前不久，全球市場份額占比的公有云廠商亞馬遜云服務（AWS）宣布，旗下機器學習服務Amazon SageMaker在中國寧夏和北京區(qū)域正式上線，對于想通過機器學習加速數(shù)字化轉(zhuǎn)型的企業(yè)來說，這無疑是一個重大的福利。基于Amazon SageMaker發(fā)布的一系列工具，企業(yè)不但擁有了機器學習所需要的強大的模型、算法等方面的能力，還省去了準備、建立、部署、訓練等環(huán)節(jié)，系統(tǒng)自帶的各種功能，可以極大地提升開發(fā)效率，降低總體成本。

創(chuàng)新互聯(lián)建站堅持“要么做到，要么別承諾”的工作理念，服務領域包括：網(wǎng)站設計、網(wǎng)站建設、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣等服務，滿足客戶于互聯(lián)網(wǎng)時代的彝良網(wǎng)站設計、移動媒體設計的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡建設合作伙伴！

那么，問題來了，Amazon SageMaker到底是什么？

SageMaker是什么？

“按照英文字義理解，Sage是魔法的意思，SageMaker是一個魔法生成器，是一項完全托管的機器學習服務，可以幫助開發(fā)者和數(shù)據(jù)科學家快速地規(guī)模化構建、訓練和部署機器學習 (ML) 模型。” AWS首席云計算企業(yè)戰(zhàn)略顧問 張俠博士，從SageMaker的概念開始，進行了詳細解讀。

傳統(tǒng)的機器學習要經(jīng)歷一個艱難、復雜的過程，需要配備一些專業(yè)的技術人員，包括計算機、物理、統(tǒng)計、應用數(shù)學等好幾個專業(yè)的博士，用張量計算、卷積計算等方法，去構建整個流程。不僅耗費人力、物力、財力，花費時間也長，一般至少需要八、九個月時間才能完成。而通過SageMaker，技術人員只需要具備基礎知識，就可以在幾周內(nèi)完成機器學習部署。

SageMaker擁有業(yè)界最全的內(nèi)置算法，關于計算機視覺的有圖像分類、對象監(jiān)測、語義分割的算法；關于推薦的有分解機算法；關于主題模型的有LDA、NTM；關于預測的有DeepAR;關于聚類的有KMeans算法；關于回歸的有Linear、XGBoost、Learner、KNN等等。

AWS在去年re:Invent大會上還推出了Amazon SageMaker Studio，提供的是一個全面整合的機器學習的集成開發(fā)環(huán)境，它可以讓開發(fā)者無需關心代碼層面的問題，一鍵即可進行大規(guī)模協(xié)作，同時可快速創(chuàng)建易用的實驗環(huán)境，對上千個實驗進行比較、跟蹤，在全可見、可控的環(huán)境下自動生成高精度、高質(zhì)量的模型，并且可以自動調(diào)試、監(jiān)控和運維。

另外，Amazon SageMaker還有一個特有的彈性筆記本功能，通過Amazon SageMaker Notebooks，用戶可在幾秒鐘內(nèi)訪問筆記本，并且在不顯示增加計算資源的情況下啟動，靈活調(diào)整計算資源類型。

同時，還有多個符合特定業(yè)務場景的工具應用。比如：Amazon SageMaker Experiments，可跨實驗和用戶大規(guī)模跟蹤、度量和實驗數(shù)據(jù)，對組織和目標進行自定義管理，讓訓練快進快出、保證質(zhì)量；Amazon SageMaker Debugger，可自動收集數(shù)據(jù)并用于可視化分析、調(diào)試，能自動化錯誤監(jiān)測，通過警報提升生產(chǎn)力；Amazon SageMaker Model Monitor，可對模型進行監(jiān)測，并通過內(nèi)置規(guī)則檢測數(shù)據(jù)漂移或編寫自定義規(guī)則，用于定制化分析。再比如：完全可見、可控的自動化模型構建工具Amazon SageMaker Autopilot；用于數(shù)據(jù)處理和模型評估的分析作業(yè)工具Amazon SageMaker Processing；還有訓練一次便可多處運行的Amazon SageMaker Neo等等。

