亞馬遜云服務(wù)(AWS) 為機(jī)器學(xué)習(xí)擴(kuò)圈 觸及每一位AI工作者
掃描二維碼
隨時(shí)隨地手機(jī)看文章
12月9日, AWS全球機(jī)器學(xué)習(xí)副總裁Swami Sivasubramanian (簡(jiǎn)稱Swami) 在亞馬遜re:Invent大會(huì)上發(fā)表機(jī)器學(xué)習(xí)和人工智能主題演講,展示了AWS關(guān)于人工智能與機(jī)器學(xué)習(xí)的最新全景藍(lán)圖,并宣布了一系列新服務(wù)和新功能,讓機(jī)器學(xué)習(xí)更易用和拓展到更加廣闊的使用者、應(yīng)用場(chǎng)景和行業(yè)。這是亞馬遜re:Invent大會(huì)上的首次機(jī)器學(xué)習(xí)主題演講。Swami主題演講中表示,“機(jī)器學(xué)習(xí)是我們這一代人能遇到最具顛覆性的技術(shù)之一,目前已經(jīng)有超過(guò)10萬(wàn)客戶在使用AWS的機(jī)器學(xué)習(xí)服務(wù),很多客戶已經(jīng)將機(jī)器學(xué)習(xí)用于其核心業(yè)務(wù)。”
AWS大中華區(qū)云服務(wù)產(chǎn)品管理總經(jīng)理顧凡介紹說(shuō),“亞馬遜利用機(jī)器學(xué)習(xí)技術(shù)已經(jīng)有20多年時(shí)間,這是AWS機(jī)器學(xué)習(xí)服務(wù)的深厚源泉。AWS在2016年開(kāi)始發(fā)力,在云上提供機(jī)器學(xué)習(xí)服務(wù)。當(dāng)年只發(fā)布了三個(gè)服務(wù),2017年開(kāi)始加速,最近三年,每年新增的服務(wù)和功能超過(guò)200個(gè),為全球人工智能工作者豐富了他們急需的工具集?!?
據(jù)德勤發(fā)布的《全球人工智能發(fā)展白皮書》預(yù)測(cè),到2025年,世界人工智能市場(chǎng)規(guī)模將超過(guò)6萬(wàn)億美元。
面對(duì)數(shù)字經(jīng)濟(jì)的發(fā)展機(jī)遇,多個(gè)國(guó)家和地區(qū)已將人工智能列為優(yōu)先發(fā)展的國(guó)家戰(zhàn)略。
2020年11月21日,國(guó)家工業(yè)信息安全發(fā)展研究中心在《2020人工智能與制造業(yè)融合發(fā)展白皮書》中指出了目前融合存在的諸多難點(diǎn),其中人才匱乏問(wèn)題尤為嚴(yán)重。而人社部官網(wǎng)的報(bào)道中測(cè)算,目前我國(guó)人工智能人才的缺口超過(guò)500萬(wàn),國(guó)內(nèi)的供求比例為1:10,供需比例嚴(yán)重失衡。
德勤發(fā)布的《全球人工智能發(fā)展白皮書》指出,在人工智能眾多的分支領(lǐng)域中,機(jī)器學(xué)習(xí)是人工智能的核心研究領(lǐng)域之一。包括89%的人工智能專利申請(qǐng)和40%人工智能范圍內(nèi)的相關(guān)專利均為機(jī)器學(xué)習(xí)范疇。
AWS是云計(jì)算的引領(lǐng)者,也是機(jī)器學(xué)習(xí)的翹楚。面對(duì)機(jī)器學(xué)習(xí)這樣一個(gè)充滿前途的事業(yè),以及當(dāng)前嚴(yán)重缺乏人才的處境,AWS通過(guò)多種方式,采取一系列措施,著重通過(guò)技術(shù)創(chuàng)新,為機(jī)器學(xué)習(xí)擴(kuò)圈。
首次推出開(kāi)箱即用的工業(yè)領(lǐng)域機(jī)器學(xué)習(xí)解決方案
擴(kuò)圈舉措之一,是推出開(kāi)箱即用的解決方案。在re:Invent大會(huì)上,AWS發(fā)布了五項(xiàng)用于工業(yè)領(lǐng)域的機(jī)器學(xué)習(xí)服務(wù),分別是Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一體機(jī)、AWS Panorama SDK和Amazon Lookout for Vision。這是AWS首次推出開(kāi)箱即用的工業(yè)領(lǐng)域機(jī)器學(xué)習(xí)解決方案。
