來自瑞典的Dafgards是一家冷凍披薩制造商，保質保量的生產出符合標準的披薩是他們的首要目標，一旦尺寸不合格、配料不齊全或是奶酪含量不達標的披薩流入市場，消費者就會對食品廠家的品牌失去信任——因此產品檢測環節尤為關鍵。

傳統的人工檢測方法顯然效率低下，而且容易出現錯檢、漏檢現象，Dafgards希望能夠利用當下非常火熱的機器學習技術解決這一問題，然而在真正實際應用的時候，才發現機器學習方案的部署是一項非常復雜且昂貴的工作，需要很多專業人才，期間涉及大量試錯，僅靠自身難如登天。

許多和Dafgards類似的制造商都會遇到相同的問題——如何降低“門檻”，讓機器學習更易用并拓展到更加廣闊的使用者、應用場景和行業，是亞馬遜云服務(AWS)始終追求的目標。所以在近日舉行的亞馬遜re:Invent大會上，我們能夠看到AWS為了讓機器學習不再那么“可望而不可及”而做出的許多創新。

客戶的需求是唯一的“指南針”

在設計新方案或開發新工具的時候，客戶需求是AWS唯一的“指南針”。通過與客戶的深入交流，AWS發現制造業當前的挑戰主要集中在兩大方向。

第一，如何保證產品的質量？無論是忘了加奶酪的披薩，還是表面出現劃痕的手機，亦或是螺絲沒有擰緊的汽車……一個看起來毫不起眼的缺陷或瑕疵，輕則致使企業的商譽和財產遭受損失，重則甚至會導致傷亡事故的發生。用機器替代人眼進行產品質量檢測是大勢所趨，關鍵在于如何低成本、自動、快速且準確地對圖像和視頻進行視覺異常檢測。

Amazon Lookout for Vision為客戶提供了一種高精度、低成本的異常檢測解決方案，可以通過機器學習技術每小時處理數千張圖像以發現缺陷和異常，例如機器部件的裂紋、面板上的凹痕、不規則的形狀或產品上的顏色錯誤等等……

在說明這項服務的優勢時，AWS全球機器學習副總裁Swami Sivasubramanian(簡稱Swami)舉了個通俗易懂的例子：以Dafgards為例，如果沒有Amazon Lookout for Vision，這家冷凍披薩制造商需要雇傭數個計算機視覺方面的專業人員，然后開發、訓練并部署相應的模型，至少花費數月才能完成這項工作。如今，Dafgards只需將30個合格披薩餅產品的圖像輸入AWS提供的基礎模型，就能獲得一個可以快速、準確判斷披薩餅是否合格的機器學習模型。

類似的，AWS Panorama通過計算機視覺改善工業運營和工作場所安全。其中，AWS Panorama一體機是一個硬件設備，將它連接到工業場所的網絡中，它就可以自動識別攝像頭數據流，與工業攝像頭進行交互；AWS Panorama軟件開發套件（SDK），則能方便工業相機制造商在新相機中嵌入計算機視覺功能。

除了質量，制造業客戶最關心的第二個問題莫過于如何降低成本？在制造過程中，任何計劃外的停機都可能會給企業帶來高昂的成本代價。雖然設備的故障不可避免，但用預測性維護來代替傳統的被動維護/預防性維護顯然是一個不錯的主意。

然而，這需要企業雇傭熟練的技術人員和數據科學家從頭構建復雜的解決方案，同時需要針對用例識別和購買正確類型的傳感器，并將它們連接至IoT網關。然后，公司必須測試監測系統，并將數據傳輸到本地或云上進行處理。只有這樣，數據科學家才能構建機器學習模型來分析數據模式和異常情況，或者在檢測到異常時創建警報系統——這個過程對大多數企業來說都太過復雜了。

新的AWS機器學習服務則可提供眾多幫助：Amazon Monitron和Amazon Lookout for Equipment通過機器學習支持預測性維護。Amazon Monitron面向沒有建立傳感器網絡的客戶，提供由傳感器、網關和機器學習服務組成的端到端機器監控系統，檢測異常并預測何時需要維護工業設備；Amazon Lookout for Equipment面向已經擁有傳感器、但不希望自己構建機器學習模型的客戶，由AWS為其構建模型并返回預測結果，檢測異常設備行為。由此，制造企業可以輕量地擁有先進的預測性維護解決方案。

Amazon Monitron Starter Kit

AWS最新發布的五項用于工業領域的機器學習服務（Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一體機、AWS Panorama SDK和Amazon Lookout for Vision），也是AWS首次推出的開箱即用的工業領域機器學習解決方案。據悉，目前已經使用AWS工業領域機器學習服務的客戶和合作伙伴包括Axis、凌華科技、BP、德勤、Fender芬達、GE醫療和西門子交通等等。

