'對話Swami：為什麼數萬個客戶選擇AWS實施機器學習？'
作者|小葳
作者|小葳
8月底，以“智聯世界 無限可能”為主題的2019世界人工智能大會（WAIC）成為科技界最受關注的盛會。AI應用落地成為今年WAIC的最大亮點之一。
目前，中國人工智能產業正進入落地實踐階段。據相關機構測算，到2020年我國人工智能產業規模有望突破1600億元，帶動相關產業突破1萬億元，AI日益成為經濟社會發展中新舊動能轉換的動力。
作為 WAIC 戰略合作伙伴，第二次參會的AWS通過“AWS 雲端的人工智能”主題論壇、“AWS人工智能主題體驗展”等環節，分享了AI發展最新趨勢並展示了AI在細分行業的眾多落地實踐。
目前，全球已有幾萬個客戶選擇藉助 AWS 實施機器學習，其中既有巨頭企業，也有風口上的初創企業。作為全球雲計算領域公認的領先者，AWS在AI領域的定位是什麼？AWS是如何推動AI技術實際落地到各行各業場景中？
WAIC期間，AWS副總裁，負責亞馬遜人工智能和機器學習業務的Swami Sirasubramanian先生接受了媒體專訪。
作者|小葳
8月底，以“智聯世界 無限可能”為主題的2019世界人工智能大會（WAIC）成為科技界最受關注的盛會。AI應用落地成為今年WAIC的最大亮點之一。
目前，中國人工智能產業正進入落地實踐階段。據相關機構測算，到2020年我國人工智能產業規模有望突破1600億元，帶動相關產業突破1萬億元，AI日益成為經濟社會發展中新舊動能轉換的動力。
作為 WAIC 戰略合作伙伴，第二次參會的AWS通過“AWS 雲端的人工智能”主題論壇、“AWS人工智能主題體驗展”等環節，分享了AI發展最新趨勢並展示了AI在細分行業的眾多落地實踐。
目前，全球已有幾萬個客戶選擇藉助 AWS 實施機器學習，其中既有巨頭企業，也有風口上的初創企業。作為全球雲計算領域公認的領先者，AWS在AI領域的定位是什麼？AWS是如何推動AI技術實際落地到各行各業場景中？
WAIC期間，AWS副總裁，負責亞馬遜人工智能和機器學習業務的Swami Sirasubramanian先生接受了媒體專訪。
AWS副總裁Swami Sirasubramanian
跨越數據處理障礙，縮短企業構建AI的時間
“現在AI還處於發展早期，但是AI技術採納率的增長速度非常快。已經不只是一兩個細分行業在應用，非常多的細分行業已經開始使用AI技術。”
Swami曾任AWS的NoSQL數據庫總經理，負責AWS核心數據庫業務的工程設計、產品管理和運營保障，他還打造了Amazon CloudFront、Amazon S3等30項以上的AWS雲服務。
Swami認為，目前全球包括中國都處在一個AI加速落地的階段，但是依然有很多因素阻礙企業採納人工智能技術。其中很關鍵一項就是，擁抱AI之前，很多企業被卡在數據處理階段。
“AI或者機器學習就像一個蛋糕上的奶油，蛋糕底下要有別的東西來支撐，包括大數據、存儲、計算等。機器學習對於科學家和開發者的最大挑戰，就是為機器學習模型籌備所需的數據。很多公司50%到70%的人力和時間都花在數據籌備上。”Swami表示。
作者|小葳
8月底，以“智聯世界 無限可能”為主題的2019世界人工智能大會（WAIC）成為科技界最受關注的盛會。AI應用落地成為今年WAIC的最大亮點之一。
目前，中國人工智能產業正進入落地實踐階段。據相關機構測算，到2020年我國人工智能產業規模有望突破1600億元，帶動相關產業突破1萬億元，AI日益成為經濟社會發展中新舊動能轉換的動力。
作為 WAIC 戰略合作伙伴，第二次參會的AWS通過“AWS 雲端的人工智能”主題論壇、“AWS人工智能主題體驗展”等環節，分享了AI發展最新趨勢並展示了AI在細分行業的眾多落地實踐。
目前，全球已有幾萬個客戶選擇藉助 AWS 實施機器學習，其中既有巨頭企業，也有風口上的初創企業。作為全球雲計算領域公認的領先者，AWS在AI領域的定位是什麼？AWS是如何推動AI技術實際落地到各行各業場景中？
WAIC期間，AWS副總裁，負責亞馬遜人工智能和機器學習業務的Swami Sirasubramanian先生接受了媒體專訪。
