共计 9868 个字符，预计需要花费 25 分钟才能阅读完成。
6 月 26 日，亚马逊云科技 Community Day 在上海举办。亚马逊云科技首席开发者布道师、资深数据科学家、资深利用科学家以及亚马逊云科技 Machine Learning Hero 悉数到场，针对 AI 开源的技术趋势及落地实际我的项目进行分享和探讨。
1. 王宇博：亚马逊在开源机器学习畛域的奉献和实际
开源的概念源于上世纪 80 年代，近年来，随着机器学习和云计算的一直倒退，开源逐步成为泛滥开发者议论的外围，其重要性显著晋升。目前，前五大开源贡献者中，四家是云计算厂商，前十大开源奉献商中，七家是云计算厂商。王宇博示意，云计算是开源背地重要的推手。云计算引领着开源向前，而开源又进一步促成云计算的倒退。
作为云计算服务平台，亚马逊本着用户至上的理念，通过提供一系列云端和开源工具的集成与交融，满足开发者利用开源工具在云端进行疾速生产实践的需要。此外，当开发者心愿通过一些新的工具实现新的想法时，亚马逊也会被动构建并奉献一系列开源代码，帮忙开发者实现各种各样的需要。
据王宇博介绍，亚马逊云科技外部的开源贡献者数量及开源我的项目数量逐年攀升。目前，亚马逊开源仓库达 2500 个以上，涵盖数据、剖析、平安、机器学习等泛滥畛域。很多我的项目围绕着开源进行，例如基于 OpenSearch 构建的开源剖析平台；基于容器微服务构建的开源体系架构等。亚马逊深信云和开源联合在一起，可能更加疾速的为开发者赋能，也可能进行更多交换互动，帮忙开发者在云上把开源用好。
谈到开源和机器学习畛域的联合，王宇博认为，不仅仅要关注到开源如何引领机器学习的倒退，更次要的是关注到开发者在理论生产实践中面临的问题，让更多开发者学习把握开源技术，并疾速构建机器学习利用。他别离从产品、钻研、赋能、社区四个维度概括了亚马逊在构建开源机器学习生态系统中所做出的致力。
首先是产品，在亚马逊云端有一系列机器学习、人工智能的产品，很多是基于开源我的项目来进行构建的，亚马逊心愿通过这些产品来减速开源的机器学习在生产实践流动中的疾速利用。
其次是钻研，亚马逊在寰球各地都有十分多从事人工智能和机器学习方面钻研的科学家，他们一直在学术畛域做出奉献，发表了泛滥前沿论文，亚马逊心愿这些钻研能与生产实践相结合，疾速落地，为开发者构建良好的环境。
第三是赋能，亚马逊认为人工智能、机器学习应该被每位开发者把握在手中，通过一系列产品和能力帮忙大家疾速上手、学习，使得每个人都可能在开源和机器学习中取得更多成长机会。
最初是社区，亚马逊通过构建机器学习社区来帮忙开发者更深刻的理解开源和机器学习，使其更快、更好的向前推动和倒退。
针对这四点，王宇博在 Community Day 的现场进行了四位一体的具体介绍。
亚马逊的机器学习产品提供了十分残缺的堆栈，从框架，平台到 SaaS 化利用，每个畛域都有很多产品和服务，来帮忙开发者进行疾速构建。所有的机器学习云端服务都基于亚马逊构建的松软开源根底。
从寰球范畴看，亚马逊是开发者应用开源框架 TensorFlow 和 PyTorch 构建利用的首选平台。Amazon SageMaker 能够帮忙开发者进行机器学习的疾速落地。Amazon SageMaker 扩大机器学习有两种办法，别离是自带训练脚本和自带 Docker 容器，两种形式都很简略。Amazon SageMaker 自身使用到很多容器技术，但对于 Amazon SageMaker 用户来讲并不需要特地去理解或者操作底层的架构。开发者可自带训练脚本，应用和本地或其余环境中简直齐全的雷同代码，只须要进行参数传递并生成一系列文件，同时从容器的镜像仓库拉取规范的镜像，通过这种形式把自带脚本和容器联合在一起，达到疾速良好的训练成果。Amazon SageMaker 也反对自带 Docker 容器，把脚本集成到自建的容器中，同时在容器仓库进行公布，并且进行训练，也能够取得十分良好的成果。目前而言，应用自带脚本是非常简单的形式。开发者能够在本地进行开发和测试，在云端进行分布式的训练和部署，也能够利用云端的性能来疾速的进行迭代，从而构建一个更好的机器学习的利用。