為不同水平的客戶提供不同的工具

AWS在為客戶提供機器學習服務時，不僅會根據不同客戶的具體需求，還會考慮到它們自身的技術水平，并據此劃分了三層服務。

我們不妨用一個形象的比喻來說明這三個層級：如果一個人本身就是經驗豐富的大廚，那么我們只用為其提供廚具和原料，他就能原創一道驚艷的菜式；如果一個人只是稍微有點兒廚房經驗，那我們還得為其提供詳細的菜譜進行指導；如果一個人完全就是個廚房小白，那我們不如直接給其提供現成的“料理包”，讓他稍微加熱一下就能享用美味。

對應到AWS，就是要打造包羅萬象的工具箱，賦能每一位AI工作者。用AWS大中華區云服務產品管理總經理顧凡的話來說就是：right tool for the right job（為每一項工作都提供一個趁手的工具）。

在工具集的底層，面向那些技術能力超強并希望將人工智能和機器學習作為自己的核心競爭力的客戶。AWS為他們提供了強大的算力、全面的算力選擇以及豐富的機器學習框架選擇。具體而言，AWS支持主流的機器學習框架，客戶還可以通過容器部署的方式，自帶機器學習框架；AWS可以提供基于英偉達、英特爾、AMD、賽靈思等芯片廠商的最新處理器的強大算力，同時還通過自主設計的處理器，極大地降低機器學習的算力成本。

在工具集的中間層，面向那些技術能力較強的客戶，他們有大量的數據可以進行機器學習模型訓練，有一定的算法人才，不想花精力管理基礎設施，只想專注于自己的應用和業務創新。AWS的Amazon SageMaker為他們提供了首個全托管的機器學習集成開發環境，并為這個開發環境不斷增加新功能，從數據準備、到模型訓練、參數調優與模型迭代、到模型部署、模型質量監控，在整個過程中最大限度地提高他們開展機器學習的效率，降低他們開展機器學習的門檻。

2020年6月4日，中科創達率先宣布，已經將Amazon SageMaker集成到了自家ADC系統中，讓制造業客戶可以在工業生產中輕松獲得AI質檢能力。

最后，在工具集的頂層，面向技術能力相對薄弱的客戶，他們有一定的數據，但沒有算法人才，他們希望在業務場景中直接引入人工智能。AWS為他們提供開箱即用的人工智能服務，目前已經涵蓋機器視覺、語音文字轉換、機器對話、文本處理、電商業務、客服、企業內信息搜索、開發與運維、工業AI等方面。

機器學習就是AWS的下一個金礦

遙想2016年，AWS只在當年發布了三個機器學習服務；與之相比，最近三年，AWS每年新增的服務和功能超過200個——這一方面說明了相關技術正在從概念走向成熟，另一方面也說明了以制造業為代表的千行百業的客戶需求正在爆發。

Swami在亞馬遜re:Invent大會上發表機器學習和人工智能主題演講時表示：“機器學習是我們這一代人能遇到最具顛覆性的技術之一，目前已經有超過10萬客戶在使用AWS的機器學習服務，很多客戶已經將機器學習用于其核心業務。”

BP是一家全球性能源企業，為客戶提供運輸用燃料，熱能和光能，潤滑油以及用于制造油漆、服裝、包裝物等日常用品的石化產品。BP在全球擁有18,000個服務站和74,000多名員工。BP美國首席技術官Grant Matthews說：“我們位于bpx的工程團隊正與AWS緊密合作，以構建一個物聯網和云平臺，助力BP持續提高運營效率。作為這項工作的一部分，我們也在探索通過計算機視覺輔助提高安全性和工作人員安全。我們希望利用計算機視覺實現卡車自動化進出工廠，確認它們已完成正確的訂單。此外，我們還在監控人員距離、設置動態禁區和檢測石油泄漏等方面看到了通過計算機視覺輔助保護工人安全的可能性。AWS Panorama創新地實現了在單一硬件平臺上以直觀的用戶體驗提供所有這些解決方案。我們的團隊非常高興與AWS一起使用這項新技術，并期望解決許多新的用例。”

GE醫療是全球領先的醫療技術和數字解決方案的創新者，致力于開發、制造和分銷診斷成像劑、放射性藥物、CT和MRI機器等醫療診斷設備、以及由其Edison數字醫療智能平臺支持的智能設備。“今天，我們通過人工檢驗醫療設備的質量。為了提升我們的品牌并為醫療保健專業人員提供值得信任的一流產品，我們很高興能夠通過Amazon Lookout for Vision探索以編程方式提高GE醫療日本工廠產品缺陷檢測的速度、一致性和準確性的可能性，短期內還可能應用于全球其他區域的工廠中。”GE醫療日本工廠經理、產線運營官和總經理Kozaburo Fujimoto說。

從這些落地的事例可以看出——毫無疑問，機器學習就是AWS的下一個金礦。
編輯：hfy