Amazon Monitron和Amazon Lookout for Equipment通過(guò)機(jī)器學(xué)習(xí)支持預(yù)測(cè)性維護(hù)。Amazon Monitron面向沒(méi)有建立傳感器網(wǎng)絡(luò)的客戶,提供由傳感器、網(wǎng)關(guān)和機(jī)器學(xué)習(xí)服務(wù)組成的端到端機(jī)器監(jiān)控系統(tǒng),檢測(cè)異常并預(yù)測(cè)何時(shí)需要維護(hù)工業(yè)設(shè)備。Amazon Lookout for Equipment面向已經(jīng)擁有傳感器、但不希望自己構(gòu)建機(jī)器學(xué)習(xí)模型的客戶,由AWS為其構(gòu)建模型并返回預(yù)測(cè)結(jié)果,檢測(cè)異常設(shè)備行為。
AWS Panorama通過(guò)計(jì)算機(jī)視覺(jué)改善工業(yè)運(yùn)營(yíng)和工作場(chǎng)所安全。AWS Panorama一體機(jī)是一個(gè)硬件設(shè)備,將它連接到工業(yè)場(chǎng)所的網(wǎng)絡(luò)中,它就可以自動(dòng)識(shí)別攝像頭數(shù)據(jù)流,與工業(yè)攝像頭進(jìn)行交互。AWS Panorama軟件開(kāi)發(fā)套件(SDK),方便工業(yè)相機(jī)制造商在新相機(jī)中嵌入計(jì)算機(jī)視覺(jué)功能。
Amazon Lookout for Vision為工業(yè)客戶提供高精度、低成本的產(chǎn)品質(zhì)量異常檢測(cè)解決方案。它通過(guò)機(jī)器學(xué)習(xí)技術(shù),每小時(shí)可以處理數(shù)千張圖像,發(fā)現(xiàn)產(chǎn)品缺陷和異常??蛻艨梢詫z像頭圖像批量或?qū)崟r(shí)發(fā)送到Amazon Lookout for Vision,找出異常,例如機(jī)器部件的裂紋、面板上的凹痕、不規(guī)則形狀或產(chǎn)品上的顏色錯(cuò)誤等。
目前已經(jīng)使用AWS工業(yè)領(lǐng)域機(jī)器學(xué)習(xí)服務(wù)的客戶和合作伙伴包括Axis、凌華科技、BP、德勤、Fender芬達(dá)、GE 醫(yī)療和西門子交通等等。
打造包羅萬(wàn)象的工具箱,賦能每一位AI工作者
擴(kuò)圈舉措之二,是打造全面豐富的工具集,用顧凡的話說(shuō), right tool for the right job(為每一項(xiàng)工作都提供一個(gè)趁手的工具)。AWS提供的機(jī)器學(xué)習(xí)工具集包括三個(gè)層面。
工具集的底層,面向那些技術(shù)能力超強(qiáng)的客戶,希望將人工智能和機(jī)器學(xué)習(xí)作為自己的核心競(jìng)爭(zhēng)力。AWS為他們提供強(qiáng)大的算力、全面的算力選擇、豐富的機(jī)器學(xué)習(xí)框架選擇。AWS支持主流的機(jī)器學(xué)習(xí)框架,客戶還可以通過(guò)容器部署的方式,自帶機(jī)器學(xué)習(xí)框架;AWS可以提供基于英偉達(dá)、英特爾、AMD、賽靈思等芯片廠商的最新處理器的強(qiáng)大算力,同時(shí)還通過(guò)自主設(shè)計(jì)的處理器,極大地降低機(jī)器學(xué)習(xí)的算力成本。
工具集的中間層,面向那些技術(shù)能力較強(qiáng)的客戶,他們有大量的數(shù)據(jù)可以進(jìn)行機(jī)器學(xué)習(xí)模型訓(xùn)練,有一定的算法人才,不要花精力管理基礎(chǔ)設(shè)施,專注于自己的應(yīng)用和業(yè)務(wù)創(chuàng)新。AWS的Amazon SageMaker為他們提供了首個(gè)全托管的機(jī)器學(xué)習(xí)集成開(kāi)發(fā)環(huán)境,并為這個(gè)開(kāi)發(fā)環(huán)境不斷增加新功能,從數(shù)據(jù)準(zhǔn)備、到模型訓(xùn)練、參數(shù)調(diào)優(yōu)與模型迭代、到模型部署、模型質(zhì)量監(jiān)控,在整個(gè)過(guò)程中最大限度地提高他們開(kāi)展機(jī)器學(xué)習(xí)的效率,降低他們開(kāi)展機(jī)器學(xué)習(xí)的門檻。