AWS副總裁Swami Sirasubramanian
跨越數據處理障礙，縮短企業構建AI的時間
“現在AI還處於發展早期，但是AI技術採納率的增長速度非常快。已經不只是一兩個細分行業在應用，非常多的細分行業已經開始使用AI技術。”
Swami曾任AWS的NoSQL數據庫總經理，負責AWS核心數據庫業務的工程設計、產品管理和運營保障，他還打造了Amazon CloudFront、Amazon S3等30項以上的AWS雲服務。
Swami認為，目前全球包括中國都處在一個AI加速落地的階段，但是依然有很多因素阻礙企業採納人工智能技術。其中很關鍵一項就是，擁抱AI之前，很多企業被卡在數據處理階段。
“AI或者機器學習就像一個蛋糕上的奶油，蛋糕底下要有別的東西來支撐，包括大數據、存儲、計算等。機器學習對於科學家和開發者的最大挑戰，就是為機器學習模型籌備所需的數據。很多公司50%到70%的人力和時間都花在數據籌備上。”Swami表示。
比如，一家自動駕駛領域的初創公司在開發算法的過程中，需要籌備大量的數據，包括道路數據、行駛數據、標識數據、障礙物數據等等，然後需要對所有數據進行分類、做標註。
AWS提供了很多存儲、計算、大數據方面的工具，便於企業更加穩定、端到端整合地籌備數據，可以將企業數據準備和數據標註費用降低70%，從而更加快速地採納機器學習方案。
國內自動駕駛公司Momenta就藉助AWS的平臺來進行數據收集、數據標註，並進行分佈式的機器學習訓練。英語流利說也是基於AWS大數據基礎架構來進行人工智能建模，極大節省了技術投入的成本。
在AI領域，AWS的定位非常明確——為企業提供廣泛、深入的機器學習工具，幫助企業儘可能縮短構建AI技術所用的時間，更快地把核心產品和技術部署到全球市場。
“積木拼裝”，AWS機器學習的三層架構
那麼，從技術架構上，AWS的AI服務是如何幫助企業用好AI的呢？這就離不開AWS機器學習的整體框架。可以說，AWS所有AI服務都離不開這個整體框架。
作者|小葳
8月底，以“智聯世界 無限可能”為主題的2019世界人工智能大會（WAIC）成為科技界最受關注的盛會。AI應用落地成為今年WAIC的最大亮點之一。
目前，中國人工智能產業正進入落地實踐階段。據相關機構測算，到2020年我國人工智能產業規模有望突破1600億元，帶動相關產業突破1萬億元，AI日益成為經濟社會發展中新舊動能轉換的動力。
作為 WAIC 戰略合作伙伴，第二次參會的AWS通過“AWS 雲端的人工智能”主題論壇、“AWS人工智能主題體驗展”等環節，分享了AI發展最新趨勢並展示了AI在細分行業的眾多落地實踐。
目前，全球已有幾萬個客戶選擇藉助 AWS 實施機器學習，其中既有巨頭企業，也有風口上的初創企業。作為全球雲計算領域公認的領先者，AWS在AI領域的定位是什麼？AWS是如何推動AI技術實際落地到各行各業場景中？
WAIC期間，AWS副總裁，負責亞馬遜人工智能和機器學習業務的Swami Sirasubramanian先生接受了媒體專訪。
AWS副總裁Swami Sirasubramanian
跨越數據處理障礙，縮短企業構建AI的時間
“現在AI還處於發展早期，但是AI技術採納率的增長速度非常快。已經不只是一兩個細分行業在應用，非常多的細分行業已經開始使用AI技術。”
Swami曾任AWS的NoSQL數據庫總經理，負責AWS核心數據庫業務的工程設計、產品管理和運營保障，他還打造了Amazon CloudFront、Amazon S3等30項以上的AWS雲服務。
Swami認為，目前全球包括中國都處在一個AI加速落地的階段，但是依然有很多因素阻礙企業採納人工智能技術。其中很關鍵一項就是，擁抱AI之前，很多企業被卡在數據處理階段。
“AI或者機器學習就像一個蛋糕上的奶油，蛋糕底下要有別的東西來支撐，包括大數據、存儲、計算等。機器學習對於科學家和開發者的最大挑戰，就是為機器學習模型籌備所需的數據。很多公司50%到70%的人力和時間都花在數據籌備上。”Swami表示。
