共计 3073 个字符，预计需要花费 8 分钟才能阅读完成。
为了更好地满足用户需要，Amazon Web Services (AWS) 会通过不断完善的翻新服务帮忙大家解决各类技术挑战。近日，AWS 推出了多种能够轻松地向应用程序和 BI 控制面板中增加机器学习预测能力的新办法。借此，无论是软件开发者或是 BI 分析师，都将能够通过简略的几行代码，让本人的利用或 BI 报表取得预测能力。
在操作上，这些办法非常简单。咱们只须要在结构化查询语言（SQL）中增加一些语句，在 Amazon QuickSight 中点击几下鼠标，就能轻松应用 Amazon Aurora 数据库中的关系型数据或 Amazon S3 中的非结构化数据，为应用程序和商业智能（BI）控制面板增加机器学习（ML）预测能力。
此外，Aurora、Amazon Athena 和 Amazon QuickSight 还能够间接调用 Amazon SageMaker 和 Amazon Comprehend 等 AWS ML 服务，因而咱们无需从本人的应用程序中调用它们。这使得咱们能够用更间接的形式向应用程序增加 ML 预测，无需构建定制集成，来回复制数据，学习多种独立工具，编写多行简单代码等等，甚至无需具备 ML 教训！
这些新的个性容许通过 SQL 查问和控制面板执行尖端的 ML 预测，从而使 ML 变得更加实用，更不便数据库开发人员和商业分析师应用。以前，咱们可能会消耗多日编写应用程序中定制代码，并须要思考在生产环境中扩大、治理和反对。而当初，任何具备编写 SQL 能力的人，都能够在没有任何定制的「胶合代码」的状况下，在应用程序中构建和应用 ML 预测。
数据横流的世界
AWS 深信，在不久的将来，每个应用程序均会融入机器学习（ML）和人工智能（AI）。数万客户可通过 Amazon SageMaker 享受 ML 带来的益处。Amazon SageMaker 是一种齐全托管服务，能够帮忙数据科学家和开发人员轻松、疾速地构建、训练和部署大规模 ML 模型。
尽管目前有多种可用于构建模型及通过易用 API（如 Amazon Comprehend）使应用程序智能化的办法，但要将这些模型整合到咱们本人的数据库、剖析和商业智能报告中，仍然面临着技术挑战。请思考一个绝对简略的客户服务示例。Amazon Comprehend 能够疾速评估一段文字所表白的情绪（是踊跃的还是消极的）。假如咱们在一家商店的客户服务页面留下这样一条反馈：「你的产品太差劲了，我不会再购买你的产品！」商店依据用户反馈进行情绪剖析，而后立刻分割咱们试图作出补救，这一系列工作对他们来说可能十分琐碎。只管他们的数据库中有可用的数据，同时也有宽泛的 ML 服务可用。
难点在于：构建预测流程须要在模型和应用程序之间挪动数据。
在过来，开发人员被迫执行大量简单的人工作业才可能获取这些预测，再将相干后果退出到更宽泛的应用程序、流程或剖析控制面板当中。相干工作包含，在向 ML 模型提交数据前，以及将预测后果提供给您的应用程序应用前，须要开发毫无价值的干燥的应用程序级代码，用于在不同数据库和存储地位之间复制数据，转换各种数据格式。整个过程相当繁琐。这样的工作简单累赘，节约了开发人员的宝贵时间，且效率低下。此外，把数据库的数据移入和移出也会对平安造成压力，使治理变得更加简单。
让机器学习成为每个开发人员手中的利器
AWS 有着明确使命：咱们致力于让机器学习成为每个开发人员的利器。让大家更轻松地使用尖端 ML 服务，以帮忙大家晋升业绩。不同规模的企业客户依赖于 Amazon SageMaker 和 Amazon Comprehend 等 AWS ML 服务，其中不乏 NFL、Intuit、AstraZeneca 和 Celgene 等企业。以 Celgene 为例，该公司应用 AWS ML 服务进行毒理学预测，通过虚构形式剖析潜在药物的生物学影响，不用让病患冒险试药。以前须要花上两个月工夫训练的模型，当初只须要四个小时就能实现。
