工作流給串聯(lián)起來。比如，Data Wrangler的數(shù)據(jù)準(zhǔn)備工作流程就可以與 Amazon SageMaker Pipelines 無縫集成，以便用戶自動執(zhí)行模型部署和管理。

這種串聯(lián)和無縫集成一定程度上令人著迷，也為開發(fā)者打開了“新世界”?！皩?shí)際上機(jī)器學(xué)習(xí)的工作流是可以被組織的，因?yàn)闄C(jī)器學(xué)習(xí)的流程中，要么有些步驟是串行的，一步一步走，要么有些步驟在某個環(huán)境下是可以并行的，但是它都可以被組織、被編排的?！鳖櫡舱f。

豐富且友好的機(jī)器學(xué)習(xí)工具在一定程度上加強(qiáng)了AWS上的用戶粘性。相比于其他平臺，AWS的機(jī)器學(xué)習(xí)工具鏈更加完善可靠，這意味著當(dāng)用戶考慮使用機(jī)器學(xué)習(xí)時(shí)，AWS總會在各種云服務(wù)可選項(xiàng)中脫穎而出。
責(zé)任編輯：YYX