比如，一家自動駕駛領域的初創公司在開發算法的過程中，需要籌備大量的數據，包括道路數據、行駛數據、標識數據、障礙物數據等等，然後需要對所有數據進行分類、做標註。
AWS提供了很多存儲、計算、大數據方面的工具，便於企業更加穩定、端到端整合地籌備數據，可以將企業數據準備和數據標註費用降低70%，從而更加快速地採納機器學習方案。
國內自動駕駛公司Momenta就藉助AWS的平臺來進行數據收集、數據標註，並進行分佈式的機器學習訓練。英語流利說也是基於AWS大數據基礎架構來進行人工智能建模，極大節省了技術投入的成本。
在AI領域，AWS的定位非常明確——為企業提供廣泛、深入的機器學習工具，幫助企業儘可能縮短構建AI技術所用的時間，更快地把核心產品和技術部署到全球市場。
“積木拼裝”，AWS機器學習的三層架構
那麼，從技術架構上，AWS的AI服務是如何幫助企業用好AI的呢？這就離不開AWS機器學習的整體框架。可以說，AWS所有AI服務都離不開這個整體框架。
Swami指出，AWS將多層面、多維度的機器學習技術按對象和功能不同，分為三層，針對不同的技術人群提供不同的服務：
最底層是機器學習框架和基礎架構，包括與主流機器學習框架、接口，以及高性能服務器、虛擬機為主的基礎服務。比如，Amazon EC2的p3dn實例類型就是非常適合做分佈式機器學習開發的虛擬機。AWS最底層的AI服務，面向的是IT工程師、機器學習科學家、應用開發人員。調用這些服務，需要三類專業人員共同開發。
中間層是AWS端到端的託管機器學習平臺Amazon SageMaker為主的模型訓練層。Amazon SageMaker相當於一個自動化的機器學習模型訓練平臺，只要輸入訓練數據並挑選好算法，Amazon SageMaker可以幫企業進行人工智能建模，同時還能管理底層需要用到的所有的服務器和框架。
Amazon SageMaker主要面向數據科學家，可以把他們從漫長的模型構建中解放出來。Swami舉例說，此前一家制藥公司自己要花費超過兩個月時間才能建立一個機器學習模型，但藉助Amazon SageMaker等工具之後，現在只要花不到4個小時。
最上層是供企業直接調用的AI服務，包括視覺、語音、語言、預測等領域的AI能力。面向的是應用開發人員，而且他們不需要懂AI技術。AWS架構工程師告訴智能進化論，最上層相當於SaaS AI服務，即插即用，按需付費。企業可以根據自己的需求進行積木化拼裝，極大降低了AI應用的門檻。
這些AI服務包括：用於靜態圖片識別的Amazon Rekognition、用於視頻識別的Amazon Rekognition Image、從視頻中提取文本的Amazon Textract、能為視頻打字幕的Amazon Transcribe、發現文本中的見解和關係的自然語言處理服務Amazon Comprehend等等。
作者|小葳
8月底，以“智聯世界 無限可能”為主題的2019世界人工智能大會（WAIC）成為科技界最受關注的盛會。AI應用落地成為今年WAIC的最大亮點之一。
目前，中國人工智能產業正進入落地實踐階段。據相關機構測算，到2020年我國人工智能產業規模有望突破1600億元，帶動相關產業突破1萬億元，AI日益成為經濟社會發展中新舊動能轉換的動力。
作為 WAIC 戰略合作伙伴，第二次參會的AWS通過“AWS 雲端的人工智能”主題論壇、“AWS人工智能主題體驗展”等環節，分享了AI發展最新趨勢並展示了AI在細分行業的眾多落地實踐。
目前，全球已有幾萬個客戶選擇藉助 AWS 實施機器學習，其中既有巨頭企業，也有風口上的初創企業。作為全球雲計算領域公認的領先者，AWS在AI領域的定位是什麼？AWS是如何推動AI技術實際落地到各行各業場景中？
WAIC期間，AWS副總裁，負責亞馬遜人工智能和機器學習業務的Swami Sirasubramanian先生接受了媒體專訪。
AWS副總裁Swami Sirasubramanian
跨越數據處理障礙，縮短企業構建AI的時間
“現在AI還處於發展早期，但是AI技術採納率的增長速度非常快。已經不只是一兩個細分行業在應用，非常多的細分行業已經開始使用AI技術。”
