【TechWeb】5月18日消息，基於深度學習演算法的突破性發展，近幾年機器學習推動的AI能力在企業實際生產、服務中的應用已經越來越廣泛，一些基於機器學習平台構建的內容推薦系統、基於語音語義智能理解的在線教學系統等，甚至還催生出許多新的商業業態。
但整體而言，除了少數具有專家人才和數據科學家的企業外，大部分公司仍然很難應用AI相關技術和能力。
因此，如何降低機器學習使用門檻，賦能更多企業快速、便捷、有效獲得AI能力加持，已經成為包括AWS在內的很多平台型技術巨頭企業競技的新領域。
Amazon SageMaker上線中國區
從Gartner在2020年2月發佈的《 雲上AI開發者服務魔力象限》來看，目前，AWS憑藉技術執行力和對技術未來發展願景的完整規劃排名在領導者象限最高位置。
在Gartner看來，支撐AWS如此高地位的正是2017年AWS推出的Amazon SageMaker這項服務。
據介紹，Amazon SageMaker 是一項完全託管的服務，可以幫助開發者和數據科學家快速地規模化構建、訓練和部署機器學習 (ML) 模型。
今年4月30日，Amazon SageMaker在由西雲數據運營的AWS中國 (寧夏) 區域和光環新網運營的AWS中國（北京）區域正式上線，AWS機器學習能力離中國企業和開發者更近了。
AWS首席雲計算企業戰略顧問張俠表示，Amazon SageMaker旨在消除企業使用人工智慧的門檻，把機器學習能力輸送給每一家企業和機構。
截至目前，全球已有數以萬計的客戶利用Amazon SageMaker加快機器學習部署， Autodesk、Change Healthcare、拜耳、英國航空、蓋洛普、洛杉磯快船隊、松下航空電子(Panasonic Avionics)、環球郵報和T-Mobile等等。中國客戶如虎牙、大宇無限、嘉誼互娛、華來科技等也已選擇Amazon SageMaker大規模地構建、訓練和部署機器學習模型。
Amazon SageMaker如何賦能上萬企業
Amazon SageMaker究竟是一個怎樣的設計、怎樣的運行模式，能夠在2年多時間內為上萬家企業提供適用的AI能力的呢？
近日，AWS首席雲計算企業戰略顧問張俠在接受媒體採訪時對AWS機器學習能力進行了系統介紹。
張俠認為，制約人工智慧廣泛應用的因素有三個：一是掌握人工智慧專業知識的人才不足；二是構建和擴展人工智慧的技術產品有難度；三是在生產經營中部署人工智慧應用費時且成本高，最終導致缺乏低成本、易使用、可擴展的人工智慧產品和服務。Amazon SageMaker的出現，正是為了幫助企業解決這些挑戰。
張俠介紹，整個亞馬遜提供「全站的機器學習服務」。AWS機器學習服務做了三層結構設計，越往下基礎功能越強大，對使用的人可能要求越高；越往上是更專門化的服務。
在AWS機器學習服務的三層結構設計中，Amazon SageMaker處在承上啟下的中間核心服務層。
張俠表示：「中層機器學習（ML）服務對一些相對來說有技術背景的比較專業的人員，可以利用這個工具真正為企業找到人工智慧、機器學習所帶來的一些創新點、突破點，推出新產品、新服務的點，使其能夠全方位把握這些機器學習的工具、手段、方法，為自己所用。」
整體而言，Amazon SageMaker是一個工具集，提供了用於機器學習的所有組件，貫穿整個機器學習的工作流程，從而以更少的努力、更低的成本、更快地將機器學習模型投入生產。
Amazon SageMaker內置了豐富的演算法，提供強大的功能，如彈性筆記本、實驗管理、自動模型創建、調試與分析，以及模型概念漂移檢測，等等。這些功能封裝在首個面向機器學習的集成開發環境Amazon SageMaker Studio中。
例如，Amazon SageMaker Studio將所有用於機器學習的組件集中在一個地方。跟使用集成開發環境（IDE）做軟體開發一樣，開發者現在可以在Amazon SageMaker Studio中查看和組織源代碼、依賴項、文檔和其它應用程序資產，例如用於移動應用程序的圖像。當前，機器學習工作流有大量組件，其中許多組件都帶有自己的一組各自獨立的工具。Amazon SageMaker Studio IDE為所有Amazon SageMaker功能和整個機器學習工作流提供了一個統一界面。Amazon SageMaker Studio為開發者提供了創建項目文件夾、組織Notebook和數據集，以及協作討論Notebook和結果的功能，使構建、訓練、解釋、檢查、監視、調試和運行機器學習模型變得更簡單、更快。
另外，比如自動構建模型的功能Amazon SageMaker Autopilot，它是業內首個可以讓開發者對其模型保持控制和可見性的自動化機器學習功能。Amazon SageMaker Autopilot會自動檢查原始數據，應用特徵處理器，挑選最佳演算法集，訓練多個模型，對它們進行調優，跟蹤其性能，然後根據性能對模型進行排名。點擊幾下滑鼠，用戶可以得到易於部署的、性能最佳的模型推薦，而這隻需很少一點時間和精力用於訓練。並且，用戶可以清楚地看到模型是如何創建的，以及模型中包含什麼內容。
缺乏機器學習經驗的人可以使用Amazon SageMaker Autopilot輕鬆地生成僅基於數據的模型，經驗豐富的開發者可以使用它快速開發基礎模型，團隊可以在此基礎上進行進一步迭代。Amazon SageMaker Autopilot為開發者提供了多達50種不同的模型，可以在Amazon S ageMaker Studio中查看。
據張俠介紹，整套Amazon SageMaker服務可以使用戶開發效率提升10倍。而以「SageMaker+TensorFlow」為例，從一些客戶案例中也可以看到，已經把效率從65%提高到90%，訓練時間從30分鐘縮短到14分鐘。
現場，AWS機器學習服務應用者大宇無限也現身說法
大宇無限主要為中東、東南亞和拉丁美洲等新興市場提供移動短視頻服務，主力產品Snaptube的月活用戶已經突破1億。
大宇無限機器學習技術總監蘇映濱介紹：「短視頻的聚合服務面對海量的數據與海量的用戶，我們需要一個精準的個性化內容推薦系統。但是對一個初創企業來說，要構建一個滿足海量用戶、千萬級視頻的推薦，以及相匹配的機器學習平台，在人力、時間、資金相當有限的情況下獨立實現不太現實。」
蘇映濱稱，SageMaker的出現，幫助大宇無限實現從0到1的突破。「SageMaker的出現極大的簡化了整個機器學習的構建、訓練和部署的流程。而且SageMaker的很多演算法已經優化得性能非常不錯，對我們來說，就直接做好訓練數據的準備，直接調用介面、設置參數，基本上幾個命令就可以直接部署上線了。SageMaker已經幫我們實現了這個功能，所以整體上它的訓練成本還是相比自己搭建要便宜，我們估算平均下來能節省70%的訓練成本。」
在張俠看來，AWS自己獨特的這一套方法，就是高度關注客戶的需求，和客戶一起創新，在客戶的創新實踐中找到AWS產品服務所需要提供的新功能。具體在AWS機器學習服務上，由於它服務的廣泛、成本簡便，支持所有通用架構，而且背後還有AWS全方位雲技術服務和平台支持，這些構成了Amazon SageMaker的獨特優勢。