工具集的頂層,面向技術(shù)能力相對(duì)薄弱的客戶,他們有一定的數(shù)據(jù),但沒(méi)有算法人才,他們希望在業(yè)務(wù)場(chǎng)景中直接引入人工智能。AWS為他們提供開(kāi)箱即用的人工智能服務(wù),目前已經(jīng)涵蓋機(jī)器視覺(jué)、語(yǔ)音文字轉(zhuǎn)換、機(jī)器對(duì)話、文本處理、電商業(yè)務(wù)、客服、企業(yè)內(nèi)信息搜索、開(kāi)發(fā)與運(yùn)維、工業(yè)AI等方面。
通過(guò)這樣一個(gè)全面的工具集,AWS可以覆蓋和賦能所有的人工智能工作者。
拓展到數(shù)據(jù)庫(kù)開(kāi)發(fā)者和數(shù)據(jù)分析師
擴(kuò)圈舉措之三,是將機(jī)器學(xué)習(xí)拓展到數(shù)據(jù)開(kāi)發(fā)者和數(shù)據(jù)分析師。數(shù)據(jù)庫(kù)開(kāi)發(fā)者、數(shù)據(jù)分析師這個(gè)群體,人數(shù)比機(jī)器學(xué)習(xí)開(kāi)發(fā)人員群體大得多,他們沒(méi)有機(jī)器學(xué)習(xí)的知識(shí)和技能,但是不缺少機(jī)器學(xué)習(xí)的想法。于是,AWS將機(jī)器學(xué)習(xí)能力跟數(shù)據(jù)庫(kù)進(jìn)行嫁接,讓數(shù)據(jù)庫(kù)開(kāi)發(fā)者、數(shù)據(jù)分析師沿用數(shù)據(jù)庫(kù)查詢的方式,讓他們的機(jī)器學(xué)習(xí)想法落地到業(yè)務(wù)應(yīng)用中。Amazon Aurora是AWS著名的關(guān)系型數(shù)據(jù)庫(kù)服務(wù),AWS針對(duì)Aurora推出了新功能Amazon Aurora ML。數(shù)據(jù)庫(kù)開(kāi)發(fā)者發(fā)起數(shù)據(jù)庫(kù)查詢(SQL)時(shí),只要選擇一個(gè)機(jī)器學(xué)習(xí)模型,就會(huì)喚醒機(jī)器學(xué)習(xí)服務(wù),Aurora ML自動(dòng)將查詢結(jié)果交給機(jī)器學(xué)習(xí)模型進(jìn)行推理,返回結(jié)果。例如,要查詢一個(gè)客戶評(píng)價(jià)是正面還是負(fù)面,數(shù)據(jù)庫(kù)開(kāi)發(fā)者只管做數(shù)據(jù)庫(kù)查詢、選擇這個(gè)模型,返回來(lái)的查詢結(jié)果就會(huì)自動(dòng)附加正面或負(fù)面判斷。類似地,出海電商想把數(shù)據(jù)庫(kù)中的商品信息變成多語(yǔ)種,數(shù)據(jù)庫(kù)開(kāi)發(fā)者只管查詢商品信息、選擇多語(yǔ)種翻譯,返回的結(jié)果就會(huì)自動(dòng)包含商品信息的多語(yǔ)種翻譯。
Amazon Athena是數(shù)據(jù)分析師經(jīng)常用到的服務(wù)。通過(guò)這項(xiàng)服務(wù),可以直接從Amazon S3上的對(duì)象文件中,利用SQL語(yǔ)句進(jìn)行數(shù)據(jù)查詢(SQL是結(jié)構(gòu)化查詢語(yǔ)言,原本用于關(guān)系型數(shù)據(jù)查詢,而S3的對(duì)象文件不是關(guān)系型數(shù)據(jù))。AWS也推出了新功能Amazon Athena ML,查詢返回的結(jié)果也可以自動(dòng)附帶機(jī)器學(xué)習(xí)推理的結(jié)果。