只管 AWS 提供的 AI 和 ML 服务覆盖面最广、最深刻，同时咱们仅在 2018 年一年当中就推出了 200 余种机器学习性能和能力，但咱们认为还须要更多。在各种各样的翻新实际中，最佳的抉择便是让现有人员可能间接具备 ML 生产力。尤其是现有的开发人员和商业分析师。
只管咱们提供了可能进步数据科学家们的工作效率的服务，但仍心愿让更多的应用程序开发人员也能够应用齐全云原生的尖端 ML 服务。有泛滥的客户应用 Aurora，同时也善于应用 SQL 进行编程。咱们认为，让大家在此数据上运行机器学习预测才是最重要的，这样就能够在不影响既有的事务处理的状况下获取翻新的数据分析形式。大家能够像之前一样针对业务数据应用 Amazon SageMaker 训练 ML 模型，而后使用 Aurora 或 Athena 的新能力，在一行 SQL 里利用该模型运行预测。这使得 ML 模型可供更多应用程序开发人员获取和应用。
销售线索评分就是一个好例子。例如，如果基于 Aurora 构建一个 CRM 零碎，那么咱们将会把所有的客户关系数据、市场触达和销售线索等信息保留到数据库中。当销售线索从网页上录入后，就会保留进 Aurora，而销售团队则会对其进行跟进，将它们转化为真正的订单。
但要是心愿帮忙销售团队放慢解决效率，又该从何动手呢？销售线索评分是一个预测模型。该模型有助于验证和评估新增的销售线索，让销售团队能够判断哪些最有可能转化为订单，从而进步团队的效力。咱们能够应用本人构建的模型，或者从 AWS 机器学习市场（AWS ML Marketplace）购买模型，将其部署到 Amazon SageMaker，再依据模型预测的优先级对所有销售队列进行排序。与过来不同的是，咱们不须要编写任何胶合代码。
又或者，咱们可能想搭配应用这些服务实现一个最佳优惠的应用案例。例如，客户可能会致电呼叫核心进行投诉。客户服务代表胜利解决了问题，继而向客户举荐新产品和服务。但要如何举荐产品和服务呢？其实，该客户服务代表能够在显示多个视图和倡议的 Amazon QuickSight 控制面板上拉取产品举荐。
第一个视图会依据 Aurora 查问显示产品举荐。查问可拉取到客户资料、购物记录和产品目录，并调用 Amazon SageMaker 中的模型生成产品举荐。第二个视图显示了拉取到客户浏览历史或 S3 数据湖点击流数据的 Athena 查问，并调用 Amazon SageMaker 模型生成产品举荐。第三个视图显示了从第一个视图和第二个视图获取后果的 Amazon QuickSight 查问，调用 Amazon SageMaker 中的联结模型，而后生成产品举荐。这样咱们就能够依据客户的不同意见提供多种优惠信息。所有信息都在一个控制面板中显示进去。
在 BI 分析师方面，咱们常常听闻客户的挫败体验，即在从模型获取预测前必须先构建和治理预测管道。之前，开发人员须要花数天工夫编写应用程序级代码，以在多个模型和应用程序之间来回挪动数据。咱们当初能够抉择弃用原有的预测管道，改用 Amazon QuickSight 将所有 ML 预测可视化并作出报告。
对于应用程序开发人员和商业分析师来说，这些新个性使得他们能够用更间接的形式向应用程序增加 ML 预测，无需尝试构建定制集成，挪动数据，学习多种独立工具，编写多行简单代码等等，甚至在不具备 ML 教训的条件下也能够应用。现在咱们甚至能够向 SQL 查问增加一些语句，在 Amazon QuickSight 中几次点击，即可实现过来占用开发人员多日的工作。
透过这些形式，AWS 让更多开发人员和数据分析师能够获取 ML 的弱小力量，而无需博士学位的加持。
大家能够拜访 Aurora、Athena 和 Amazon QuickSight 页面理解更多信息。