Swami曾任AWS的NoSQL數據庫總經理，負責AWS核心數據庫業務的工程設計、產品管理和運營保障，他還打造了Amazon CloudFront、Amazon S3等30項以上的AWS雲服務。
Swami認為，目前全球包括中國都處在一個AI加速落地的階段，但是依然有很多因素阻礙企業採納人工智能技術。其中很關鍵一項就是，擁抱AI之前，很多企業被卡在數據處理階段。
“AI或者機器學習就像一個蛋糕上的奶油，蛋糕底下要有別的東西來支撐，包括大數據、存儲、計算等。機器學習對於科學家和開發者的最大挑戰，就是為機器學習模型籌備所需的數據。很多公司50%到70%的人力和時間都花在數據籌備上。”Swami表示。
比如，一家自動駕駛領域的初創公司在開發算法的過程中，需要籌備大量的數據，包括道路數據、行駛數據、標識數據、障礙物數據等等，然後需要對所有數據進行分類、做標註。
AWS提供了很多存儲、計算、大數據方面的工具，便於企業更加穩定、端到端整合地籌備數據，可以將企業數據準備和數據標註費用降低70%，從而更加快速地採納機器學習方案。
國內自動駕駛公司Momenta就藉助AWS的平臺來進行數據收集、數據標註，並進行分佈式的機器學習訓練。英語流利說也是基於AWS大數據基礎架構來進行人工智能建模，極大節省了技術投入的成本。
在AI領域，AWS的定位非常明確——為企業提供廣泛、深入的機器學習工具，幫助企業儘可能縮短構建AI技術所用的時間，更快地把核心產品和技術部署到全球市場。
“積木拼裝”，AWS機器學習的三層架構
那麼，從技術架構上，AWS的AI服務是如何幫助企業用好AI的呢？這就離不開AWS機器學習的整體框架。可以說，AWS所有AI服務都離不開這個整體框架。
Swami指出，AWS將多層面、多維度的機器學習技術按對象和功能不同，分為三層，針對不同的技術人群提供不同的服務：
最底層是機器學習框架和基礎架構，包括與主流機器學習框架、接口，以及高性能服務器、虛擬機為主的基礎服務。比如，Amazon EC2的p3dn實例類型就是非常適合做分佈式機器學習開發的虛擬機。AWS最底層的AI服務，面向的是IT工程師、機器學習科學家、應用開發人員。調用這些服務，需要三類專業人員共同開發。
中間層是AWS端到端的託管機器學習平臺Amazon SageMaker為主的模型訓練層。Amazon SageMaker相當於一個自動化的機器學習模型訓練平臺，只要輸入訓練數據並挑選好算法，Amazon SageMaker可以幫企業進行人工智能建模，同時還能管理底層需要用到的所有的服務器和框架。
Amazon SageMaker主要面向數據科學家，可以把他們從漫長的模型構建中解放出來。Swami舉例說，此前一家制藥公司自己要花費超過兩個月時間才能建立一個機器學習模型，但藉助Amazon SageMaker等工具之後，現在只要花不到4個小時。
最上層是供企業直接調用的AI服務，包括視覺、語音、語言、預測等領域的AI能力。面向的是應用開發人員，而且他們不需要懂AI技術。AWS架構工程師告訴智能進化論，最上層相當於SaaS AI服務，即插即用，按需付費。企業可以根據自己的需求進行積木化拼裝，極大降低了AI應用的門檻。
這些AI服務包括：用於靜態圖片識別的Amazon Rekognition、用於視頻識別的Amazon Rekognition Image、從視頻中提取文本的Amazon Textract、能為視頻打字幕的Amazon Transcribe、發現文本中的見解和關係的自然語言處理服務Amazon Comprehend等等。
值得注意的是，這些AI能力中不少是經過亞馬遜電商業務驗證過的。
比如，聊天機器人服務Amazon Lex和文字轉語音服務Amazon Polly正是亞馬遜智能語音助手Alexa的內核。Amazon Lex負責文本對文本的聊天，Amazon Polly再將文本轉換為逼真語音，其目前已支持中文普通話在內的29種語言。基於時序數據的預測工具Amazon Forecast也是亞馬遜電商在全球使用多年的成熟架構。
現在，這些先進的AI技術，都通過AWS雲服務的形式向開發者開放，可以直接使用。
