让机器学习走向各行各业
Posted 电脑商情报
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了让机器学习走向各行各业相关的知识,希望对你有一定的参考价值。
大数据、人工智能这些词汇对于普罗大众而言,已经耳熟能详,近些年来算力的快速成长造就了IT新兴技术的落地实践,相较于其他的技术,机器学习已经不算是最新的技术,早在60年前已经被提出并实践,而大规模的应用却在今天。事实上,我们不难发现机器学习的应用只有结合行业,才更加具有生命力。
作为云计算领域的领头羊,亚马逊云服务(AWS)早在20年前便展开了对于机器学习的研究,并且在这一领域到目前,在全球已经超过10万家用户在使用AWS机器学习服务,为什么大家对AWS的机器学习抱有如此的热情?在AWS re:Invent全球峰会上我们试图找到答案。
从早期的AI服务到如今的Amazon SageMaker,AWS机器学习所服务的客户已经横跨媒体、金融、汽车、工业制造等等众多行业,而现在还有更多的行业用户在采用机器学习,这也是近些年来的一个重要趋势。
在媒体沟通会上,AWS大中华区云服务产品管理总经理顾凡透露了AWS机器学习被大量采用的原因:第一,AWS机器学习服务具备更多的宽度与深度。在不同的应用场景,可以提供不同的机器学习服务。“合适的工具做合适的事儿,一把钥匙开一把锁,”是这一优势最好的写照。第二,AWS始终以开放的心态与客户合作。据了解,AWS与许多合作伙伴的应用实现了集成。第三,AWS始终秉承着授人以渔的原则,期望更多的客户利用服务,获得相应的能力,并且AWS还会为实力偏弱的企业,提供帮助,实现解决方案落地。
AWS仅仅去年一年中就新增了250多项机器学习功能。顾凡表示,从2017年开始,机器学习服务创新速度在加快,几乎以每年200多项递增服务的速度在迭代。而这些都围绕着几个层次展开进行。
实际上,AWS所提供的机器学习服务,大致可以概括为三层:机器学习架构与基础设施、Amazon SageMaker平台、顶层AI服务,三个层次面向不同的客户群体与实际需求。具体而言,机器学习架构与基础设施层针对机器学习里面的专家,主要包含机器学习的框架与框架的优化,以及算力的选择;SageMaker适合于机器学习里面的绝大多数客户,集成化的为客户提供端到端的机器学习的工具;顶层有着大量AI服务,客户不需要了解机器学习原理,可以利用相应的服务,实现预测、语音、聊天、视觉等等多种需要。
在机器学习框架层面上,无论是作为主力的Tensorflow框架,还是后起之秀PyTorch,在AWS的机器学习框架服务中都可以找到。“我们不会为客户做出选择,AWS将选择权交给了客户,而AWS仅仅会针对不同的框架做出调优,”顾凡解释道,“机器学习的框架仍然在演进的过程中,所以通常客户会同时选择三种框架。”
不同的学习框架,必须要有与之相适应的工作负载。AWS提供了从M5到R6g,再从P4d到Inf1的多种工作负载,这其中既包含有通用型,也包含有性能极致与性价比最优型。CPU、GPU也涵盖了英特尔、ARM、英伟达等多个合作伙伴。
另外,特别值得强调的是,Amazon SageMaker对于绝大多数企业与用户而言,是迈向机器学习的捷径。SageMaker可以实现客户业务流程工具化,通过工具达到简单易用;通过工具与实际工作环境串联,实现提升效率的目的。以Data Wrangler工具为例,传统的房价预测模型,在构建过程中,可能会出现不同类型、不同格式的原始数据,传统的方法是依靠数据工厂自行转换,而利用工具,可以直接简单的进行处理,效率提升明显。
其实,无论是利用学习框架,自己搭建机器学习服务,还是通过SageMaker来简化机器学习的应用,都离不开AWS围绕客户需求,所进行创新性研发,这一切都构成了AWS的坚实的机器学习的基础。
正如我前文所言,机器学习的价值在于能够落地应用。作为延展,我们可以发现BI或者BA可以说是目前机器学习的一个重要应用场景。利用机器学习作为数据分析工具已经变成大数据分析的重要手段之一。传统意义上由数据库增删改查,以及表单聚合的功能不具备数据分析的能力,这就要引入更多的技术。
在AWS的服务项目中,Amazon Aurora ML、Amazon Athena ML,与Neptune的结合,就是机器学习与现有的数据库、分析工具之间的集成和互动。举个栗子,在电商如何分辨客户留言评论的倾向性,一般的方法是需要通过将多个表单聚合,通过SQL查询,然后再由开发的特定算法执行命令,得出想要的结果,这一过程纷繁复杂,而使用Aurora ML仅仅需要抽取存储在Aurora的数据即可,极大的简化了数据分析的整个过程,可以让客户更多的专注于业务需求。
以上案例在AWS的工具库中不胜枚举。但是,更值得一提的是,AWS从客户角度出发,将客户需要的共通性能力,做成端到端的解决方案输出,用以解决真实的业务场景。Amazon Lookout For Metrics正是这样一个解决方案,透过机器学习的能力,检测数据背后的异常,这是一个可以跨众多行业的应用。该解决方案在电商领域,可以鉴别货物价格是否标示正确,特别在大促中可以减少不必要的损失;在工业领域,配合不同的业务逻辑与算法,可以直接筛查坏件,提高了工作效率。
总结来看,机器学习应用的领域一直在扩大,而正真实现机器学习落地的方案才是好方案,能够让用户更简便的使用机器学习的能力,才是这一技术存在的根本,所以从这个角度来看,AWS以客户需求为导向,积极研发,针对不同场景所推出机器学习的能力才更值得推崇。
以上是关于让机器学习走向各行各业的主要内容,如果未能解决你的问题,请参考以下文章
机器学习相关慨念
机器学习会取代数学建模吗?让我们假设一个微积分落后但深度学习发达的文明社会……
腾讯AI主管带你深度实践Spark机器学习
机器学习框架之争将走向何方?
云上机器学习的“引力”
手把手带你入门机器学习1——线性回归