近年來，在多種因素的推動下，機器學習 (ML) 經歷了快速轉型和采用。

關于人工智能（AI）和 ML 為什么會不斷發展，有很多觀點。麥肯錫最近的一份報告將 ML 的工業化和應用 AI 確定為今年的主要趨勢之一。在本周 AWS re:Invent 大會的一次會議上，亞馬遜（AWS）人工智能和機器學習副總裁兼總經理 Bratin ?概述了這家云巨頭看到的六大關鍵趨勢，這些趨勢有助于推動 2022 年及以后的創新和采用。

AWS 聲稱其 AI/ML 服務擁有超過 100,000 名客戶。這些服務分布在三個層級：ML 基礎設施服務，使組織能夠構建自己的模型；SageMaker，提供構建應用程序的工具；以及針對特定用例的專用服務，例如轉錄。

「機器學習已經從一項小眾活動轉變為公司開展業務不可或缺的一部分，」Saha 在會議期間說。

趨勢一：模型復雜性不斷提高

Saha 說，近年來 ML 模型的復雜性呈指數級增長。他對「指數」一詞的使用也不夸張。

衡量機器學習模型復雜程度的一種方法是計算其中的參數數量。Saha 解釋說，參數可以被認為是嵌入在 ML 模型中的值變量。Saha 說，2019 年，當時最先進的 ML 模型大約有 3 億個參數。快進到 2022 年，最好的模型現在已經超過 5000 億。

「換句話說，在短短三年內，機器學習模型的復雜程度增加了 1600 倍，」Saha 說。

這些龐大的模型現在通常被稱為基礎模型。使用基礎模型方法，可以使用海量數據集對 ML 模型進行一次訓練，然后針對各種不同的任務進行重復使用和調整。因此，企業可以通過更易于采用的方法從日益復雜的過程中受益。

「[基礎模型] 將機器學習的成本和工作量降低了一個數量級，」Saha 說。

趨勢二：數據增長

越來越多的數據和不同類型的數據被用于訓練 ML 模型。這是 Saha 確定的第二個關鍵趨勢。

組織現在正在構建經過結構化數據源（如文本）以及非結構化數據類型（包括音頻和視頻）訓練的模型。能夠將不同的數據類型放入 ML 模型中，這導致 AWS 開發了多種服務來幫助訓練模型。

Saha 強調的一種此類工具是 SageMaker Data Wrangler，它可以幫助用戶使用一種使其適用于 ML 訓練的方法來處理非結構化數據。本周在 re:Invent 大會上，AWS 還在 SageMaker 中添加了對地理空間數據的新支持。

趨勢三：機器學習產業化

AWS 也看到了 ML 產業化的趨勢。這意味著 ML 工具和基礎架構更加標準化，使組織能夠更輕松地構建應用程序。

Saha 表示，ML 工業化很重要，因為它可以幫助組織實現開發自動化并使其更加可靠。隨著組織構建和部署更多模型，工業通用方法對于擴展至關重要。

「即使在亞馬遜內部，我們也在使用 SageMaker 進行工業化和機器學習開發，」Saha 說。「例如，最復雜的 Alexa 語音模型現在正在 SageMaker 上進行訓練。」

趨勢四：針對特定用例的 ML 支持的應用程序

由于針對特定用例的專用應用程序，ML 也在增長。

Saha 表示，AWS 客戶已要求供應商自動化常見的 ML 用例。例如，AWS（和其他供應商）現在提供語音轉錄、翻譯、文本轉語音和異常檢測等服務。這些為組織提供了一種更簡單的方法來使用 ML 支持的服務。

例如，實時音頻通話中的情緒分析是一個新的復雜用例，AWS 現在通過其 Amazon Transcribe 服務的實時通話分析功能支持該用例。Saha 表示，該功能使用語音識別模型來了解客戶情緒。

趨勢五：負責任的人工智能

負責任的人工智能也有增長的趨勢和需求。

「隨著人工智能和機器學習的發展，人們意識到我們必須負責任地使用它，」Saha 說。

從 AWS 的角度來看，負責任的人工智能需要具備幾個關鍵屬性。系統需要公平，無論種族、宗教、性別和其他用戶屬性如何，對所有用戶平等運作。ML 系統還需要可解釋，以便組織了解模型的運作方式。還需要治理機制，以確保負責任的人工智能得到實踐。

趨勢六：機器學習民主化

推動 ML 向前發展的最后一個關鍵趨勢是使技術民主化，使更多人可以獲得工具和技能。

「客戶告訴我們，他們……通常很難招聘到他們需要的所有數據科學人才，」Saha 說。

在 Saha 看來，民主化挑戰的答案在于繼續開發低代碼和用例驅動的工具，以及教育。

「AWS 還在投資培訓下一批機器學習開發人員，」Saha 說。「AWS 承諾，到 2025 年，我們將通過免費的云計算技能培訓幫助超過 2900 萬人提高他們的技術技能。」

編輯：黃飛

?