此外，AWS也在加速服務在中國市場的落地。比如本屆WAIC上，AWS宣佈Amazon Transcribe已支持中文普通話語音的轉寫，最新的Amazon EC2 G4實例將於今年部署到AWS 中國（北京）和AWS中國（寧夏）兩個區域。
拒絕路線圖模式，保持敏捷與客製化
AI在不同細分行業的落地過程中，是否面臨著一些共同的痛點？
Swami認為，很多企業缺乏把AI技術進行客製化、用來解決本行業核心業務的能力，而AWS想要幫企業補足這一點。
2018年，AWS新推出的服務多達1957個，是5年前的四倍。Swami指出，AWS有90%到95%的服務擴展都是基於客戶反饋，另外5%到10%的擴展也是基於AWS對客戶反饋的詮釋。
“我們從來不會發布所謂的擴展路線圖或者擴展計劃，因為AWS想保持敏捷性。AWS的技術可以讓不同細分行業的企業對人工智能進行定製，使得開發者更加容易使用我們的人工智能、機器學習技術納入細分領域的應用程序中去。” Swami強調。
在本屆WAIC的展臺，AWS展示了一系列從智慧零售到工程監控、從媒體分析到AI醫療的行業解決方案，無不體現了AWS AI技術的客製化。
在智能媒體分析技術展示中，根據輸入的關鍵詞“男性”或“悲傷”等，AI可以自動搜索出包含有這些關鍵詞的圖像、聲音、視頻內容。該方案可用在智能零售、安防等場景下。
比如，AI技術可以根據零售商自定義要求，從賣場的視頻、聲音和圖像三種信息介質中，實時分析出對銷售有價值的信息，進行精準用戶畫像。
作者|小葳
8月底，以“智聯世界 無限可能”為主題的2019世界人工智能大會（WAIC）成為科技界最受關注的盛會。AI應用落地成為今年WAIC的最大亮點之一。
目前，中國人工智能產業正進入落地實踐階段。據相關機構測算，到2020年我國人工智能產業規模有望突破1600億元，帶動相關產業突破1萬億元，AI日益成為經濟社會發展中新舊動能轉換的動力。
作為 WAIC 戰略合作伙伴，第二次參會的AWS通過“AWS 雲端的人工智能”主題論壇、“AWS人工智能主題體驗展”等環節，分享了AI發展最新趨勢並展示了AI在細分行業的眾多落地實踐。
目前，全球已有幾萬個客戶選擇藉助 AWS 實施機器學習，其中既有巨頭企業，也有風口上的初創企業。作為全球雲計算領域公認的領先者，AWS在AI領域的定位是什麼？AWS是如何推動AI技術實際落地到各行各業場景中？
WAIC期間，AWS副總裁，負責亞馬遜人工智能和機器學習業務的Swami Sirasubramanian先生接受了媒體專訪。
AWS副總裁Swami Sirasubramanian
跨越數據處理障礙，縮短企業構建AI的時間
“現在AI還處於發展早期，但是AI技術採納率的增長速度非常快。已經不只是一兩個細分行業在應用，非常多的細分行業已經開始使用AI技術。”
Swami曾任AWS的NoSQL數據庫總經理，負責AWS核心數據庫業務的工程設計、產品管理和運營保障，他還打造了Amazon CloudFront、Amazon S3等30項以上的AWS雲服務。
Swami認為，目前全球包括中國都處在一個AI加速落地的階段，但是依然有很多因素阻礙企業採納人工智能技術。其中很關鍵一項就是，擁抱AI之前，很多企業被卡在數據處理階段。
“AI或者機器學習就像一個蛋糕上的奶油，蛋糕底下要有別的東西來支撐，包括大數據、存儲、計算等。機器學習對於科學家和開發者的最大挑戰，就是為機器學習模型籌備所需的數據。很多公司50%到70%的人力和時間都花在數據籌備上。”Swami表示。
比如，一家自動駕駛領域的初創公司在開發算法的過程中，需要籌備大量的數據，包括道路數據、行駛數據、標識數據、障礙物數據等等，然後需要對所有數據進行分類、做標註。
AWS提供了很多存儲、計算、大數據方面的工具，便於企業更加穩定、端到端整合地籌備數據，可以將企業數據準備和數據標註費用降低70%，從而更加快速地採納機器學習方案。
國內自動駕駛公司Momenta就藉助AWS的平臺來進行數據收集、數據標註，並進行分佈式的機器學習訓練。英語流利說也是基於AWS大數據基礎架構來進行人工智能建模，極大節省了技術投入的成本。