另外 SageMaker 自身也自带很多的能力，比方 SageMaker 自动化的调优能力，能够对超参进行疾速调整，同时托管的 Spot 形式中能够为开发者极大节俭机器学习训练模型的老本。
王宇博也对亚马逊发动的一些开源机器学习我的项目进行了介绍。
第一是 Gluon，它是开源的深度学习接口，使开发人员可能更轻松、更快的构建机器学习模型，而不会影响性能。亚马逊心愿通过工具箱及工具集帮忙更多开发者疾速应用当先的算法、论文预训练模型。在计算机视觉、自然语言解决等畛域，亚马逊的工具包 GluonCV，GluonNLP，GluonTS 都重现了顶级会议上的 SOTA 后果。亚马逊把这些工具包提供给更多客户和开发者应用。
第二个是 Deep Java Library，很多独立的开发者，常常用 Java 来进行深度学习开发的。亚马逊心愿通过 Deep Java library，开发者能够便携、高效的应用 Java 语言进行机器学习的训练和部署。目前 Deep Java Library 提供全引擎的反对，同时也提供高达 70 多个预训练模型。
另外，王宇博还从其余几个畛域进行了介绍。
第一是 Jupyter，它帮忙开发者应用代码和数据进行思考，而后围绕代码和数据构建叙述，将这些代码和数据驱动的见解传播给其他人。亚马逊一直对 jupyter 的应用体验进行优化，如针对企业级开发者提供笔记本共享的性能。同时，亚马逊也在一直向 Jupyter 社区奉献，Jupyter 领导委员会成员目前任职于亚马逊，帮忙 Jupyter 在开源和云端进行进一步的整合。
第二是亚马逊 SageMaker Clarify，它基于开源产品进行的构建，为机器学习开发人员提供更深刻的训练数据和模型，以便他们可能辨认和限度偏差并解释预测。
第三是 Penny Lane，亚马逊去年底开始参加到 Penny Lane 开源我的项目当中。目前 Penny Lane 在云端的 Amazon Braket 上曾经能够运行。亚马逊心愿可能通过云端，使得量子计算和机器学习可能有更好的交融。
此外，亚马逊也提供很多寓教于乐的工具和入手实际的工具，用开源解决方案帮忙大家开启机器学习之旅。
王宇博说：“入手是对于开发者来说是十分要害的过程，亚马逊通过一系列的技术引领、技术领导和技术讲座来带动整体开发者社区蓬勃向上倒退，激发良好的技术探讨气氛，来为开发者提供更多的帮忙和影响。”
2. 王麻利：深图在人工智能中的摸索和钻研
说到深图在人工智能中的摸索和钻研，首先要明确一个概念——什么是人工智能？王麻利认为，要实现真正的人工智能有两点十分重要，第一是要了解为什么当初的人工智能算法会犯错，第二是要去探讨人工智能算法与人脑之间结构化的一致性。
“研表究明，汉字序顺并不定一影阅响读。”比方当你看完这句话后，才发这现里的字全是都乱的。人在了解自然语言的时候，并非通过线性的形式去了解，而是成块的去了解文本。而很多模型，是通过线性的形式了解文本。
从图像识别的角度，如果用算法去辨认一张印有一只狗坐在摩托车上的图片，只能辨认到画面自身是由狗和摩托车形成的，无奈取得更多结构化的信息，而人脑是能够感触到画面的趣味性的。
生存中的很多数据以图构造 (Graph) 的模式存在，小到宏观分子，大到生产生存，在图上实现机器学习工作是极为常见的需要。
近年来，如何把深度学习算法使用到图数据成为开发者们关注的重点。因而也诞生了图神经网络 Graph Neural Networks (GNNs)。所谓图神经网络是指用于学习点、边或者整张图的向量示意的一类深度神经网络，其核心思想是消息传递。比方，想判断一个人喜爱哪只 NBA 球队，能够通过社交网络上理解他的敌人喜爱哪只球队，如果他 80% 的敌人都喜爱，那么他大概率也会喜爱这只球队。对某个点进行建模的时候，通过其余相邻点去收集信息，这个过程就是信息传递。
把所有相邻节点的信息收集到一起做一个累和，取得了一个加权累和的音讯之后，再通过更新函数对所在节点曾经有的信息做一个更新。这就是图神经网络最根本的数学建模。
