linux工程师，RHCE
分类： 系统运维
2020-06-02 10:19:23
机器学习自诞生至今，已经被应用在很多领域，但目前来看对于从业人员来说仍然存在着一些阻力。
首先是机器学习方向的学习门槛高，人工智能、机器学习这些知识，相对来说比较苦涩难懂，对学习人员的综合素养要求高；想要真正成为一名机器学习工程师。不仅要处理代码中的各种问题，还需要不断学习、与其他部门的人员沟通、了解和学会使用各种新型代码库或模型。
而近期登陆中国区的Amazon SageMaker的目标就是帮助开发者和数据科学家快速构建、训练和部署机器学习 (ML) 模型。SageMaker 消除了机器学习过程中大量的繁重琐碎工作，让开发高质量模型变得更加轻松，大幅度降低了开发者和数据科学家的工作难度。
不断加码AI赛道的AWS
“亚马逊从电商时代就非常关注机器学习，产品推荐、产品搜索、物流配送、送货机器人、智能助理Amazon Echo、无人值守商店Amazon Go等业务都遍布机器学习的身影。”张侠讲到。
不光是C端产品的历史渊源，亚马逊在面向B端的产品布局也早有规划。
自从主打智能家居的Amazon Alexa系列设备取得大获成功后，亚马逊不断加快在B端AI产品的布局，2016前起陆续收购图像公司Orbeus、聊天机器人平台Angel.a、AI云服务安全公司Harvest.ai等一些列的AI相关公司，亚马逊在ToB领域的努力早有成果，产品线包括销售的Tact.ai、零售的Blutag、餐饮的SeverRooms等日常生活常见场景。
随后在2016年re:Invent 大会上，亚马逊云服务AWS也正式推出自己的AI产品线：Amazon Lex、Amazon Polly 以及 Amazon Rekognition，分别定位于可编写自然人机交互、语音转换服务以及图像识别。
而其中机器学习作为提升数据处理效率的有利武器，亚马逊云服务AWS也早已渗透。据统计，约80%的TensorFlow AI系统部署在AWS的云服务上。而在2019年正式发布的自动化机器学习Amazon SageMaker，也已经凭借过硬的实力快速获得了市场认可，再依托Amazon EC2的客户积累SageMaker也得以快速部署。
Amazon SageMaker更多的是专注中间层的服务，主要目标是消除机器学习过程中的繁重工作，让开发高质量模型变得更加轻松。客户可以直接在其应用中调用AWS提供的这些人工智能和机器学习的服务，而无需关注服务背后的机器学习模型。
AI能力领跑全球的AWS
人工智能和机器学习技术的难点在于如何把这些技术真正应用到现实生产实践中，AWS一直在致力于帮助企业解决这些问题。
根据来自权威研究机构Gartner发布《Magic Quadrant for Cloud AI Developer Services》研究报告显示AWS、微软、谷歌、IBM位列领导者象限的厂商，亚马逊云服务AWS排名第一，领跑全球。报告指出，AWS拥有非常强大产品组合，在市场有很高的知名度，AWS为开发人员提供的服务可以满足那些没有机器学习（ML）技能和寻求高级功能的人的需求。
Gartner《云AI开发者服务魔力象限》
为了帮助开发人员学习应用机器学习（ML）、AI和深度学习，AWS还提供了30多种数字培训课程以及AWS DeepLens和AWS DeepRacer，开发人员可以使用它们学习深度学习和强化学习的基础知识。
Amazon SageMake-提升开发效率的好平台
机器学习目前对企业和从业者来说仍然一个非常繁琐的工作。在企业中，大多数企业并不具备独立开发机器学习模型的能力；对开发者和数据科学家来说，进行机器学习首先必须对数据进行可视化、转换和预处理等一些列的处理才可以完成一个完成的模型。
通过预置的Notebook、针对PB级数据集优化的常用算法，以及自动模型调优，Amazon SageMaker大大降低了模型构建和训练的难度。并且，Amazon SageMaker显著简化和加快了模型训练过程，可以通过自动提供和管理基础设施来训练模型和运行推理。再者Amazon SageMaker也降低机器学习门槛，帮助使用Amazon SageMaker的企业大幅度削减成本。
一站式开发工具Amazon SageMaker Studio
SageMaker提高工作效率最重要的动力来源之一是Amazon SageMaker Studio。SageMaker Studio 为开发者和数据科学家提供了一站式的基于 Web 的可视化界面，它是一个用于机器学习的基于 Web 的集成开发环境 (IDE)，用户可以在界面上执行构建、训练、调试、部署和监控机器学习模型等所有的 ML 开发步骤。在一个统一的可视化界面中，用户就可实现下面功能：
l 在 Jupyter 笔记本中编写和执行代码
l 构建和训练机器学习模型
l 部署模型并监控其预测性能
l 跟踪和调试机器学习实验
TCO成本大幅减少
AWS对使用Amazon SageMaker 的团队进行了TCO分析，结果表明，使用它的企业 TCO 在三年时间里比其他方式如自己通过 Amazon EC2 或 Amazon EKS来建设要低 54%。研究的分析范围涵盖了从只有五位数据科学家的小团队到由 250 位数据科学家组成的超大型团队，结论是 Amazon SageMaker 能为各种规模大小不同的团队都提供更出色的 TCO。
在采访时,大宇无限机器学习技术总监苏映滨表示：“Amazon SageMaker的出现，帮我们实现从0到1的突破。构建一个机器学习平台不仅需要非常专业的人，而且投入的人力、资金和时间都非常大，对于大宇无限来说，这不太现实。”在SageMaker的帮助下，他们用三个月时间就完成了整个系统的搭建。SageMaker不仅帮助大宇无限完成了搭建，而且，在使用过程中还发现它的训练成本远低于自己搭建一套系统，据苏映滨估计，平均下来能节省70%的训练成本。
伊克罗德是AWS的核心级咨询合作伙伴 (APN Premier Consulting Partner)，其基于AWS的解决方案极大地减少了用户的开发时间与运营费用。伊克罗德中国区副总裁桂梓捷表示：“我们运用Amazon SageMaker平台加速企业导入行业AI解决方案，如标签标注、文本分析、语意理解、预测分类、推荐系统与诈欺侦测等，针对客户实际遇到的商业问题，量身打造真正解决问题的端到端AI应用。随着Amazon SageMaker在中国区域落地，我们将会以SageMaker平台作为企业MLOps（机器学习运营）核心，协助企业构建MLOps流程，尤其在金融行业领域，帮助企业内部数据科学家与AI工程师建立、训练与部署机器学习模型。”
AWS希望更多的客户可以认识到Amazon SageMaker，针对有AI技术团队的企业，更多的是协助这些企业去打造自己内部的MLOps的流程，让SageMaker跟SageMaker的Studio成为客户内部开发的一个重要环节。针对没有AI技术的客户，就可以借助SageMaker平台的技术模块，让没有AI技术团队的企业也可以享受到SageMaker平台的优势。
未来的世界人工智能和云将无处不在。但对于巨头来说，未来市场竞争力将会聚焦于人工智能技术服务，为各行业智能化转型提供解决方案，以此推动各大产业智能变革。与此同时，中国作为全球最重要且最具活力市场，对人工智能和云计算等新技术应用需求也在日益剧增，人工智能也必将成为各业务部门不可或缺的一部分，如何更好的推动大规模创新并实现巨大的商业价值是每个巨头应该思考的问题。《linux就该这么学》不错的linux自学书籍