在AI領域，AWS的定位非常明確——為企業提供廣泛、深入的機器學習工具，幫助企業儘可能縮短構建AI技術所用的時間，更快地把核心產品和技術部署到全球市場。
“積木拼裝”，AWS機器學習的三層架構
那麼，從技術架構上，AWS的AI服務是如何幫助企業用好AI的呢？這就離不開AWS機器學習的整體框架。可以說，AWS所有AI服務都離不開這個整體框架。
Swami指出，AWS將多層面、多維度的機器學習技術按對象和功能不同，分為三層，針對不同的技術人群提供不同的服務：
最底層是機器學習框架和基礎架構，包括與主流機器學習框架、接口，以及高性能服務器、虛擬機為主的基礎服務。比如，Amazon EC2的p3dn實例類型就是非常適合做分佈式機器學習開發的虛擬機。AWS最底層的AI服務，面向的是IT工程師、機器學習科學家、應用開發人員。調用這些服務，需要三類專業人員共同開發。
中間層是AWS端到端的託管機器學習平臺Amazon SageMaker為主的模型訓練層。Amazon SageMaker相當於一個自動化的機器學習模型訓練平臺，只要輸入訓練數據並挑選好算法，Amazon SageMaker可以幫企業進行人工智能建模，同時還能管理底層需要用到的所有的服務器和框架。
Amazon SageMaker主要面向數據科學家，可以把他們從漫長的模型構建中解放出來。Swami舉例說，此前一家制藥公司自己要花費超過兩個月時間才能建立一個機器學習模型，但藉助Amazon SageMaker等工具之後，現在只要花不到4個小時。
最上層是供企業直接調用的AI服務，包括視覺、語音、語言、預測等領域的AI能力。面向的是應用開發人員，而且他們不需要懂AI技術。AWS架構工程師告訴智能進化論，最上層相當於SaaS AI服務，即插即用，按需付費。企業可以根據自己的需求進行積木化拼裝，極大降低了AI應用的門檻。
這些AI服務包括：用於靜態圖片識別的Amazon Rekognition、用於視頻識別的Amazon Rekognition Image、從視頻中提取文本的Amazon Textract、能為視頻打字幕的Amazon Transcribe、發現文本中的見解和關係的自然語言處理服務Amazon Comprehend等等。
值得注意的是，這些AI能力中不少是經過亞馬遜電商業務驗證過的。
比如，聊天機器人服務Amazon Lex和文字轉語音服務Amazon Polly正是亞馬遜智能語音助手Alexa的內核。Amazon Lex負責文本對文本的聊天，Amazon Polly再將文本轉換為逼真語音，其目前已支持中文普通話在內的29種語言。基於時序數據的預測工具Amazon Forecast也是亞馬遜電商在全球使用多年的成熟架構。
現在，這些先進的AI技術，都通過AWS雲服務的形式向開發者開放，可以直接使用。
此外，AWS也在加速服務在中國市場的落地。比如本屆WAIC上，AWS宣佈Amazon Transcribe已支持中文普通話語音的轉寫，最新的Amazon EC2 G4實例將於今年部署到AWS 中國（北京）和AWS中國（寧夏）兩個區域。
拒絕路線圖模式，保持敏捷與客製化
AI在不同細分行業的落地過程中，是否面臨著一些共同的痛點？
Swami認為，很多企業缺乏把AI技術進行客製化、用來解決本行業核心業務的能力，而AWS想要幫企業補足這一點。
2018年，AWS新推出的服務多達1957個，是5年前的四倍。Swami指出，AWS有90%到95%的服務擴展都是基於客戶反饋，另外5%到10%的擴展也是基於AWS對客戶反饋的詮釋。
“我們從來不會發布所謂的擴展路線圖或者擴展計劃，因為AWS想保持敏捷性。AWS的技術可以讓不同細分行業的企業對人工智能進行定製，使得開發者更加容易使用我們的人工智能、機器學習技術納入細分領域的應用程序中去。” Swami強調。
在本屆WAIC的展臺，AWS展示了一系列從智慧零售到工程監控、從媒體分析到AI醫療的行業解決方案，無不體現了AWS AI技術的客製化。
在智能媒體分析技術展示中，根據輸入的關鍵詞“男性”或“悲傷”等，AI可以自動搜索出包含有這些關鍵詞的圖像、聲音、視頻內容。該方案可用在智能零售、安防等場景下。