Amazon Redshift是云原生的數(shù)據(jù)倉(cāng)庫(kù)。AWS推出的新功能Amazon Redshift ML,甚至把選擇模型這一步省了。舉一個(gè)例子,電商領(lǐng)域經(jīng)常會(huì)哪些客戶有可能流失,這時(shí)你可能并沒(méi)有一個(gè)模型來(lái)判斷什么樣特征的客戶有可能會(huì)流失。通過(guò)Redshift ML,數(shù)據(jù)分析師只管SQL查詢,Redshift ML可以把數(shù)據(jù)導(dǎo)入S3,然后SageMaker的Autopilot功能結(jié)合。Autopilot是一個(gè)自動(dòng)建模的功能。這樣的Redshift ML可以自動(dòng)進(jìn)行數(shù)據(jù)清洗、模型訓(xùn)練,選擇最優(yōu)的模型進(jìn)行預(yù)測(cè)。
Amazon Neptune是AWS的一個(gè)圖數(shù)據(jù)庫(kù),主要用于知識(shí)圖譜、身份圖譜、欺詐檢測(cè)、推薦引擎、社交關(guān)系、生命科學(xué)等場(chǎng)景,用圖的方式表示各個(gè)數(shù)據(jù)實(shí)體之間的關(guān)系,例如,好友關(guān)系圖。對(duì)圖數(shù)據(jù)庫(kù),只是表示出數(shù)據(jù)的相關(guān)性顯然不夠,用戶更需要的是,根據(jù)這些相關(guān)性進(jìn)行機(jī)器學(xué)習(xí)推理。新功能Neptune ML,就是將圖數(shù)據(jù)庫(kù)和機(jī)器學(xué)習(xí)打通,通過(guò)機(jī)器學(xué)習(xí)模型去訪圖數(shù)據(jù)庫(kù),進(jìn)行更精準(zhǔn)的預(yù)測(cè)。
Amazon QuickSight是AWS的一個(gè)商業(yè)智能(BI)服務(wù),可以輕松地調(diào)用各種數(shù)據(jù)進(jìn)行分析和展現(xiàn)。AWS于2020年5月推出了QuickSight ML新功能,它也跟SageMaker的Autopilot功能進(jìn)行了結(jié)合,數(shù)據(jù)分析人員可以用它開(kāi)展欺詐檢測(cè)、銷售預(yù)測(cè)等工作。
在今年的re:Invent大會(huì)上,AWS推出了更酷的機(jī)器學(xué)習(xí)新功能QuickSight Q。通過(guò)它,可以用自然語(yǔ)言對(duì)數(shù)據(jù)進(jìn)行提問(wèn),獲得想要的數(shù)據(jù)洞察。例如,直接在查詢框中輸入“我們的同比增長(zhǎng)率是多少?”幾秒鐘之內(nèi)就可以得到高度準(zhǔn)確的答案。如果按以往的方式,需要在模型中預(yù)先定義增長(zhǎng)率、更新模型、處理數(shù)據(jù),可能需要幾天甚至幾周時(shí)間。
AWS還推出了Amazon Lookout For Metrics,它利用機(jī)器學(xué)習(xí)技術(shù),通過(guò)企業(yè)多種數(shù)據(jù)的比對(duì),檢測(cè)出數(shù)據(jù)異常。顧凡舉例說(shuō),一件商品的售價(jià)200元,在某個(gè)數(shù)據(jù)源變成了20元。通過(guò)Amazon Lookout For Metrics找出這種異常數(shù)據(jù),意義重大。如果是在線銷售中出現(xiàn)這樣的價(jià)格錯(cuò)誤,有可能給企業(yè)帶來(lái)巨大的損失。
此外,AWS還發(fā)布了利用機(jī)器學(xué)習(xí)的運(yùn)維服務(wù)Amazon DevOps Guru,它可以幫助應(yīng)用開(kāi)發(fā)人員自動(dòng)檢測(cè)運(yùn)維操作的問(wèn)題,給出建議補(bǔ)救措施,提高應(yīng)用程序可用性。此前,AWS已經(jīng)推出了Amazon CodeGuru,可以讓開(kāi)發(fā)人員使用機(jī)器學(xué)習(xí)自動(dòng)進(jìn)行代碼審核,并且提供指導(dǎo)和建議。
Amazon SageMaker再添九項(xiàng)新功能,快上加快,簡(jiǎn)單再簡(jiǎn)單
