降本提效，亞馬遜雲科技讓AIML觸手可及

麻省理工學院的Erik Brynjolfsson與Andrew McAfee教授在《與機器賽跑》一書中寫道“250多年以來，經濟增長的基本動力一直是技術創新。其中最重要的，正是經濟學家們提出的所謂通用型技術，包括蒸汽機、電力與內燃機等等。而我們這個時代下最重要的通用型技術正是人工智慧，特別是機器學習。”

過去幾年，人工智慧（AI）與機器學習（ML）不斷向縱深發展，准入門檻也大幅降低，眾多行業意識到了AI和ML的巨大潛力，不斷加大投入，企業線上業務場景如遊戲、電商、社交、廣告，以及風控場景對AI/ML技術的應用有所增加。無論是提高員工生產力，削減成本，還是業務創新，增強客戶體驗，企業正透過部署AI/ML，解決數字化轉型過程中的難題，把握髮展機遇。

不可否認，企業在使用AI/ML時仍面臨諸多挑戰，部署成本居高不下，專業人才不足，缺乏將資料轉化為洞察的相關機器學習知識等。為了充分發揮AI/ML價值，企業往往需要一套全面的機器學習解決方案，亞馬遜雲科技便是這樣一家雲服務提供商。

部署AI/ML有多難？

2022世界人工智慧大會上，亞馬遜雲科技人工智慧與機器學習產品副總裁Bratin Saha表示，AI/ML技術是當今最具變革性的技術之一，正在解決人類面臨的一些最具挑戰性的問題，也為我們提供了前所未有的新機遇。

很多企業希望使用AI/ML推動業務增長時，卻因一些門檻望而卻步。在亞馬遜雲科技看來，現階段企業在實施AI/ML主要面臨四點挑戰。

第一，缺乏具備AI/ML相關能力的人員。

機器學習知識門檻高，而且技術仍處於早期階段，企業很難找到了解實際需求，並且有AI/ML技術的人員完成所需的人工智慧工作。

第二，缺乏高質量資料。

如今，每時每刻都會有海量結構化資料以及音訊、影片、影象、醫療資料等非結構化資料的產生，但原始資料無法直接用於特定場景的機器學習，企業需要專業的資料準備工具，以降低AI/ML的使用門檻。

第三，缺乏合適的切入場景。

企業在應用機器學習的時候往往千頭萬緒，開展機器學習應該從什麼專案切入？由於機器學習技術門檻高，傳統企業通常缺少既精通業務又精通機器學習技術的專家，難以在實際場景中找到合適的機器學習場景進行切入。

第四，AI/ML產業缺乏規模化落地所需的各項服務。

企業要獲得實際的業務價值，需要規模化部署AI/ML，將其融入到業務的方方面面，從而可以低成本、高效率地發揮AI/ML優勢。

在人才、技術之外，企業在實施AI/ML還會重點考慮成本。“AI/ML的成本主要來自人員成本和基礎設施成本。”亞馬遜雲科技大中華區機器學習產品總監張洋表示，一方面，完整的機器學習團隊包括資料工程師、資料科學家、機器學習工程師等角色，人員市場成本普遍居高。另一方面人工智慧與機器學習應用涉及的計算、儲存、網路與資料相關的資料庫、資料分析、ML工具成本也普遍偏高。而且人工智慧技術尚處早期，從探索到工程化週期長，投入成本與週期都偏長。

亞馬遜雲科技大中華區機器學習產品總監張洋

AI門檻被不斷降低

作為第一個開啟「雲計算」技術新領域的公司，亞馬遜擁有全球20年機器學習的創新實踐，旗下雲服務平臺亞馬遜雲科技已幫助逾10萬用戶在核心業務使用機器學習。成立15年來，亞馬遜雲科技致力於開發先進的AI和ML服務，為企業提供構建AI/ML應用所需的工具和指導。

亞馬遜雲科技也在不斷幫助企業降低AI/ML實施過程中的成本，提高生產力。

幫助企業選擇正確的專案場景：

憑藉豐富的案例和場景，亞馬遜雲科技會在專案開始時幫企業選擇AI/ML可以實際幫助到業務、實現業務價值的場景，避免錯誤的應用場景導致高額沉沒成本。

提供開箱即用的AI服務加速企業AI應用上線：

亞馬遜雲科技提供訓練好的人工智慧服務，目前有9大類、20多種訓練好的AI服務，涵蓋計算機覺、語音文字轉換、機器對話、文字處理、個性化推薦、時間序列預測、客服、企業內資訊搜尋、開發與運維、工業AI等方面。使用者可以直接在應用中呼叫這些人工智慧服務，無需關注背後的機器學習模型，可以快速在業務場景上實踐，驗證其商業價值。