如果用一句話概括，SageMaker其實是一個能提供端到端服務的機器學習平臺，具有零安裝、模型訓練靈活、按秒付費等特點，因此可以幫助用戶將基于機器學習的模型快速構建到擁有智能應用程序的生產(chǎn)環(huán)境中去。從準備開始，到最后的機器學習部署，SageMaker能提供全流程的工具集。

至于，Amazon SageMaker具體應該怎么來用？AWS為何要花大力氣部署與機器學習相關的技術？這要從機器學習發(fā)展現(xiàn)狀以及AWS在人工智能領域的戰(zhàn)略說起。

AWS為何如此看重機器學習？

眾所周知，人工智能其實是一個比較大的概念，包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等,主要是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術和應用系統(tǒng)的一門技術科學。

作為人工智能的重要分支，機器學習強調(diào)的是學習，而不是計算機程序，主要通過一臺機器使用復雜的算法來分析大量的數(shù)據(jù)，識別數(shù)據(jù)中的模式，并做出一個預測，不需要像過去那樣，通過人手動在機器的軟件中編寫特定的指令，機器可以模仿人獲取一些學習的能力。

與機器學習密切相關的還有深度學習，是一個基于神經(jīng)網(wǎng)絡的模式分析方法的統(tǒng)稱。因為機器學習從上個世紀80年代開始被廣泛關注，所以之后的十幾年，深度學習也得到了快速發(fā)展，取得了突破性的成果，返過來推動了人工智能和機器學習的發(fā)展。

大體來看，機器學習有幾個重要元素：一個是數(shù)據(jù)；另一個是計算能力；第三個是算法。從某種程度上來說，機器學習是大數(shù)據(jù)平臺、云計算和一些深度學習框架凝聚在一起的產(chǎn)物。其中，云計算起到了決定性作用，它既能提供大數(shù)據(jù)的存儲，提供了很多計算能力，又使得用戶可以非常方便地交流、分享各種各樣的算法。

如今，人工智能和機器學習已經(jīng)成為新一代信息技術的典型代表，很多傳統(tǒng)企業(yè)以及創(chuàng)新型企業(yè)都把機器學習看成是企業(yè)最重要的變革手段，用于提高產(chǎn)品自動化能力，或者進一步優(yōu)化業(yè)務流程。但同時我們也發(fā)現(xiàn)，機器學習正面臨兩大難以逾越的挑戰(zhàn)。第一，人才短缺。人工智能以及機器學習都需要很多專業(yè)知識，而了解這方面知識的人才又比較欠缺，有些人才需要百萬年薪才能找到。第二，技術落地難。如何快速構建、擴展與人工智能相關的產(chǎn)品和應用，并把一些創(chuàng)新型技術落地到生產(chǎn)環(huán)境中去，還有一段很長的路要走。

作為互聯(lián)網(wǎng)巨頭企業(yè)，亞馬遜公司之所以要致力于機器學習領域，并不是簡單的追趕技術熱潮，而是企業(yè)互聯(lián)網(wǎng)內(nèi)在基因使然。從二十多年前有電商開始，亞馬遜就在關注與機器學習相關的工作，產(chǎn)品推薦、產(chǎn)品搜索，物流配送等等很多創(chuàng)新業(yè)務和服務都有機器學習的身影。比如：在倉儲業(yè)務環(huán)境中，除了送貨的無人機，亞馬遜還推出了智能助理Amazon Echo、無人值守商店Amazon GO等等，背后其實都有機器學習和人工智能的身影。

到目前為止，AWS有數(shù)千名工程師以及數(shù)據(jù)科技人員，在從事與人工智能相關的工作，除了滿足企業(yè)內(nèi)部的應用需求，還要進行業(yè)務創(chuàng)新，把更多服務打包成產(chǎn)品，推向市場。就像AWS云計算的發(fā)展脈絡一樣，最初也是基于自己企業(yè)內(nèi)部應用，最后形成產(chǎn)品以及解決方案，為更多外部企業(yè)提供服務。對于機器學習，AWS有著自己的定義，那就是把機器學習能力轉(zhuǎn)移到每一位創(chuàng)建者手中，使它成為被廣泛應用的工具。

