在2019年的re：Invent大會上，當亞馬遜AWS首席執行官Andy Jassy進行主旨演講時，他意識到有關機器學習的內容簡直太多了，僅僅這一部分就花了差不多75分鐘。

時間寶貴，但內容更加重要，這促使AWS在一年后做出調整，在長達三周的re：Invent 2020上，機器學習單獨拿出來成為內容擔當。AWS機器學習副總裁Swami Sivasupamanian親自登臺講解，美國IT媒體 SiliconANGLE評價，AWS發布的信息和一系列發布，“加強了其在機器學習領域的莊重承諾。”

機器學習不再“空中樓閣”

用Swami Sivasupamanian本人的話來評價機器學習，它就是“我們這一代人將遇到的最具破壞性的技術之一。”這句話，在整個2020年都已經被證實。

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。達美樂披薩使用機器學習進行訂單管理，在客戶下單僅10分鐘左右之后，就能夠提供新鮮的披薩。

而在醫療領域，機器學習運用的一個典型的應用場景是，醫生用其來幫助判別病患腦部供血的狀況或是癌癥發展的狀況，這種行話被稱為“讀片”的操作，正極大地改善和輔助醫院的工作流程。

按照AWS公布的數據，接入并使用AWS機器學習服務的客戶已經超過10萬家，其中包括起亞、雅馬哈、美國宇航局、普華永道等，不同行業不同機構的用戶，正在把自己的數據交給機器學習來分析。

“機器學習就是工具，越來越多的行業用戶開始使用工具，去更多地幫到他們的業務。” 在面向媒體和分析師的溝通會上，AWS大中華區云服務產品管理總經理顧凡如此解釋，機器學習迅速滲透，是因為企業發現新工具有用且好用。

具體到AWS層面，不斷夯實技術，簡化機器學習難度就是一直以來的主題，其中必須遵循的理念是：將機器學習交到更多應用程序開發者和終端用戶手中，而他們無需機器學習經驗；讓更多開發者應用機器學習，創造更好的終端用戶體驗。

技術領先，產品以用戶為本，使用者自然紛至沓來。AWS公布的數據顯示，目前92%的基于Tensorflow框架的機器學習工作負載，91%的基于PyTorch框架的工作負載都跑在AWS云上。在一系列云服務商中，AWS體現了絕對優勢。

總結AWS在機器學習上一直以來的努力，顧凡認為，工具庫上的深度和廣度、開放心態以及一些必要的服務原則，是AWS被越來越多開發者和客戶信任的原因。

首先，機器學習是一個“Right tools for the right job”的事情，顧凡稱 “你希望運行什么樣的工作，在什么樣的場景下，應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在機器學習服務上深度和寬度，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境做到良好的集成。不僅是機器學習框架和接口標準，在AI芯片選型、計算實例上，也可以讓用戶根據應用的不同場景，自由選擇。簡單來說，讓開發者自行選擇最具成本效益的云基礎架構。

不過，機器學習的一個關鍵是“Know-How”（專業知識），同時要實現解決方案的產品化。但這并不容易，因為人才奇缺，有時候，懂技術的人往往不懂業務，懂業務的人往往不懂技術。對此，AWS有必要向客戶“授人以漁”，為客戶賦能。

“當客戶真正在工程方面有差距的時候，在產品原型實現方面需要幫忙的時候，我們會把客戶扶上馬再送一程，真正幫他/她快速地把一些業務難題，先用產品原型的方式把它實現出來。”顧凡說。

最終，在用戶不斷的機器學習實踐中，復雜的“數據分析”及“AI計算”需求將持續爆發，專業的云計算服務商和數字化技術服務商價值將被快速釋放。

自下而上

AWS在這次re：Invent陸續發布了基于英特爾Habana AI加速芯片的實例、Amazon Kendra企業搜索、Amazon CodeGuru自動代碼審核、Amazon Fraud Detector自動欺詐檢測等功能和服務，也借此更進一步打牢基礎設施，拓展企業商用市場，從云端到邊緣，實現對企業日常任務的重塑和改進。

長期觀察AI技術的IT專家們不難發現，在洞悉機器學習的核心驅動力后，這些功能發布背后的邏輯就已經自然顯現了。它是自下而上的。

首先是基礎設施。

一個現象是，云計算廠商們在技術研發上的投入已經不局限于基本的云技術本身，還投向了芯片、開發框架、邊緣計算、數據庫核心軟件等等。對于任何全棧云計算廠商而言，這些投入已經不可或缺。但從機器學習的角度來看，用AWS的話來總結，它們是打牢平臺能力的堅實基矗

例如，AWS在這次re：Invent上推出機器學習訓練芯片AWS Trainium，與標準的GPU實例相比，可帶來30%的數據吞吐量提升，并降低45%的單次引用成本。此外，AWS Trainium和AWS的機器學習推理芯片AWS Inferentia在SDK上保持一致。