推動企業AI規模化和產業化：

企業需要規模化部署AI/ML，將其融入到業務的方方面面，亞馬遜雲科技為客戶構建訓練模型的引數已達到數十億規模，每個月提供數千億預測結果，這樣的規模效應推動了企業AI/ML的產業化落地實踐。

按需付費模式減少成本：

企業可以像使用其他雲服務一樣使用亞馬遜雲科技的AI/ML服務，享受雲服務本身的安全性、可靠性、可擴充套件性，同時無需前期投入高額的基礎設施採購和部署成本，可根據業務需求靈活計費，企業能夠以較低成本快速將業務推向市場。基礎設施層面，企業可以選擇市面上流行的開源機器學習框架和演算法，例如TensorFlow、Apache MXNet、PyTorch等，任何使用者都可以使用最新的基礎設施，對多種框架進行試驗。亞馬遜雲科技自主設計晶片，並推出了高效能機器學習推理晶片亞馬遜雲科技Inferentia和機器學習訓練晶片亞馬遜雲科技 Trainium。在資料工程師，科學家工具層面，亞馬遜雲科技提供完全託管的機器學習服務Amazon SageMaker，它提供了全球首個面向機器學習的整合開發環境SageMaker Studio。

專業服務支援客戶專案成功：

亞馬遜雲科技以“扶上馬，送一程”的方式，幫助客戶更快地應用機器學習技術。例如，上海欣兆陽資訊科技有限公司（Convertlab）基於亞馬遜雲科技統一的資料基礎底座，構建了一體化資料智慧湖倉架構Data Hub和一體化高效機器學習平臺AI Hub，使資料流轉時效性提升32%，可進行快速的特徵設計和機器學習模型迭代，模型上線效率提升30%。當前已上線5大營銷特徵類別，300多種營銷特徵，20多個營銷AI模型，幫助企業從AI/ML中獲取業務增長機會。

“在少數場景實現業務成功之後，規模化AI將賦能更多業務創新，提供更大業務價值。”張洋指出，當AI的價值在業務驗證之後，快速工程化，規模化來擴大業務價值，同時帶來成本的節省。

用AI/ML把握髮展良機

越來越多的行業正在迅速部署機器學習，應對嚴峻挑戰並把握髮展良機。

樂普醫療是醫療大健康領域最早投入AI研發的公司之一，透過亞馬遜雲科技的AI服務，樂普醫療國際部一方面開發了基於大資料和NLP自然語言處理技術的搜尋機器人，提升了獲取潛在客戶資訊的效率，另一方面使用Amazon Connect與Amazon Lex開發的語音機器人與潛在外貿客戶實時、有效的溝通，增強了樂普醫療外貿營銷及獲客的能力，也帶給了樂普醫療與其客戶更便捷、高效的業務體驗。

作為集鑑別、溯源等服務為一體的專業茅臺老酒鑑定體系，見甄集成了北京茅臺文化研究會十餘年鑑藏研究經驗。在亞馬遜機器學習方案中心的幫助下，實現AI鑑酒能力提升。見甄AI鑑酒盒子透過影象識別、稱重、光學掃描等方法對34個特徵點進行鑑定，3分鐘可出具鑑酒報告，基於Amazon SageMaker快速搭建定製化神經網路，定位和分類鑑定特徵點，實現了接近100%的模型準確率。

對於企業而言，有些時候AI帶來的並不是明顯的效益提升，這也讓很多企業對人工智慧和機器學習的投入產出產生困惑。張洋表示，企業應該透過AI實際帶來的業務價值評估收益，比如線上業務中最佳化廣告目標客戶來提高流量質量，最佳化推薦系統，共同提升轉化率。

網易有道旗下少兒數字閱讀教育產品有道樂讀利用Amazon Personalize實現個性化推薦，月活使用者提升了20%。

西門子工業自動化產品成都生產及研發基地在亞馬遜雲科技的幫助下部署了工業廢料分揀系統，採用Amazon SageMaker高效訓練機器學習模型，持續採集廢料形態用於訓練和最佳化機器學習，將分揀準確率從70%提升至97%以上，逐步實現無人工干預的廢料分揀。

淄博市熱力集團有限責任公司使用Amazon SageMaker作為開發平臺踐行了站控戶控模型訓練和開發，並且利用亞馬遜雲科技的無伺服器架構進行生產環境的自動訓練和推理後，每年可以節約標煤15萬噸，以標煤價格約2000元一噸計算，15萬噸煤的價格是3億元人民幣，相比一億元的總投入而言，投入產出比達到1：3。

未來越來越多的企業會更傾向於選擇使用成熟的AI/ML服務，將機器學習平臺和基礎設施運維等工作交給專業的供應商去做，從而將更多精力投入到AI賦能企業自身的核心業務當中，快速利用AI/ML技術從以往無法獲取洞察的資料中獲得更多的競爭優勢。