图神经网络在不同畛域都有着十分宽泛的利用。
分子医药：首先是分子性质预测。其输出数据为分子结构图。之后通过消息传递建模，利用图神经网络获取向量表征，输出到上游的分类器，能够判断化学药品的性质、毒性等。其次是药分子生成，先构建一个编码模型，而后通过图神经网络将其变成向量示意，同时退出一些领导，生成可能合乎咱们须要性质的分子。第三，是药物重定位，在这方面，亚马逊构建了一个药物常识图谱 DRKG，用于示意药物，疾病蛋白，化合物等对象之间的关系。应用图神经网络对该数据进行建模后，则能够预测药物和疾病蛋白节点之间的连贯关系，从而预测医治新型疾病的潜在药物。目前，通过图神经网络建模所举荐的 41 种药物当中，有 11 种曾经被利用于临床。
常识图谱：在常识图谱中能够应用图神经网络实现很多上游工作。如常识补全、工作节点分类等。
举荐零碎：支流的举荐零碎次要基于用户和商品之间的交互数据。如果 A 用户购买某个商品，零碎留下购买记录，通过数据分析，如果发现 B 用户的购买记录与 A 用户类似，那么，大概率 A 用户购买的商品，B 用户也会感兴趣。目前，基于图神经网络举荐零碎已实现商业落地。
计算机视觉：输出场景图，通过图神经网络建模，在结尾时退出图片生成器，通过这张场景图能够反向去生成更好的图片。
自然语言解决：在自然语言解决中图的构造也无处不在。比方 TreeLSTM，句子自身不是线性构造，它有语法结构，利用句子语法树结构进行训练，失去更好的分析模型。此外，当初比拟炽热的是“变形金刚”(Transformer)，也是深图的变种。
图神经网络不论是在学界还是业界，都有了一些十分好的落地计划。但也有很多问题亟待解决。如规模越来越大，如何去建模？如何把非结构化数据中的结构化数据抽取解决？这就须要好的工具去开发模型。
应用传统深度学习框架（TensorFlow/Pytorch/MXNet 等）编写图神经网络并非易事。消息传递计算是一种细粒度计算，而张量编程接口则须要定义粗粒度计算，粗粒度和细粒度的差别，使得图神经网络的书写十分艰难。亚马逊针对这一挑战开发了作为桥梁的 DGL。王麻利从编程接口设计、底层系统优化、开源社区建设三个方向介绍了 DGL。
首先是编程接口设计。用图的概念做编程，核心理念是以图为本。王麻利认为，开发者首先应理解，图是图神经网络的“一等公民”。所谓“一等公民”是指所有 DGL 的函数和 NN 模块都能够承受和返回图对象，其中也包含外围的消息传递 API。
其次是底层零碎的设计优化。其余的图神经网络框架（比方 PyTorch Geometric, PYG）往往应用 gather/scatter 原语来反对消息传递计算，计算过程中产生大量冗余的音讯对象，占用大量内存带宽。而 DGL 应用高效稠密算子减速图神经网络，比 PYG 快 2~64 倍，并能节俭 6.3 倍的内存，且对巨图十分敌对。
最初，王麻利就开源社区建设方面的教训进行了分享。他次要分享了以下几点教训。
第一，代码并不是惟一重要的货色，文档在开源我的项目中也占有半壁江山。亚马逊设计了不同层级的文档。针对老手，有 120 分钟上手 DGL，只需下载运行，便可手把手学会如何训练。对于进阶用户，有用户指南，其中涵盖设计概念，有 DGL 接口手册，通过阶梯式的形式，让用户从老手成长为专家。
第二，开源社区须要有丰盛的 GNN 模型样例。社区倒退的十分快，反应速度要想跟上社区倒退，就须要 GNN 有很多不同的利用场景，通过模型把它们涵盖在一起。目前 DGL 大略有 70 多个经典的 GNN 模型样例，涵盖各个领域和钻研方向。
第三，须要重视社区交互。亚马逊设置了很多社区活动，组织开发者们互相交换，如定期举办 GNN 用户群的分享会，邀请学界和业界前沿的学者或者开发人员分享 GNN 畛域的成绩等。另外，用户论坛、Slack、微信群，也为大家提供不同渠道的沟通平台。
3. 吴磊：大规模机器学习在计算广告中的利用与落地