如何為行業(yè)賦能？

了解了AWS機器學習發(fā)展歷史，對于用戶為什么更愿意選擇AWS這個問題，也就不難理解！

首先，是工具的豐富性。AWS提供了最廣泛、深入的機器學習服務，其中核心服務就是Amazon SageMaker，它能加速整個機器學習過程，包括建模、訓練調(diào)優(yōu)、部署管理等。外加AWS云平臺的助力，用戶可以把數(shù)據(jù)存儲、數(shù)據(jù)倉庫，包括物聯(lián)網(wǎng)的技術和機器學習結合到一起，形成所謂的AIoT智能物聯(lián)網(wǎng)。

其次，應用的快速落地。在選擇機器學習工具或者解決方案時，用戶看重的不只是功能的豐富性，還有應用的可實施性。目前，全球有數(shù)萬家企業(yè)選擇了AWS來運行機器學習工作負載。AWS擁有的機器學習用戶數(shù)量要高于其他任何運營商的至少兩倍。可以說，我們在各行各業(yè)都能看到AWS機器學習的身影，比如健康、醫(yī)療、在線教育等一些行業(yè)。

AWS的機器學習可以落地到各種特定應用場景。比如：在短視頻行業(yè)，通過大量機器學習以及推薦算法的使用，可以自動生成視頻內(nèi)容，并對內(nèi)容進行分類，用戶只要有瀏覽記錄，就能判斷他會喜歡其他哪些視頻。在金融行業(yè)，從風險欺詐偵測到智能投顧等很多方面，機器學習都有施展拳腳的空間。再比如：健康醫(yī)療行業(yè)，從藥物的發(fā)現(xiàn)，到基因的使用、到各種個性化的醫(yī)療診斷，包括精準醫(yī)療、在線醫(yī)療等等，機器學習都能發(fā)揮關鍵作用。

而從應用效果來看，很多用戶對AWS的機器學習給與了高度評價。以大型方程式賽車Formula One 為例，F(xiàn)ormula One公司在21個國家/地區(qū)舉辦過一系列賽車活動，在全球擁有超過5億粉絲，2017年創(chuàng)下18億美元的總收入。為了推動業(yè)務增長，F(xiàn)ormula One使用AWS服務來推動賽事模式的變革，通過數(shù)據(jù)跟蹤系統(tǒng)和數(shù)字廣播等新技術的使用，公司增強了粉絲和車隊的賽車體驗方式。

“AWS在速度、可擴展性、可靠性、全球覆蓋范圍、合作伙伴社區(qū)以及可用云服務的廣度和深度方面，均優(yōu)于其他所有云提供商。” Formula One創(chuàng)新和數(shù)字技術總監(jiān)Pete Samara說道。

具體而言，F(xiàn)ormula One的數(shù)據(jù)專家使用 Amazon SageMaker 培訓深度學習模型，用65年的歷史競賽數(shù)據(jù)來提取關鍵競賽成績統(tǒng)計數(shù)據(jù)，進行競賽預測，并讓粉絲深入了解車隊和車手采用的瞬間決策和戰(zhàn)略。另外，F(xiàn)ormula One的賽車運動部門在 AWS 上運行高性能計算工作負載，在制定新的賽車設計規(guī)則時，大幅度提高了空氣動力學團隊可以運行的模擬數(shù)量和質(zhì)量。

總之，機器學習帶來的諸多好處，顯而易見。可以預測，未來隨著疫情的退去，機器學習會加快落地進程，尤其在企業(yè)數(shù)字化轉(zhuǎn)型關鍵階段，如何從客戶體驗、運營、決策、創(chuàng)新等方面多管齊下，提高整體競爭力，是企業(yè)下一步提振經(jīng)濟的關鍵點。

新聞名稱：機器學習快速落地，AmazonSageMaker終于來了！
標題來源：http://chinadenli.net/article34/cgippe.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供定制開發(fā)、網(wǎng)站維護、ChatGPT、微信小程序、品牌網(wǎng)站制作、App開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)