擴(kuò)圈舉措之四,大力發(fā)展機(jī)器學(xué)習(xí)的中間力量。如前所述,Amazon SageMaker是面向機(jī)器學(xué)習(xí)開(kāi)發(fā)者的一個(gè)集成開(kāi)發(fā)環(huán)境,是一項(xiàng)全托管的服務(wù)。它消除了機(jī)器學(xué)習(xí)過(guò)程中每個(gè)階段的挑戰(zhàn),化繁為簡(jiǎn),使開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家能夠從根本上更輕松、更快速地構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型。Amazon SageMaker的功能也在快速迭代中,過(guò)去一年就交付了50多項(xiàng)新功能。在今年的re:Invent大會(huì)上,AWS再次發(fā)布9項(xiàng)新功能。
(1) Data Wranger,數(shù)據(jù)特征提取器。Amazon SageMaker Data Wrangler可以簡(jiǎn)化機(jī)器學(xué)習(xí)的數(shù)據(jù)準(zhǔn)備工作。機(jī)器學(xué)習(xí)訓(xùn)練中有一個(gè)重要的工作,稱為特征工程,就是從不同來(lái)源、格式多樣的數(shù)據(jù)提取數(shù)據(jù),形成規(guī)范化的數(shù)據(jù)字段(也稱為特征),作為機(jī)器學(xué)習(xí)模型的輸入,這項(xiàng)工作非常耗時(shí)。通過(guò)Data Wrangler,客戶可以將各種數(shù)據(jù)存儲(chǔ)中的數(shù)據(jù)一鍵導(dǎo)入。Data Wrangler內(nèi)置了300多個(gè)數(shù)據(jù)轉(zhuǎn)換器,讓客戶無(wú)需編寫任何代碼,就可以機(jī)器學(xué)習(xí)用到的特征進(jìn)行規(guī)范化、轉(zhuǎn)換和組合。客戶可以通過(guò)在SageMaker Studio(首個(gè)用于機(jī)器學(xué)習(xí)的端到端集成開(kāi)發(fā)環(huán)境)中查看這些轉(zhuǎn)換,快速預(yù)覽和檢查這些轉(zhuǎn)換是否符合預(yù)期。
(2) Feature Store,數(shù)據(jù)特征存儲(chǔ)庫(kù)。鑒于有大量的特征需要管理,AWS為Amazon SageMaker推出了一項(xiàng)新功能,名為Feature Store。它一個(gè)用于更新、檢索和共享機(jī)器學(xué)習(xí)特征的專用庫(kù)。通過(guò)Data Wrangler把特征設(shè)計(jì)出來(lái)以后,可以保存在Feature Store 中,以供重復(fù)使用。一組特征會(huì)用于不同的模型,被多個(gè)開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家使用,需要有效地跟蹤、管理這些特征,及時(shí)更新,保持一致性。模型訓(xùn)練和利用模型進(jìn)行推理(也就是實(shí)際運(yùn)用模型),對(duì)特征的使用場(chǎng)景也不同。在訓(xùn)練過(guò)程中,模型可以離線、批量地訪問(wèn)特征,使用時(shí)間長(zhǎng)。而對(duì)于推理,通常只用到特征庫(kù)的一部分,不過(guò)需要實(shí)時(shí)訪問(wèn),幾毫秒內(nèi)返回預(yù)測(cè)結(jié)果。因此,如何特征庫(kù)的管理是一件復(fù)雜的事兒,F(xiàn)eature Store就用于解決這些問(wèn)題。
(3) Pipelines,自動(dòng)化工作流。跟傳統(tǒng)編程一樣,編排和自動(dòng)化可以提高機(jī)器學(xué)習(xí)的效率。Amazon SageMaker Pipelines是第一個(gè)專為機(jī)器學(xué)習(xí)構(gòu)建的、方便易用的CI/CD(持續(xù)集成和持續(xù)交付)服務(wù)。
(4) Clarify,模型偏差檢測(cè)。通過(guò)Amazon SageMaker Clarify,開(kāi)發(fā)人員可以方便地檢測(cè)整個(gè)機(jī)器學(xué)習(xí)工作流中的統(tǒng)計(jì)偏差,為機(jī)器學(xué)習(xí)模型所做的預(yù)測(cè)做出解釋,識(shí)別偏差,清晰描述可能的偏差來(lái)源及其嚴(yán)重程度,指導(dǎo)開(kāi)發(fā)人員采取措施減小偏差。