比如，AI技術可以根據零售商自定義要求，從賣場的視頻、聲音和圖像三種信息介質中，實時分析出對銷售有價值的信息，進行精準用戶畫像。
AWS智能媒體分析案例
在工業控制場景下，基於視頻識別和圖片識別，AWS的AI服務實現遠程監控作業工地，實時分析施工現場畫面是否出現異常。該方案比基於傳感器的IOT方案在成本和效率上都有很大提升，也可以用來監測人流密集場所的垃圾桶等公共設施。
作者|小葳
8月底，以“智聯世界 無限可能”為主題的2019世界人工智能大會（WAIC）成為科技界最受關注的盛會。AI應用落地成為今年WAIC的最大亮點之一。
目前，中國人工智能產業正進入落地實踐階段。據相關機構測算，到2020年我國人工智能產業規模有望突破1600億元，帶動相關產業突破1萬億元，AI日益成為經濟社會發展中新舊動能轉換的動力。
作為 WAIC 戰略合作伙伴，第二次參會的AWS通過“AWS 雲端的人工智能”主題論壇、“AWS人工智能主題體驗展”等環節，分享了AI發展最新趨勢並展示了AI在細分行業的眾多落地實踐。
目前，全球已有幾萬個客戶選擇藉助 AWS 實施機器學習，其中既有巨頭企業，也有風口上的初創企業。作為全球雲計算領域公認的領先者，AWS在AI領域的定位是什麼？AWS是如何推動AI技術實際落地到各行各業場景中？
WAIC期間，AWS副總裁，負責亞馬遜人工智能和機器學習業務的Swami Sirasubramanian先生接受了媒體專訪。
AWS副總裁Swami Sirasubramanian
跨越數據處理障礙，縮短企業構建AI的時間
“現在AI還處於發展早期，但是AI技術採納率的增長速度非常快。已經不只是一兩個細分行業在應用，非常多的細分行業已經開始使用AI技術。”
Swami曾任AWS的NoSQL數據庫總經理，負責AWS核心數據庫業務的工程設計、產品管理和運營保障，他還打造了Amazon CloudFront、Amazon S3等30項以上的AWS雲服務。
Swami認為，目前全球包括中國都處在一個AI加速落地的階段，但是依然有很多因素阻礙企業採納人工智能技術。其中很關鍵一項就是，擁抱AI之前，很多企業被卡在數據處理階段。
“AI或者機器學習就像一個蛋糕上的奶油，蛋糕底下要有別的東西來支撐，包括大數據、存儲、計算等。機器學習對於科學家和開發者的最大挑戰，就是為機器學習模型籌備所需的數據。很多公司50%到70%的人力和時間都花在數據籌備上。”Swami表示。
比如，一家自動駕駛領域的初創公司在開發算法的過程中，需要籌備大量的數據，包括道路數據、行駛數據、標識數據、障礙物數據等等，然後需要對所有數據進行分類、做標註。
AWS提供了很多存儲、計算、大數據方面的工具，便於企業更加穩定、端到端整合地籌備數據，可以將企業數據準備和數據標註費用降低70%，從而更加快速地採納機器學習方案。
國內自動駕駛公司Momenta就藉助AWS的平臺來進行數據收集、數據標註，並進行分佈式的機器學習訓練。英語流利說也是基於AWS大數據基礎架構來進行人工智能建模，極大節省了技術投入的成本。
在AI領域，AWS的定位非常明確——為企業提供廣泛、深入的機器學習工具，幫助企業儘可能縮短構建AI技術所用的時間，更快地把核心產品和技術部署到全球市場。
“積木拼裝”，AWS機器學習的三層架構
那麼，從技術架構上，AWS的AI服務是如何幫助企業用好AI的呢？這就離不開AWS機器學習的整體框架。可以說，AWS所有AI服務都離不開這個整體框架。
Swami指出，AWS將多層面、多維度的機器學習技術按對象和功能不同，分為三層，針對不同的技術人群提供不同的服務：
最底層是機器學習框架和基礎架構，包括與主流機器學習框架、接口，以及高性能服務器、虛擬機為主的基礎服務。比如，Amazon EC2的p3dn實例類型就是非常適合做分佈式機器學習開發的虛擬機。AWS最底層的AI服務，面向的是IT工程師、機器學習科學家、應用開發人員。調用這些服務，需要三類專業人員共同開發。
