乐趣区

关于机器学习:reInvent-重磅回顾-AWS-重塑机器学习的四大亮点触及每一位-AI-工作者

作为寰球云计算的年度指标性大会,亚马逊 re:Invent 2020 大会已进行了二周。其中热点话题——人工智能(AI) 机器学习(ML)也是新意多多,亮点频频。AWS 人工智能副总裁 Swami Sivasubramanian 博士亲自担纲了 2 小时的主题演讲,全景论述了 Amazon Web Services (AWS) 在机器学习畛域的各项 re:Invent – 重塑

不仅如此,AWS 首席执行官 Andy Jassy 就已在其 AWS 整体论述中,用了相当长的工夫,就机器学习及其在多种行业利用的“重塑”加以重点介绍。上面,咱们就和大家一起疾速浏览一下这外面的重点和新意。

弱小的计算根底
与以往一样,产品技术的新公布、新性能新个性的面市等,仍然“如期到来”。“提供刚强的根底”,这既是演讲开篇的第一章,也是后续所有的“根底”。在此,AWS 提供品种丰盛的计算实例,既有反对个别训练加推理使用的通用型实例,也有针对高性能要求的训练实例如 P4d 或推理实例如 Inf1, G4dn 等。在此,以下几个新公布值得关注。

一个是 基于 Habana Gaudi AI 处理器的 Amazon EC2 实例,专门用来进行高强度机器学习训练。测试表明,它比目前基于 GPU 的 Amazon EC2 机器学习训练实例的综合性价比还要高出 40%!

第二是 AWS 自研的机器学习训练芯片 AWS Trainium,并将用于 Amazon EC2 实例中,或对 Amazon SageMaker 机器学习开发平台进行底层反对。

第三,更疾速的分布式训练,并作为 Amazon SageMaker 能力中的一部分进行提供。绝对此前的模式,分布式训练使其速度大幅提高,例如在视觉辨认畛域的 Mask-RCNN 训练中,TensorFlow 的训练工夫由 28 分钟升高为 6 分 13 秒,PyTorch 的训练工夫由 27 分钟升高为 6 分 45 秒,这些将对诸如主动驾驶畛域的 AI 利用产生重大作用。

为开发者和数据迷信人员赋能

“将机器学习交付到每一个开发者手中”,这始终是 AWS 在机器学习畛域的愿景。升高他们在机器学习开发中的各项操作复杂度,并透过一体化机器学习开发平台 Amazon SageMaker 加以施行。

对此,在“创立最短胜利门路”这一章节中 Swami 博士进行了具体论述,并公布了一系列新品。例如用于数据筹备的 Amazon SageMaker Data Wrangler、用于留存各种模型特色的 Amazon SageMaker Feature Store、用于工作流自动化的 Amazon SageMaker Pipelines、…… 等等,不一而足。这些都可视为开发者通过 Amazon SageMaker 平台更便捷开发机器学习时能够用到的“十八般兵器”

其中最值得一提的是 Amazon SageMaker Clarify 的公布,专门用来解决“数据偏见 (Bias,学术翻译为偏差)”。 艰深了解的话,是指人们在工作中,因为各种起因不经意把并非残缺主观的数据进行收集并解决,而使得后果产出产生“偏见”。

例如:在视频节目举荐中,仅对“戏剧类”节目的数据进行剖析解决后,就认为是“娱乐”类的总体并加以举荐。“数据偏见”是人工智能社会化利用的一个重要课题,是确保技术主观偏心利用的根底之一。当初,AWS 将偏见检测贯通整个 ML 工作流程,这使得相干利用的开发不仅节省时间,并且晋升了模型的整体品质,在模型老化过程中产生的漂移等,都能够被标注进去了。

机器学习的“扩张”

机器学习很浅近,但尚处晚期,受众无限。寻找更宽泛的“圈外”开发者退出进来,使他们基于既有常识体系就“轻松上手”,这是机器学习久远倒退之所在。AWS 显然洞悉到了这点。因而在第三章节“将机器学习向更多构建者扩大”中,Swami 博士率领团队一口气公布了 Amazon Aurora ML、Amazon Athena ML、Amazon Redshift ML、Amazon Neptune ML、Amazon QuickSight Q 等一众产品服务,它们别离代表了 关系型数据库、Amazon Simple Storage Service (Amazon S3) 的 SQL 查问、数据仓库、图数据库、商业智能 等与 机器学习 汇合一处的“re:Invent”

最要害的,是开发者只需应用早已烂熟的 SQL 语句,就能进行连带机器学习性能的操作。之所以能如此,是因为 AWS 在后盾进行了“系统集成”。以 Amazon Aurora ML 为例,当用户通过 SQL 查问客户信息以试图找到一些负面反馈时,Amazon Aurora ML 会主动调度 Amazon Comprehend 这样的 AI 服务来返回具备 AI 反对的查问后果。这极大升高了机器学习更广泛应用的门槛,使得学术个别的技术真的开始走入“公众视线”。

解决真正的业务问题

一个乏味的景象是,AWS 首席执行官 Andy Jassy 和 Swami 博士都先后在其演讲的后半段专门设置了“行业利用“或“解决业务问题”这样的章节。Andy 在演讲中援用了 Clay Christensen * 的一段话:“客户寻找产品和服务的目标是为了实现他的工作。…我找你不是为了机器学习,而是为了一项特定工作。如果你用机器学习的形式把工作实现了,很好,或其余形式其实也行。但我最终找你是要把工作实现。”

有鉴于此,AWS 此次公布将机器学习向行业应用领域也进行了大幅度扩大。例如 利用于客服核心畛域的 Amazon Connect,全面集成了各项 AI/ML 服务,并减少了 Amazon Connect Wisdom、Amazon Connect Customer Profiles、Real-Time Contact Lens for Amazon Connect、…等新性能服务,使得座席人员能够通过机器学习对知识库的加持、智能搜查客户各项问题的解答、机器读取客户电话并剖析语义等,实现与来话客户互动中的即时应答,秒级响应,进而进步客服满意度。

又比方 在工业制作畛域,AWS 公布了 Amazon Monitron 系列套件计划,通过传感器(检测触动和温度)、网关、AWS 云、挪动利用等造成一个整体,为基于 AI 的设施保护提供端到端计划。这对诸如发电机、大型机床、重型配备等场合都有很实用的价值。此外还有 Amazon Lookout for Equipment、Amazon Lookout for Vision 等其余相干服务的配套公布。在工业智能检测方面,Amazon Panorama Appliance 的公布,为计算机视觉、IoT、机器学习等的集成利用,建立了一个新的“标杆”。此外还有……,篇幅所限,就不再过多开展了。

re:Invent 确实是一场“盛宴”,它零碎展示了这一年来亚马逊在云计算畛域的各项停顿。往年尤其新意的是在上述各项应用领域里的“挺进”,从中咱们好像看到了“工业 4.0”如何具体实施的身影,一个联合了 人工智能、人机协同、流程优化、可继续迭代改良 的工业制作身影,一个和现有广泛认知曾经很大不同的身影!

* Clay Christensen,《破坏性翻新》一书的作者,《福布斯》称之为“过来 50 年来最有影响力的商业理论之一”。2017 年在寰球 Thinker 50 的排名中位列第三。

还没有报名加入 亚马逊 re:Invent 2020 的小伙伴

可要连忙抓紧时间啦

亚马逊 re:Invent 2020 精彩持续

明日还有多场分论坛演讲,等你来观看

快点击这里即刻乘上收费参会的“末班车”~(PS:中文字幕呦)

退出移动版