值得一提的是，當Habana芯片進入AWS云服務的時候，被英特爾視為一次在云計算市場上對英偉達的重要勝利。實際上，真正的勝利者屬于AWS的用戶們，根據AWS測試顯示，Habana對機器學習任務這類云服務的性價比，能比目前基于GPU的云服務高40%。

無論英偉達GPU或英特爾Habana芯片，還是AWS自研機器學習芯片，在AWS上都永遠是可選項。一方面，客戶選擇無比豐富，遠遠超過AWS的所有競爭對手。另一方面，當AWS選擇追求極致時，大幅降低機器學習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（機器學習）性價比做到極致，這也是我們一再強調AWS Trainium和AWS Inferentia兩款芯片的原因，一個是機器學習訓練里面的性價比的極致，一個是推理里面的性價比極致。” 顧凡說，AWS手握市面上絕大多數芯片，可任企業自由選擇。“但回到合作伙伴的關系上，無論是英特爾還是英偉達，一定有不一樣的場景對客戶選擇是合適的，其中我們不會干預客戶的選擇。”

對于大多數機器學習用戶來說，AWS的 Amazon SageMaker是目前機器學習配置效率和性價比最高的選擇。

Amazon SageMaker是面向機器學習開發者的集成開發環境和完全托管服務。它依托多項工具，化繁為簡，使開發人員和數據科學家能夠從根本上更輕松、更快速地構建、訓練和部署機器學習模型，并降低成本。自2017年發布了SageMaker以來，SageMaker在機器學習開發者之間極受歡迎，成為AWS手中的機器學習大殺器。

反饋到業務上，一些客戶發現，SageMaker“指導”下機器學習帶來的業務增長，就有點像是魔法了。

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

而美國職業橄欖球大聯盟 （NFL） 則是體育運動中使用機器學習技術的先鋒，一方面，體育賽場天然是數據產生的高發地，選手和教練需要數據來指導賽場決策，這是賽事需要；另一方面，將掌握的數據運用到實況轉播中，提升觀賽的沉浸感，這是商業需求。為此，NFL創建了名為Next Gen Stats （NGS） 的程序來采集數據。

關鍵在于，如何運用這些寶貴的數據？美式橄欖球數據公司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運動員。”但效率之低下顯而易見。

最終NFL選擇與AWS合作，因為機器學習進入體育，意味著“思維方式的變化”，在效率和成本上均更優。借助SageMaker，可以更快速有效地給出數據分析結果。一個例子是，當NFL構建、訓練和運行這些預測模型時，時間從 12 小時縮短到 30 分鐘。

甚至比賽觀賞性也提高到一種從未達到過的程度。借助Amazon QuickSight商業智能工具，NFL 能夠在內部獲得更深入的見解，同時還為球迷提供了與數據互動的機會。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歷史上發展最快的一個云服務。”他提到，在過去一年中AWS已經發布了超過50個SageMaker功能，目的就是讓客戶使用機器學習的過程更為容易。

回顧AWS在本次大會上SageMaker的功能發布，無論是數據特征提取器Data Wrangler，數據特征存儲庫Feature Store，還是自動化工作流Pipelines，都和Swami Sivasupamanian提出的降低機器學習難度的宗旨毫無偏離，甚至多數時候，還會讓客戶感到驚喜。

比如Data Wrangler，其內置了300多個數據轉換器，讓客戶無需編寫任何代碼，就可以將機器學習用到的特征進行規范化、轉換和組合，被稱為“準備機器學習數據的最快、最簡單的方法”。Pipelines是第一個專為機器學習構建的、方便易用的持續集成和持續交付服務。另外，大型復雜深度學習模型的分布式訓練，可以將訓練速度提升兩倍。

不難發現，在AWS的努力下，SageMaker正在朝兩個方向的迭代：一方面，機器學習每一個步驟做得越來越細、做得越來越易用；然后，將復雜機器學習的工作流給串聯起來。比如，Data Wrangler的數據準備工作流程就可以與 Amazon SageMaker Pipelines 無縫集成，以便用戶自動執行模型部署和管理。

這種串聯和無縫集成一定程度上令人著迷，也為開發者打開了“新世界”。“實際上機器學習的工作流是可以被組織的，因為機器學習的流程中，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境下是可以并行的，但是它都可以被組織、被編排的。”顧凡說。

豐富且友好的機器學習工具在一定程度上加強了AWS上的用戶粘性。相比于其他平臺，AWS的機器學習工具鏈更加完善可靠，這意味著當用戶考慮使用機器學習時，AWS總會在各種云服務可選項中脫穎而出。
責任編輯：YYX