机器学习、 学习、迁移学习、TensorFlow、PyTorch……一个个神乎其神的专业词汇，让AI似乎有点“高处不胜寒”，跟各种企业总有种“距离感”。因此，消除“距离感”，让AI普惠化，真正进入千行百业之中，就成为近年来各大厂商实现AI平民化的核心目标。
所谓普惠AI，其本质核心就是从“用上”到“用好”的过程，即如何让更多不同类型的人员在更多业务场景中更好地使用AI。这是一个极为艰难的历程，需要通过产品层面的不断完善，来充分考虑不同类型人员使用AI的习惯，以降低其在业务场景中使用AI的难度，然后不断循环迭代，实现AI在各种业务场景中的深入应用。
在众多厂商中，云计算巨头亚马逊云服务（AWS）是推动AI走向普惠化的重要代表。从2016年开始在机器学习领域发布三个服务开始，逐年增加每年新增的服务和功能；最近三年，每年都新增超过200个服务；迄今为止有超过10万用户在AWS上使用机器学习服务，极大推动了机器学习技术在千行百业中的落地。
今年AWS re:Invent大会上，跟机器学习相关的产品发布依然是大会的重头戏，随着AWS一系列跟机器学习相关新产品和新服务，笔者愈发感受到AWS加速扫除机器学习应用的几个拦路虎，在普惠AI这件事情上走在了业界最前沿。
AI百宝箱：为用户更多选择
在数字化时代，人工智能是用户智能化升级的重要技术手段。但人工智能并不是一个孤立存在技术，涉及到从底层芯片、机器学习框架、AI服务等一系列环节。要想真正让用户把AI用好，这要求AI产品和服务在产品的 与广度上为用户提供足够多的选择权。
“为AI每一项工作都提供一个趁手的工具，并给予用户更多选择权，这是AWS在机器学习的宗旨。”AWS大中华区云服务产品管理总经理顾凡如是说。所以，我们看到今年AWS又推出了超过250项新服务或新功能，进一步丰富了AI工具箱。
具体来看，在底层AI芯片和机器学习框架方面，AWS可以提供基于英伟达、英特尔、AMD、赛灵思等芯片厂商的最新处理器的强大算力，并通过自主设计的处理器，极大地降低机器学习的算力成本。顾凡直言：“不同机器学习应用对于算力的颗粒度和需求是不一样的。在计算领域重塑的创新点就是量体裁衣，将细分需求坐待极致。”据悉，AWS此次推出了两款训练新产品：基于intel Habana Gaudi、AWS Trainium，其中Trainium专门针对训练提供极致性价比。
在中间层的SegaMaker全托管机器学习集成开发环境上，AWS此次一口气推出了九款重量级的新功能，包括更易用的数据预处理、专用的特征存储、自动化工作流、更多的训练数据可见性以减少数据倾斜和更好的预测解释、大型模型的分布式训练速度可最多提升两倍，以及监控边缘设备上的模型。
比如，机器学习的数据准备是一个极为耗时、复杂过程。因为机器学习用于训练的数据特征通常都是多源异构的，很多数据科学家往往耗费大量精力在数据提取和规范上。这种基础工作耗时、耗力，的确是当前很多用户在使用AI过程中的典型挑战。
为此，AWS推出了为机器学习将将数据转化为特征的工作称为特征工程的快速简便工具--Amazon SageMaker Data Wrangler。通过 Amazon SageMaker Data Wrangler，客户可以从各种数据存储中快速数据，并一键导入，成为模型的特征数据。据悉，Amazon SageMaker Data Wrangler支持与其他产品进行广泛对接，包括一键直接对接Amazon Athena、Amazon Readshift、Amazon S3、AWS CloudFormation ，Snowflake、MongoDB、Databricks等。
“Data Wrangler解决了从原始数据到特征数据转换的易用性问题。但特征数据大量出现之后，其存储和管理也会遇到挑战，这也是当前很多用户向我们反馈的一点。”顾凡介绍道。
之前，很多开发人员和数据科学家试图使用电子表格、笔记和电子邮件来解决这个问题。他们甚至要尝试开发一个应用程序来跟踪管理特征，工作量大且容易出错。为解决特征数据的存储与管理，AWS推出了Amazon SageMaker Feature Store，提供了一个专门构建的特征库，供开发人员访问和共享特征，使开发人员和数据科学家团队可以轻松地存储、更新、检索和共享用于训练和推理的机器学习特征。
毫无疑问，随着Amazon SageMaker功能越来越全面，其正在解决的是从数据准备、到模型训练、参数调优与模型迭代、到模型部署、模型质量监控等整个机器学习过程中的产品易用性和提升机器学习效率，从而真正实现降低AI门槛的目的。
在面向技术能力相对薄弱的用户群，AWS为他们提供开箱即用的人工智能服务，目前已经涵盖机器视觉、语音文字转换、机器对话、文本处理、电商业务、客服、企业内信息搜索、开发与运维、工业AI等方面。
