降本提效，亚马逊云科技让AI/ML触手可及

麻省理工学院的Erik Brynjolfsson与Andrew McAfee教授在《与机器赛跑》一书中写道“250多年以来，经济增长的基本动力一直是技术创新。其中最重要的，正是经济学家们提出的所谓通用型技术，包括蒸汽机、电力与内燃机等等。而我们这个时代下最重要的通用型技术正是人工智能，特别是机器学习。”

过去几年，人工智能（AI）与机器学习（ML）不断向纵深发展，准入门槛也大幅降低，众多行业意识到了AI和ML的巨大潜力，不断加大投入，企业在线业务场景如游戏、电商、社交、广告，以及风控场景对AI/ML技术的应用有所增加。无论是提高员工生产力，削减成本，还是业务创新，增强客户体验，企业正通过部署AI/ML，解决数字化转型过程中的难题，把握发展机遇。

不可否认，企业在使用AI/ML时仍面临诸多挑战，部署成本居高不下，专业人才不足，缺乏将数据转化为洞察的相关机器学习知识等。为了充分发挥AI/ML价值，企业往往需要一套全面的机器学习解决方案，亚马逊云科技便是这样一家云服务提供商。

部署AI/ML有多难？

2022世界人工智能大会上，亚马逊云科技人工智能与机器学习产品副总裁Bratin Saha表示，AI/ML技术是当今最具变革性的技术之一，正在解决人类面临的一些最具挑战性的问题，也为我们提供了前所未有的新机遇。

很多企业希望使用AI/ML推动业务增长时，却因一些门槛望而却步。在亚马逊云科技看来，现阶段企业在实施AI/ML主要面临四点挑战。

第一，缺乏具备AI/ML相关能力的人员。机器学习知识门槛高，而且技术仍处于早期阶段，企业很难找到了解实际需求，并且有AI/ML技术的人员完成所需的人工智能工作。

第二，缺乏高质量数据。如今，每时每刻都会有海量结构化数据以及音频、视频、图像、医疗数据等非结构化数据的产生，但原始数据无法直接用于特定场景的机器学习，企业需要专业的数据准备工具，以降低AI/ML的使用门槛。

第三，缺乏合适的切入场景。企业在应用机器学习的时候往往千头万绪，开展机器学习应该从什么项目切入？由于机器学习技术门槛高，传统企业通常缺少既精通业务又精通机器学习技术的专家，难以在实际场景中找到合适的机器学习场景进行切入。

第四，AI/ML产业缺乏规模化落地所需的各项服务。企业要获得实际的业务价值，需要规模化部署AI/ML，将其融入到业务的方方面面，从而可以低成本、高效率地发挥AI/ML优势。

在人才、技术之外，企业在实施AI/ML还会重点考虑成本。“AI/ML的成本主要来自人员成本和基础设施成本。”亚马逊云科技大中华区机器学习产品总监张洋表示，一方面，完整的机器学习团队包括数据工程师、数据科学家、机器学习工程师等角色，人员市场成本普遍居高。另一方面人工智能与机器学习应用涉及的计算、存储、网络与数据相关的数据库、数据分析、ML工具成本也普遍偏高。而且人工智能技术尚处早期，从探索到工程化周期长，投入成本与周期都偏长。

亚马逊云科技大中华区机器学习产品总监张洋

AI门槛被不断降低

作为第一个打开「云计算」技术新领域的公司，亚马逊拥有全球20年机器学习的创新实践，旗下云服务平台亚马逊云科技已帮助逾10万用户在核心业务使用机器学习。成立15年来，亚马逊云科技致力于开发先进的AI和ML服务，为企业提供构建AI/ML应用所需的工具和指导。

亚马逊云科技也在不断帮助企业降低AI/ML实施过程中的成本，提高生产力。

帮助企业选择正确的项目场景：凭借丰富的案例和场景，亚马逊云科技会在项目开始时帮企业选择AI/ML可以实际帮助到业务、实现业务价值的场景，避免错误的应用场景导致高额沉没成本。

提供开箱即用的AI服务加速企业AI应用上线：亚马逊云科技提供训练好的人工智能服务，目前有9大类、20多种训练好的AI服务，涵盖计算机觉、语音文字转换、机器对话、文本处理、个性化推荐、时间序列预测、客服、企业内信息搜索、开发与运维、工业AI等方面。用户可以直接在应用中调用这些人工智能服务，无需关注背后的机器学习模型，可以快速在业务场景上实践，验证其商业价值。