作为一家为数以千计客户提供广告投放服务的公司，FreeWheel 致力于打造交融买卖双方的对立交易平台，在连贯媒体和广告主的同时，提供全方位、品效一体的、跨屏的计算广告服务。
从营销诉求和目标的角度，计算广告分为品牌广告和成果广告。在品牌广告畛域，FreeWheel 会利用机器学习进行计算广告的库存预测和库存举荐。在成果广告畛域，当 FreeWheel 以 SSP 流量主的角色参加市场的时候，会利用机器学习进行系统优化，而当 FreeWheel 以 DSP 广告主的角色参加市场的时候，则会联合历史竞价记录，用机器学习构建预测模型，该模型可依据价格判断赢率，或者给定赢率，从而举荐相应的价格。联合广告库存预测，依据市场上流量和价格的稳定，能够很灵便地博取流量采买最大的 ROI。
库存预测在计算广告畛域有着无足轻重的作用，不论是品牌广告、还是成果广告，库存预测为供需布局、出价策略奠定了坚实基础。所谓库存预测，是指在不同的定向条件上，预测将来一段时间广告库存的存量。对广告主来说，最大的诉求是用最低的广告估算，触达到最相干的用户。因而，咱们须要把不同的定向条件如性别、年龄、地区等维度先做分组，而后进行预测。
在计算广告畛域用来刻画流量的定向条件十分多，不同维度的组合就是笛卡尔积，组合的数量会随着维度以及维度自身多样性的减少而呈指数级爆炸。假如有 1 百万种组合，那么就有一百万个时序须要去预测。采纳传统办法，比方 ARIMA，那么须要训练并保护百万个 model，这样的工程量显然不事实。另外，在理论场景中，须要以小时为粒度，预测将来 2160 个单元，对于这么长的工夫序，要保障它的准确性和预测效率，是一个很大的挑战。因为要预测 2160 工夫单元，为了确保准确性，至多须要回溯同样的工夫长度，在 FreeWheel，每天新增的广告投放日志在 10 亿这个级别，整体的数据体量是十分大的。
总结来说，吴磊认为库存预测次要面临 4 个方面的挑战，别离是维度爆炸、工程复杂度、超长工夫序和海量数据样本。
为了应答这 4 个方面的挑战，FreeWheel 设计、实现了定制化的深度模型。该模型基于 Google 在 2016 提出的 wide and deep 进行设计。
首先，针对维度爆炸和工程复杂度问题，FreeWheel 通过应用 wide 和 deep，别离提取定向条件和与之对应的时序序列，达到用一个模型就能够应答上百万种不同的时序序列，只需训练并保护一个模型也大大降低了工程上的复杂度。
其次，为了应答超长工夫序问题，FreeWheel 设计了 element wise 的 loss function，让 2160 个工夫单位的反向流传相互独立、互不影响。
最初，针对海量数据的挑战，FreeWheel 抉择亚马逊云科技提供的 Amazon SageMaker 服务，并将业务从数据中心全副迁徙到亚马逊云科技。相比于独立搭建并保护一套分布式环境，这样做大大节约了工夫和精力，吴磊说：这合乎 FreeWheel 一贯保持的把业余的事交给业余的人去做的理念。
对于模型的成果来说，模型的设计与调优诚然重要，不过对于投入到整条流水线的精力和工夫来说，基本上合乎 2/8 定律，在理论的利用和落地中，往往有 80% 的工夫和精力来解决数据、筹备特色和训练样本。
FreeWheel 次要用 Apache Spark 来做样本工程和特色工程、以及相干的数据处理，吴磊简要介绍了这一过程。
对于时序问题来说，首先要面对的是样本补齐的问题。用户行为在工夫上往往不是间断的，那么体现在一条时序上，就会发现某些工夫是缺失的，这时候，就须要进行样本的补齐。针对这一问题 FreeWheel 的解决思路是：首先把所有组合当时筹备进去，在所有时段上都把广告曝光置零。而后再从线上日志上汇总不同组合下不同时段下的“正样本”，接下来，只有把这两张表做一个左连贯，就能达到想要的业务成果。而把两张表用 Spark 进行连贯后，会发现性能十分差，在 10 台 EC2 的 Spark 集群上花了将近 7 个小时。为了把执行工夫升高，FreeWheel 团队对 Spark 的性能了调优——应用哈希值，替换宏大而又泛滥的 join keys。调优之后，在同样的集群规模上，执行工夫升高到了 20 分钟以下。
