AWS的机器学习平台,为何发展的这么快?

ToB行业头条(微信ID:wwwqifu)消息


在云计算、AI、大数据备受瞩目的当下,AWS全球机器学习副总裁Swami Sivasubramanian在近日召开的2020亚马逊re:Invent大会上,为外界带来了亚马逊云服务(AWS)在机器学习方面的最新产品和性能介绍。

Swami表示,其实早在2016年AWS就已经在机器学习领域发力,只是2016年仅仅发布了三款产品,而且都是AI SaaS类服务,即客户提供数据,AWS帮助分析、预测结果的即插即用类服务产品。

可是从2017年开始,AWS在机器学习领域的创新开始呈现加速度的姿态,几乎每年都会发布200多项服务和功能迭代。而且这些服务覆盖的客户数量极广,服务类型更为多样,解决需求也更为复杂。

学习能力.png

那么为什么AWS的机器学习功能发展的如此之快?AWS机器学习功能又强大在哪里?使用AWS机器学习功能的客户又可以从哪些方面受益呢?

认知与接受,AWS机器学习的崛起之路

任何事物的发展都不是一蹴而就的,尤其是一项新技术、一款新产品刚出现的时候,很难得到行业的一致认可。AWS致力于云计算时如此,发力机器学习也绕不开这个问题。

Swami就在当天的演讲中表示,15年之前他刚从研究生院毕业获得第一份工作时,企业的建构者始终被技术阻碍着。因为当时企业发展所必要的软硬件,都需要IT部门来采购,建构者没有采购软硬件的权力。

直到他后来加入AWS了解到云计算后,才发现建构者终于有了合适的工具,因此他认为云计算可以使不同的创业公司实现更高程度的成功。 

云计算如此,机器学习其实也一样。当前大部分公司做机器学习还需要聘请专家,有钱的大型科技公司机器或许不差这些预算,花钱就能构建复杂的机器学习模型,可对中小企业而言,这笔开销过于庞大,几乎难以实现。

所以AWS就一直在思考,能否找到一种方式或是制造一款产品,可以自由地让各种水平的技术人员以及各种规模的企业都能参与到机器学习的变革中来。

正是基于这样的想法,AWS才觉得需要去打造一个环境去实现这个信念。真正以平台的实力,赋能市场上有需求的客户,从而促进机器学习领域的快速发展。

机器学习平台所面临的挑战

方向有了,摆在AWS面前的就是挑战。为何机器学习曾经发展极为缓慢?其实主要还是受制于行业基础设施的薄弱。

所谓基础设施,即广泛的计算网络,存储基础设施的选择,以及可以满足客户独一无二的性能。没有这些能力,企业基本无法赶上机器学习技术复杂性的增长。

可并不是所有想要构建机器学习平台的企业都具备这样的实力,因此在云计算大规模普及之前,机器学习平台显然无法顺利构建。可这件事交由AWS来做却是顺理成章。

毕竟作为全球最强大的云计算厂商,AWS拥有足够优秀的基础设施,再加上今年它们又引入全新芯片,AWS的机器学习平台无疑可以更好地帮助客户控制训练和推理的成本。

Swami介绍称,在推理预测方面使用AWS推出的AWS Inferentia,客户可以获得最低单位演绎成本,GPU实力比较成本可以降低45%,吞吐量高达30%。

在这种能力的加持下,AWS的机器学习产品已经覆盖了包括金融服务、医疗、媒体、汽车、制造以及零售、体育在内的多个行业,可以帮助客户将模型的训练时间从几天变成几个小时。

目前,数十万客户正在使用AWS云服务进行机器学习工作,各个规模、各行各业的客户都在使用AWS服务将机器学习作为其业务战略的核心。

据了解,已经有越来越多的企业希望将机器学习功能添加到工业环境中,例如制造设施、配送中心、食品加工厂等。对这些客户来说,数据已成为将复杂工业系统结合在一起的重要媒介。

授人以鱼不如授人以渔 

不过,AWS机器学习服务的宽度和深度并非只有基础设施的强大。机器学习的坚实基础还包括机器学习框架的灵活性,以及其他多种条件。

目前主流的云上机器学习框架有Tensorflow、PyTorch等,可由于机器学习行业发展过快,客户并不会只使用一个框架。

就像以前是Tensorflow的天下,可今天PyTorch实际上是后起之秀,但或许明天又会出现更具统治力的框架。

可无论是哪个框架,AWS内部都有针对不同框架的调优团队,可以保证主流框架下的性能最优。AWS并不会决定客户使用哪个框架,它们的策略是把选择交给客户,不替客户选择。 

AWS大中华区云服务产品管理总经理顾凡介绍称:“AWS针对机器学习的一个原则就是: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)。”

什么意思呢,就是希望帮助客户可以在不同工作、不同的场景下,可以选择工具箱中最适合的工具。

 平台.png

其次,AWS在云计算以及在机器学习领域里面始终抱着开放的心态,所以大家会看到AWS的工具是非常开放的,可以和客户的整个环境做到非常好的集成。

第三,“授人以鱼不如授人以渔”是AWS机器学习平台在所坚持的重要原则。

AWS希望可以帮助客户把能力建立起来,但AWS提供的不仅仅是工具,更重要的是教会客户如何使用工具,而且可以在客户需要帮忙的时候,把客户扶上马再送一程,真正帮客户快速突破一些难题。

五大工业领域的机器学习服务正式发布

正是在行业认知逐步成熟,AWS产品基础服务能力足够优秀,以及AWS秉承着开放、互助、共赢的原则下,AWS的机器学习功能才可以发展的这么快,才能成为诸多客户信赖的产品。也正是基于这样的条件,今年的AWS机器学习平台也没让关注者失望。

在12月9日的亚马逊re:Invent上,AWS发布了Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama Appliance、AWS Panorama SDK和Amazon Lookout for Vision五款服务于工业领域的机器学习产品。

  • Amazon Monitron提供包含传感器、网关和机器学习服务的端到端机器监控解决方案,以检测可能需要维护的异常设备状况

  • Amazon Lookout for Equipment为拥有设备传感器的客户提供了使用AWS机器学习模型来检测异常设备行为并进行预测性维护的能力

  • AWS Panorama Appliance帮助已在工业设施中装配摄像机的客户使用计算机视觉来改善质量控制和工作场所安全

  • AWS Panorama软件开发套件(SDK)允许工业相机制造商在新相机中嵌入计算机视觉功能

  • Amazon Lookout for Vision在图像和视频流上使用AWS训练的计算机视觉模型,以发现产品或流程中的异常和缺陷

据了解,这五项全新的机器学习服务,可以共同帮助工业和制造业客户在其生产过程中嵌入智能能力,从而提高运营效率,改善质量控制、信息安全和工作场所安全。

这些服务代表了现有最全面的从云端到边缘的工业机器学习服务套件,可以通过结合先进的机器学习、传感器分析和计算机视觉功能,解决工业客户面临的常见技术挑战。

目前,使用全新的AWS工业机器学习服务的客户和合作伙伴包括Axis、凌华科技、BP、德勤、Fender芬达、GE 医疗和西门子交通。对AWS机器学习平台感兴趣的朋友,可以着重关注一下AWS今年发布的这五款产品。

分享到

点赞(1)

说点什么

全部评论