推动企业AI规模化和产业化：企业需要规模化部署AI/ML，将其融入到业务的方方面面，亚马逊云科技为客户构建训练模型的参数已达到数十亿规模，每个月提供数千亿预测结果，这样的规模效应推动了企业AI/ML的产业化落地实践。

按需付费模式减少成本：企业可以像使用其他云服务一样使用亚马逊云科技的AI/ML服务，享受云服务本身的安全性、可靠性、可扩展性，同时无需前期投入高额的基础设施采购和部署成本，可根据业务需求灵活计费，企业能够以较低成本快速将业务推向市场。基础设施层面，企业可以选择市面上流行的开源机器学习框架和算法，例如TensorFlow、Apache MXNet、PyTorch等，任何用户都可以使用最新的基础设施，对多种框架进行试验。亚马逊云科技自主设计芯片，并推出了高性能机器学习推理芯片亚马逊云科技Inferentia和机器学习训练芯片亚马逊云科技 Trainium。在数据工程师，科学家工具层面，亚马逊云科技提供完全托管的机器学习服务Amazon SageMaker，它提供了全球首个面向机器学习的集成开发环境SageMaker Studio。

专业服务支持客户项目成功：亚马逊云科技以“扶上马，送一程”的方式，帮助客户更快地应用机器学习技术。例如，上海欣兆阳信息科技有限公司（Convertlab）基于亚马逊云科技统一的数据基础底座，构建了一体化数据智能湖仓架构Data Hub和一体化高效机器学习平台AI Hub，使数据流转时效性提升32%，可进行快速的特征设计和机器学习模型迭代，模型上线效率提升30%。当前已上线5大营销特征类别，300多种营销特征，20多个营销AI模型，帮助企业从AI/ML中获取业务增长机会。

“在少数场景实现业务成功之后，规模化AI将赋能更多业务创新，提供更大业务价值。”张洋指出，当AI的价值在业务验证之后，快速工程化，规模化来扩大业务价值，同时带来成本的节省。

用AI/ML把握发展良机

越来越多的行业正在迅速部署机器学习，应对严峻挑战并把握发展良机。

乐普医疗是医疗大健康领域最早投入AI研发的公司之一，通过亚马逊云科技的AI服务，乐普医疗国际部一方面开发了基于大数据和NLP自然语言处理技术的搜索机器人，提升了获取潜在客户信息的效率，另一方面使用Amazon Connect与Amazon Lex开发的语音机器人与潜在外贸客户实时、有效的沟通，增强了乐普医疗外贸营销及获客的能力，也带给了乐普医疗与其客户更便捷、高效的业务体验。

作为集鉴别、溯源等服务为一体的专业茅台老酒鉴定体系，见甄集成了北京茅台文化研究会十余年鉴藏研究经验。在亚马逊机器学习方案中心的帮助下，实现AI鉴酒能力提升。见甄AI鉴酒盒子通过图像识别、称重、光学扫描等方法对34个特征点进行鉴定，3分钟可出具鉴酒报告，基于Amazon SageMaker快速搭建定制化神经网络，定位和分类鉴定特征点，实现了接近100%的模型准确率。

对于企业而言，有些时候AI带来的并不是明显的效益提升，这也让很多企业对人工智能和机器学习的投入产出产生困惑。张洋表示，企业应该通过AI实际带来的业务价值评估收益，比如在线业务中优化广告目标客户来提高流量质量，优化推荐系统，共同提升转化率。

网易有道旗下少儿数字阅读教育产品有道乐读利用Amazon Personalize实现个性化推荐，月活用户提升了20%。

西门子工业自动化产品成都生产及研发基地在亚马逊云科技的帮助下部署了工业废料分拣系统，采用Amazon SageMaker高效训练机器学习模型，持续采集废料形态用于训练和优化机器学习，将分拣准确率从70%提升至97%以上，逐步实现无人工干预的废料分拣。

淄博市热力集团有限责任公司使用Amazon SageMaker作为开发平台践行了站控户控模型训练和开发，并且利用亚马逊云科技的无服务器架构进行生产环境的自动训练和推理后，每年可以节约标煤15万吨，以标煤价格约2000元一吨计算，15万吨煤的价格是3亿元人民币，相比一亿元的总投入而言，投入产出比达到1：3。

未来越来越多的企业会更倾向于选择使用成熟的AI/ML服务，将机器学习平台和基础设施运维等工作交给专业的供应商去做，从而将更多精力投入到AI赋能企业自身的核心业务当中，快速利用AI/ML技术从以往无法获取洞察的数据中获得更多的竞争优势。