“Amazon Sagemaker成为AWS史上增长最快的服务之一。现在，AWS希望将机器学习每一个工作流越做越细。”顾凡总结道。
让更多人用上和用好AI
众所周知，数据科学家或者AI技术人员属于极少一部分人群，这部分人群的专业度和技术能力不可比拟。企业中大部分人员都不具备相关的知识和技能，但这部分人又渴望在自身的业务场景中能够用到机器学习等跟技术。
进入到智能化时代，AI并不应该是数据科学家或者AI技术人员的专属。从让AI更加普惠的角度来看，企业有更多人员使用和用好AI，那无疑会极大提升AI应用效率，并且会加速AI场景的落地。
为此，AWS做了一项重要的创新，就是将机器学习能力跟数据库进行嫁接，让数据库开发者、数据分析师沿用数据库查询的方式，让他们的机器学习想法落地到业务应用中。此次re:Invent大会上，AWS一口气介绍了Amazon Aurora ML、Amazon Athena ML、Amazon Redshif ML、Amazon Neptune ML以及Amazon QuickSight 等多项功能，给数据库、数据仓库、图数据库、BI等服务都集成了机器学习功能，让数据库开发者和数据分析师可以将机器学习用起来。
“举一个例子，电商领域经常会哪些客户有可能流失，这时你可能并没有一个模型来判断什么样特征的客户有可能会流失。通过Redshift ML，数据分析师只管SQL查询，Redshift ML可以把数据导入S3，然后SageMaker的Autopilot功能结合。Autopilot是一个自动建模的功能。这样的Redshift ML可以自动进行数据清洗、模型训练，选择最优的模型进行预测。”顾凡补充道。
毫无疑问，AWS此举将极大提升人工智能的使用人群，让更多人更加简单地把AI用起来。
目前，AWS是将机器学习能力与自身的数据库产品进行嫁接与集成，未来是否会扩展到AWS其他数据库品牌服务商。对此，顾凡表示：“Amazon Data Wrangler就是用户喜欢类型，可以对接不同品牌的数据源产品。AWS的原则是客户至尚，未来一定会朝着这个方向迭代。”
将AI深入行业进行到底
曾几何时，AI常被人揶揄为：有技术、没场景，一堆高薪的AI人才却不知如何发挥。这其实从侧面反映出人工智能在行业业务场景中所遇到的挑战，即如何将场景与AI进行更好地融合。机器学习等技术最早在互联网的各个业务场景中得到落地与重用，但在其他行业之中依然任重道远。所以，场景化一直都是近年来各行各业用户采用AI的主旋律话题。
那么，如何真正的将AI融入到行业的业务场景之中？这其中绝对不仅仅是几个数据科学家、几套算法就能够搞定的。很多行业用户往往需要是开箱即用的解决方案，在一套解决方案中融入了包括硬件、算法、软件等一系列产品，并且还需要具备企业级的特征，保障各种产品可以持续高效稳定运行。
因此，普惠AI的另一大重要的任务就是在行业场景中提供开箱即用的产品与解决方案。比如，AWS发布了Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama Appliance、AWS Panorama SDK和Amazon Lookout for Vision。这五项全新的机器学习服务共同帮助工业和制造业客户在其生产过程中嵌入智能能力，以提高运营效率，改善质量控制、信息安全和工作场所安全。
Amazon Monitron提供包含传感器、网关和机器学习服务的端到端机器监控解决方案，以检测可能需要维护的异常设备状况。
Amazon Lookout for Equipment为拥有设备传感器的客户提供了使用AWS机器学习模型来检测异常设备行为并进行预测性维护的能力。
AWS Panorama Appliance帮助已在工业设施中装配摄像机的客户使用计算机视觉来改善质量控制和工作场所安全。
AWS Panorama软件开发套件（SDK）使得工业相机制造商可以在新相机中嵌入计算机视觉功能。
Amazon Lookout for Vision在图像和视频流上使用AWS训练的计算机视觉模型，以发现产品或生产流程中的异常和缺陷。
“针对具体行业的业务问题，例如，在具体行业之中到底要解决什么问题，在什么情况下使用什么工具？AWS的思路是提供端到端的解决方案，非常有针对性的定制相关的服务于产品。”顾凡表示。
结语
顾凡认为：“AI并不应该仅仅是大型公司所拥有。”
诚然AI虽好，但手头没有趁手工具是万万不行的。为机器学习每一个工作流、每一个环节打造最合适、最易用的功能与产品，是当下AWS在机器学习领域的目标，也的确是当下所有用户所亟需的。面向未来，随着AWS在机器学习领域产品与服务的不断完善，有望帮助更多行业用户加速AI落地与应用的步伐。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