(5) Deep Profiling for Amazon SageMaker Debugger,對(duì)模型訓(xùn)練進(jìn)行剖析。通過(guò)Deep Profiling,能夠自動(dòng)監(jiān)控系統(tǒng)資源利用率,例如 GPU、CPU、網(wǎng)絡(luò)吞吐量和內(nèi)存 I/O,對(duì)訓(xùn)練過(guò)程中的資源瓶頸進(jìn)行告警,讓開(kāi)發(fā)者及時(shí)調(diào)度資源,更快地訓(xùn)練模型。
(6-7) Distributed Training,大型復(fù)雜深度學(xué)習(xí)模型的分布式訓(xùn)練。AWS提供了兩種方法,模型訓(xùn)練拆分到幾百、幾千個(gè)CPU上進(jìn)行。一個(gè)是數(shù)據(jù)并行引擎,對(duì)數(shù)據(jù)集進(jìn)行拆分。一個(gè)是模型并行引擎,自動(dòng)剖析、識(shí)別分割模型的最佳方式,在多個(gè) GPU上高效分割具有幾十億參數(shù)的大型復(fù)雜模型。通過(guò)對(duì)訓(xùn)練進(jìn)行拆分,Amazon SageMaker可以將訓(xùn)練大型復(fù)雜深度學(xué)習(xí)模型的速度比當(dāng)前的方法快兩倍。
(8) Edge Manager,邊緣端模型質(zhì)量監(jiān)控和管理。Amazon SageMaker Edge Manager 可以幫助開(kāi)發(fā)人員優(yōu)化、保護(hù)、監(jiān)控和維護(hù)部署在邊緣設(shè)備集群上的機(jī)器學(xué)習(xí)模型。模型部署到邊緣設(shè)備以后,仍然需要管理和監(jiān)控模型,確保它們持續(xù)以高精度運(yùn)行。當(dāng)模型的準(zhǔn)確性隨著時(shí)間的推移而下降時(shí),開(kāi)發(fā)人員可以重新訓(xùn)練模型,不斷提高模型的質(zhì)量。
(9) JumpStart,快捷起步工具。通過(guò)Amazon SageMaker JumpStart,客戶可以快速找到跟自己類似的機(jī)器學(xué)習(xí)場(chǎng)景相關(guān)信息。新手開(kāi)發(fā)人員可以從多個(gè)完整的解決方案進(jìn)行選擇,例如欺詐檢測(cè)、客戶流失預(yù)測(cè)或時(shí)序預(yù)測(cè),直接部署到自己的Amazon SageMaker Studio環(huán)境中。有一些經(jīng)驗(yàn)的用戶則可以從100多個(gè)機(jī)器學(xué)習(xí)模型中選擇,快速開(kāi)始模型構(gòu)建和訓(xùn)練。
不斷豐富的新功能,讓Amazon SageMaker備受客戶歡迎。它推出短短三年時(shí)間,已經(jīng)有幾萬(wàn)家客戶在使用,包括3M、ADP、阿斯利康、Avis、拜耳、Bundesliga、Capital One、Cerner、Chick-fil-A、Convoy、達(dá)美樂(lè)比薩、富達(dá)投資、GE醫(yī)療、Georgia-Pacific、赫斯特、iFood、iHeartMedia、摩根大通、Intuit、聯(lián)想、Lyft、國(guó)家橄欖球聯(lián)盟、Nerdwallet、T-Mobile、湯森路透、Vanguard等等。
AWS的系列擴(kuò)圈之舉,背后是AWS對(duì)機(jī)器學(xué)習(xí)的雄心。Swami說(shuō),15年前他研究生畢業(yè),有幸進(jìn)入AWS開(kāi)始云計(jì)算事業(yè)。如今可以毫無(wú)不夸張地說(shuō),云計(jì)算釋放出巨大的力量,幫助各種創(chuàng)業(yè)公司和成熟企業(yè)取得了巨大的成功。機(jī)器學(xué)習(xí)目前就處于那樣的早期階段。我們從Swami的字里行間可以讀出,機(jī)器學(xué)習(xí)就是AWS的下一個(gè)金礦。