新闻

AWS re:Invent直击,看亚马逊如何释放AI潜能

2021-01-13e-works王聪

329阅
12月9日AWS全球机器学习副总裁Swami Sivasubramanian 专门针对机器学习和人工智能应用进行了主题演讲。

    如果前几年业内还在验证人工智能的价值与可行性,现如今人工智能已经成为切实改变世界的革新技术。回顾2020年,人工智能的技术和应用又进入了一个新阶段。这一方面得益于上游技术的发展,另一方面得益于下游需求的倒逼。这其中,AWS(亚马逊)无疑是其中重要的践行者、使能者与推动者。

    根据2020年3月Gartner发布的首份云 AI 开发者服务(Cloud AI Developer)魔力象限报告显示:AWS处于领导者象限,成为机器学习两大框架在云上开发的主流选择。目前,在云上运行的92%的基于Tensorflow框架的机器学习工作负载以及云上运行的91%的基于PyTorch框架的工作负载都跑在AWS云上。

    作为今年re:Invent大会的重要一环。12月9日AWS全球机器学习副总裁Swami Sivasubramanian 专门针对机器学习和人工智能应用进行了主题演讲。在随后召开的线下媒体沟通会上,AWS大中华区云服务产品管理总经理顾凡和AWS大中华区机器学习产品总监代闻对演讲内容进行了解读,诠释了AWS如何通过在云上提供机器学习服务,释放人工智能潜能,加速打造基于机器学习的人工智能生态圈。

AWS何以成为10万客户的共同选择

    目前,人工智能正在与各行各业快速融合,助力传统行业转型升级、提质增效,在全球范围内引发全新的产业浪潮。在德勤发布的《全球人工智能发展白皮书》指出,在人工智能众多的分支领域中,机器学习是人工智能的核心研究领域之一。包括89%的人工智能专利申请和40%人工智能范围内的相关专利均为机器学习范畴。AWS在2016年开始发力,在云上提供机器学习服务。当年只发布了三个服务,2017年开始加速,最近三年,每年新增的服务和功能超过200个。目前AWS已经累计推出776+的机器学习服务和功能,拥有超过10万客户在使用AWS的机器学习服务,很多客户已经将机器学习用于其核心业务。

  无 

AWS每年服务和功能快速新增或

    对此,顾凡将机器学习作为一种使能手段,无论是何种行业、何种应用场景、何种应用模式,都由客户决定,AWS只坚持以下三点:

    第一,量体裁衣,为客户提供与服务精准匹配的宽度和深度。AWS针对机器学习中的一个规则就是:Right tools for the right job(合适的工具做合适的事儿,一把钥匙开一把锁),旨在为客户提供需求场景下最为合适的工具,这种专业性也是AWS最大的优势。

    第二,生态开放,保持与客户整个环境的无缝集成。本次re:Invent从AWS发布了许工具都能与上下游环境做到很好的集成。

    第三,在助力客户机器学习应用时,AWS保持两个原则:授人以鱼不如授人以渔和扶上马再送一程。一方面,AWS希望能够帮到客户把能力建立起来,为客户提供工具并教会使用工具。另一方面,在具体场景和工程方面有差距时,例如在产品原型实现、客户需要帮忙的时候,AWS会帮他快速的把一些业务难题,先用产品原型的方式把它实现出来。

 无

AWS机器学习产品线

推动机器学习的四个方向

    云计算的发展,为机器学习提供了蓬勃发展的土壤。亚马逊副总裁兼CTO Werner Vogels 博士在“2021将改变世界的八大技术趋势”的预测中提到,机器学习在2020年已经成为主流,未来三年内世界产生的数据比过去30年还要多,而与机器学习模型相结合,使用数据摄取和聚合工具,成为各行各业处理信息的唯一实际方法。认准了机器学习的方向之后,AWS已经对机器学习的未来做出了趋势性判断,在机器学习上所提供的服务越来越深入,顾凡介绍现在主要深耕在以下四个方面。