中間層是AWS端到端的託管機器學習平臺Amazon SageMaker為主的模型訓練層。Amazon SageMaker相當於一個自動化的機器學習模型訓練平臺，只要輸入訓練數據並挑選好算法，Amazon SageMaker可以幫企業進行人工智能建模，同時還能管理底層需要用到的所有的服務器和框架。
Amazon SageMaker主要面向數據科學家，可以把他們從漫長的模型構建中解放出來。Swami舉例說，此前一家制藥公司自己要花費超過兩個月時間才能建立一個機器學習模型，但藉助Amazon SageMaker等工具之後，現在只要花不到4個小時。
最上層是供企業直接調用的AI服務，包括視覺、語音、語言、預測等領域的AI能力。面向的是應用開發人員，而且他們不需要懂AI技術。AWS架構工程師告訴智能進化論，最上層相當於SaaS AI服務，即插即用，按需付費。企業可以根據自己的需求進行積木化拼裝，極大降低了AI應用的門檻。
這些AI服務包括：用於靜態圖片識別的Amazon Rekognition、用於視頻識別的Amazon Rekognition Image、從視頻中提取文本的Amazon Textract、能為視頻打字幕的Amazon Transcribe、發現文本中的見解和關係的自然語言處理服務Amazon Comprehend等等。
值得注意的是，這些AI能力中不少是經過亞馬遜電商業務驗證過的。
比如，聊天機器人服務Amazon Lex和文字轉語音服務Amazon Polly正是亞馬遜智能語音助手Alexa的內核。Amazon Lex負責文本對文本的聊天，Amazon Polly再將文本轉換為逼真語音，其目前已支持中文普通話在內的29種語言。基於時序數據的預測工具Amazon Forecast也是亞馬遜電商在全球使用多年的成熟架構。
現在，這些先進的AI技術，都通過AWS雲服務的形式向開發者開放，可以直接使用。
此外，AWS也在加速服務在中國市場的落地。比如本屆WAIC上，AWS宣佈Amazon Transcribe已支持中文普通話語音的轉寫，最新的Amazon EC2 G4實例將於今年部署到AWS 中國（北京）和AWS中國（寧夏）兩個區域。
拒絕路線圖模式，保持敏捷與客製化
AI在不同細分行業的落地過程中，是否面臨著一些共同的痛點？
Swami認為，很多企業缺乏把AI技術進行客製化、用來解決本行業核心業務的能力，而AWS想要幫企業補足這一點。
2018年，AWS新推出的服務多達1957個，是5年前的四倍。Swami指出，AWS有90%到95%的服務擴展都是基於客戶反饋，另外5%到10%的擴展也是基於AWS對客戶反饋的詮釋。
“我們從來不會發布所謂的擴展路線圖或者擴展計劃，因為AWS想保持敏捷性。AWS的技術可以讓不同細分行業的企業對人工智能進行定製，使得開發者更加容易使用我們的人工智能、機器學習技術納入細分領域的應用程序中去。” Swami強調。
在本屆WAIC的展臺，AWS展示了一系列從智慧零售到工程監控、從媒體分析到AI醫療的行業解決方案，無不體現了AWS AI技術的客製化。
在智能媒體分析技術展示中，根據輸入的關鍵詞“男性”或“悲傷”等，AI可以自動搜索出包含有這些關鍵詞的圖像、聲音、視頻內容。該方案可用在智能零售、安防等場景下。
比如，AI技術可以根據零售商自定義要求，從賣場的視頻、聲音和圖像三種信息介質中，實時分析出對銷售有價值的信息，進行精準用戶畫像。
AWS智能媒體分析案例
在工業控制場景下，基於視頻識別和圖片識別，AWS的AI服務實現遠程監控作業工地，實時分析施工現場畫面是否出現異常。該方案比基於傳感器的IOT方案在成本和效率上都有很大提升，也可以用來監測人流密集場所的垃圾桶等公共設施。
AWS施工現場智能監控案例
在AI醫療場景下，基於AWS雲平臺和AI技術，大數據醫療應用平臺領先醫學已經運用醫療大數據為腫瘤患者提供精準醫療的用藥方案，目前已在國內多家三甲腫瘤醫院展開合作。
WAIC2019向我們展示了一個不一樣的AWS。
隨著越來越多企業藉助AWS部署機器學習方案，AWS正在刷新人們的既有印象：不僅是全球雲老大，也是為企業提供簡單、易使用的AI技術的人工智能平臺。