取得时序样本后，须要进行特色工程。特色工程次要分为 2 个局部。第一局部是用 Spark Window 操作把当时依照小时排序的 impression 做一个窗口滑动操作，这样真真正正把时序样本创立进去。第二局部是特色生成，如依据工夫戳，生成各式各样的工夫特色。因为数据最终是要 feed 给 Tensorflow 深度模型的，因而须要提前把所有的字段做 encoding。
样本筹备好后，接下来就是模型训练和推理。首先是训练，为了兼顾模型成果和执行效率，FreeWheel 参考了迁徙学习的思路，用大批量数据事后训练模型，保障模型成果，而后每天用增量数据来微调模型参数。其次是推理，因为模型须要服务不同的上游，有些须要批量的预测后果，所以从工作品种来说分成了以下 4 种训练和推理工作。
模型上线之后，从成果能上可能保障最细粒度的 MAPE 管制在 20% 左右，而聚合后的 MAPE，能管制在 10% 以下。在执行效率方面，离线冷启动即预训练模型的工夫是 2 个小时，增量训练理论只须要 10 分钟，批量推理 5 分钟就能实现。
4. 张建：图神经网络和 DGL 的理论利用
作为亚马逊云科技资深数据科学家，张建博士的一项重要工作是在理论的客户场景中，应用图神经网络和 DGL 作为工具来帮忙客户解决外围业务问题、晋升业务价值。在本次分享中，他从数据、模型、速度、解释四个方面介绍了在图神经网络和 DGL 在落地我的项目中的遇到的挑战和对此的思考。
你的图蕴含足够的信息吗？
在学术圈中，很多学者会用凋谢的数据去做模型的构建及算法的加强。在图神经网络钻研畛域最罕用的数据集是 Cora、Citeseer 和 PubMed。这些图通常连接性强，同类别的节点汇集在一起。应用这些图去做模型构建，往往图神经网络的后果体现良好。而理论业务场景中，受限于收集数据的伎俩、存储数据的形式以及解决数据的能力，构建出的图数据有时会十分稠密，导致投入很多精力和工夫进行模型调优，但成果却不现实。如果客户提供的图连接性太低，使得不论用任何的图神经网络模型，它们最终都进化成了一个常见的 MLP。另外，客户提供的业务图还常呈现标签数据特地少的状况，上亿个点的图中，只有十几万个节点有标签，仅有 0.01% 的标签数据。这导致很难通过一个带标签的点找到其余带标签的点构建分割，从而大大降低了图神经网络的有效性。
数据科学家圈有这样一句话：数据特色决定了模型性能的下限，模型只是去无线趋近这个天花板。在模型上再花力量还不如在数据上再想方法。既然说图的信息决定下限？那么什么是图的信息呢？如何掂量“信息”？信息值能领导 GNN 吗？还要不要搞图？这些问题往往是机器学习实践者甚至开发工程师们所要解决的。张建把这些问题提出来，心愿大家集思广益去解决它。
什么状况下 GNN 模型更有劣势？
“我晓得你们的图神经网络有各种各样的模型，你看看咱们的图用什么模型适合？”工业界的客户已经这样问张建博士。而这个问题很难答复。首先，模型的设计空间远远大于选择项，其次，不同的业务场景对应不同的业务需要，业务场景外面的模型设计或者模型抉择如何针对具体业务，并不容易判断，另外，DGL 的外围开发模式是消息传递（MP)，在图类畛域，而有些问题曾经能够不必 MP 来实现。咱们还看到，在图机器学习畛域，至今还未能呈现相似 NLP 畛域里的 GPT 这样的模型，可能疾速解决大部分问题。
张建说，最扎心的还远不止这些，而是客户间接质疑：“张博士，你看咱们的 xGboost 等模型比这个 GNN 成果好啊！”已经有个金融界的客户，用金融行业的常识图谱获取客户间各种各样的关系之后，间接用 LightGBM，在联合一千多维的特色后，间接秒杀图神经网络模型。尽管后续通过一些技术，图神经网络模型超过了这个客户的 LightGBM 模型，但也留下了很多的思考空间。比方，那么图神经网络模型比传统的机器学习模型好在哪儿？什么状况下更好？