    1.夯实机器学习的坚实基础

    顾凡表示机器学习的基础分为学习框架和基础设施两部分。在用户计算、算力的创新和迭代过程中,AWS始终把选择权交给客户。例如针对机器学习框架TensorFlow和PyTorch。TensorFlow自2015年从谷歌推出以来,一直是研究和商业领域最受欢迎的开源深度学习框架。但在2016年,从Facebook上脱颖而出的PyTorch,由于社区推动的易用性和部署方面的改进,可适用于广泛的用例,很快就赶上TensorFlow。因此无论是Tensorflow还是PyTorch,AWS都能够给予支持,去帮助用户根据所需的场景制定机器学习的应用路线图。
在基础设施硬件层面,AWS提供了包括CPU、GPU覆盖NVIDIA、Intel等等,为客户应用量体裁衣,选择最为合适的硬件基础并做到极致。值得一提的是,AWS本身在Amazon SageMakerr里面集成了分布式训练Distributed Training,这样的功能可以让我们在分布式的训练方面速度提升40%,甚至更多。

    2. 创造机器学习的成功捷径

    从AWS的发展我们可以看到SageMaker是当增长最快的一个服务。谈到今年针对SageMaker的创新,顾凡表示其一是通过Data Wrangler利用如何帮助用户快速地从原始数据转化成这个模型里面的一些核心特征。目前用户的原始数据可能面临着不同的数据源、不同的格式,Data Wrangler预制了超过300个数据转换的模版和功能,能够帮助用户快速、可视化的原始数据转化出来的特征。

    其二,SageMaker推出了一个新的功能叫Feature Store,一个集中的、专门为特征存储开发的特征数据存储的工具,这个工具一方面可以解决特征的一致性问题,在训练和预测方面两边用的都是同一套特征。第二,能解决训练和预测针对这个特征数据存储不一样的需求,但是我用一套工具来给你完成,既能满足你的延迟,也能够满足针对训练方面大批量的去加载更多的特征数据。

    3.让机器学习更容易上手

    在顾凡看来,从更广泛的机器学习的开发者,到数据库、数据分析,甚至是一些业务人员, AWS将帮助这些人通过机器学习技术将想法落地。因此,AWS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,帮助他们将机器学习的想法落地到业务应用中。Amazon Aurora是AWS著名的关系型数据库服务,AWS针对Aurora推出了新功能Amazon Aurora ML。数据库开发者发起数据库查询(SQL)时,只要选择一个机器学习模型,就会唤醒机器学习服务,Aurora ML自动将查询结果交给机器学习模型进行推理,返回结果。

    4.从端到端解决客户实际问题

    合适的工作要用合适的工具,同时找到有针对性的定制化的工具,这里就涉及到一个趋势:机器学习的服务也在往行业的场景会去做更多的定制化。面对国内的智能制造热潮,AWS发布了五项用于工业领域的机器学习服务,分别是Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一体机、AWS Panorama SDK和Amazon Lookout for Vision。这是AWS首次推出开箱即用的工业领域机器学习解决方案。这其中,Amazon Monitron和Amazon Lookout for Equipment通过机器学习支持预测性维护。Amazon Monitron面向没有建立传感器网络的客户,提供由传感器、网关和机器学习服务组成的端到端机器监控系统,检测异常并预测何时需要维护工业设备。Amazon Lookout for Equipment面向已经拥有传感器、但不希望自己构建机器学习模型的客户,由AWS为其构建模型并返回预测结果,检测异常设备行为。

    最后,谈及对于中国人工智能产业的发展,以及机器学习的应用前景,顾凡表示从大趋势上来说,中国一点都不慢,甚至在某些方面是有机会领先的。之所以这么说,是因为中国非常重要的一个特点是有数据,中国是制造业大国,在整个智能制造迭代过程中,数据并不是别的地区能够比拟的。另一方面,智能制造催生大量场景,拿国内渗透率已然很高的移动支付来说,在国外不常见到。综合来看,数据、场景具备后,倒逼市场去升级,技术更大程度地落地和解决实际问题。再加上政策的大力支持,都使得整个机器学习乃至AI生态系统里面的参考者拥有非常广阔的市场机会。

责任编辑:王聪
读者评论 (0)
请您登录/注册后再评论