张建认为，传统的机器学习模型绝大多数基于特色，而在事实的业务场景里，并不是每一个点或者每一个特色都能拿到，尤其随着隐衷爱护条例的加强，大数据监管越来越严格，收集数据也越来越难。但对于图神经网络模型来说，只管没有特色，仍旧可能建设起关联关系，这就是图神经网络模型的劣势。
图神经网络模型和传统的机器学习模型，并不是非此即彼的关系，须要依据业务场景和业务问题来决定如何抉择，甚至能够组合起来解决问题。不同 GNN 模型的适用性是什么？点 / 边的特色怎么用？是不是肯定要用 GNN？如何组合 GNN 和其余模型？张建将这些问题留给大家去思考。
图模型能做实时推断？
在模型有了成果后，是否能上线进行实时推断又成了客户常常询问的问题？这个问题波及两个层面。在图构造外面存在着数据之间的关联性。因而和传统的 CV 和 NLP 相比，数据点不是独立同散布的。在做图数据推断时，有两种模式，别离是 Transductive 模式和 Inductive 模式。Transductive 模式下，在训练阶段，要被预测的节点 / 边曾经存在于图中，训练的节点能够“看到”这些节点 / 边，这个模式的问题在于，当须要做预测的时候这些点必须曾经存在，图曾经构建进去了，简直没有方法做到实时。因为要想做到实时，模型必须要去应答将来的点。在 Inductive 模式下，须要预测的节点在训练阶段并不在图中，是看不见的，只有做推断时候，再去使用到一张图上，能力看到这个点。用 Inductive 模式做看不见点的推断，会有两种状况。第一种是做批次预测，比方进行反欺诈，用过来七天的数据构建出一个图数据训练模型，在对今天产生的用户行为做检测时，须要把今天的数据和前七天的数据组合起来做成一张图，而后用训练好的模型进行推断。这就是批次推断，它并非实时推断。真正要做到实时推断，须要实时将须要预测节点 / 边退出曾经存在的图，并抽取出以它 N 跳子图交给训练好的模型用于推断。
据张建介绍，不光是图社区，整个机器学习社区，包含大数据社区，都还没有为图设计出实时 (比方流式) 的图数据的存储、抽取、查问的办法。目前已有的图数据库往往在进行增和查的时候还不够快，特地是把一个点 / 边作为中心点 / 边进行采样的时候，图数据库的采样的速度还跟不上须要实时推断的速度。对于实时推断的零碎架构，业界也临时没有特地成熟的办法，这是目前须要解决的问题，对于开发者来说，也是个十分大的机会点。
图模型后果怎么解释？
模型上线之后，面临的一个问题是怎么去解释模型的后果？这个问题在学术圈能够看到一些钻研后果，但在工业界却很少能看到这类探讨。
比方，利用图模型失去一个节点的预测后，业务人员问为什么？通知他因为跟它相邻的“街坊”对它的影响最大，业务人员必定没方法承受。
另外，图神经网络模型，尽管能够通过图构造去辨认一些模式，然而其中的点都是带有特色的，这个特色最初是一些实数，通过一系列线性变换和非线性变动后，它们间的关系曾经大大超出人类对于因果的认知。如何对图模型的后果进行解释？对于开发者而言任重而道远。
图神经网络的落地面临多方面的挑战，张建说，这些挑战就像是撑持一个登月火箭。数据相当于燃料，模型相当于发动机，所有数据管道和施行架构的问题是整体的火箭设计，而模型的解释，就像须要一个飞控核心。只有把这四个层面的问题都解决好，火箭能力真正飞向月球。
5. 写在最初
多年来，亚马逊在人工智能畛域积攒了泛滥我的项目及实践经验，并始终致力于与寰球开发者共创，心愿为人工智能畛域带来新的生机。2021 亚马逊云科技中国峰会上海站将在 7 月 21 日正式开启，大会将以“构建新格局，重塑云时代”为题，携手云计算行业当先的技术践行者，独特分享云时代重塑和构建的故事。同时，上海站也只是本次峰会的先锋官，在 8 月的北京，9 月的深圳，亚马逊云科技中国峰会还将持续开启。
该峰会笼罩一百多个技术专场，设有人工智能畛域技术分论坛，将围绕构建数据库、大数据与智能图仓等畛域为大家带来上手实操、技术架构等方面的内容，同时会针对一些客户案例和实际为大家带来技术解读。此外，现场还设有专门的开源分论坛，将邀请泛滥大咖为大家带来精彩的分享。扫描文章下方二维码，可理解峰会更多精彩信息！
