2020年12月2日，云计算领域的风向标——亚马逊re:Invent全球大会首次在线举办，这是一场16天的饕餮盛宴。一如往年，AWS CEO Andy Jassy发表了长达三小时、干货满满的主题演讲，阐述其对行业与客户需求趋势的洞察。
AWS CEO Andy Jassy
综观这场技术盛宴，最让老冀感到兴奋的，还是亚马逊云服务（AWS）在机器学习（ML）领域的最新进展。众所周知，机器学习是人工智能领域最重要的技术之一，包括89%的人工智能专利申请和40%的人工智能范围内的相关专利均为机器学习范畴。
“去年的re:Invent上，机器学习我足足谈了75分钟，今年我不谈这么多了。”Andy Jassy说道，“云让机器学习变得可能。越来越多的企业使用机器学习，机器学习的几乎每一个阶段都被持续再造、重塑。”
在老冀看来，这场轰轰烈烈的重塑，正在改造和拓展机器学习的基础能力、应用能力和解决方案能力这三大能力。让我们仔细看看，AWS是如何做到的。
更多元的基础能力
对于那些技术能力超强、希望将人工智能和机器学习作为自己核心竞争力的客户，AWS为他们提供强大的算力、全面的算力选择、丰富的机器学习框架选择。
AWS可以提供基于英伟达、英特尔、AMD、赛灵思等芯片厂商的最新处理器的强大算力。在这次大会上，AWS还发布了自己的机器学习专用芯片：其中，基于AWS Inferentia芯片的Inf1实例相比Nvidia G4实例，吞吐量提高3倍，且成本降低40%，从而将机器学习中“推理”的性价比做到了极致。而另一款芯片AWS Trainium，则是将“训练”做到了极致性价比。
在算力上，客户既可以选择AWS的专用芯片，也可以选择其他厂商的产品。AWS大中华区云服务产品管理总经理顾凡表示：“我们把所有选择放在这里，核心目的，一个是看计算有没有创新，另一个就是量体裁衣，针对你定制化的需求，把量体裁衣做到极致。”
AWS也是目前唯一一家全面支持Tensorflow、PyTorch、Apache、MXNet四大主流机器学习框架的云服务厂商。不管客户喜欢或者需要哪个框架，AWS内部就会有针对不同框架下的调优团队，保证把性能调到最优。
针对机器学习当中的训练环节，AWS还专门开发了分布式训练（Distributed Training）模式，进一步提升训练的效率。在AWS平台上，去年采用Tensorflow完成复杂的Mask-RCNN模型需要28分钟。今年在采用了分布式训练模式之后，只需要6分钟即可完成。
同样在启用了分布式训练模式之后，过去用PyTorch运行异常复杂的自然语言处理模型T5-3B，至少需要几个月的时间才能够将性能调整到最优。如今，这个时间已经缩短到了5.9天。
在算力和机器学习框架这两个机器学习的基础能力上，AWS给客户提供了更多的选择，也免去了他们的后顾之忧。
更丰富的应用能力
那么，企业如何才能将机器学习的基础能力转化为应用？要知道，很多企业都有数据开发者和数据分析师这个群体，他们虽然缺乏机器学习的知识、技能和开发人员，却不缺少机器学习的想法。
这个时候，AWS在2017年发布的Amazon SageMaker就发挥了重大作用，它为企业提供了一个全托管的机器学习集成开发环境，并为这个开发环境不断增加新功能，从数据准备、到模型训练、参数调优与模型迭代、到模型部署、模型质量监控，在整个过程中最大限度地提高他们开展机器学习的效率，降低他们开展机器学习的门槛。老冀认为，Amazon SageMaker就是机器学习领域的APP Store。
例如，通过Amazon SageMaker，AWS将机器学习能力跟数据库进行嫁接，让数据库开发者、数据分析师沿用数据库查询的方式，让他们的机器学习想法落地到业务应用中。
Amazon Aurora是AWS著名的关系型数据库服务，AWS针对Aurora推出了新功能Amazon Aurora ML。数据库开发者发起数据库查询（SQL）时，只要选择一个机器学习模型，就会唤醒机器学习服务，Aurora ML自动将查询结果交给机器学习模型进行推理，返回结果。例如，要查询一个客户评价是正面还是负面，数据库开发者只管做数据库查询、选择这个模型，返回来的查询结果就会自动附加正面或负面判断。类似地，出海电商想把数据库中的商品信息变成多语种，数据库开发者只管查询商品信息、选择多语种翻译，返回的结果就会自动包含商品信息的多语种翻译。
企业不懂机器学习？没关系，他们只要懂数据分析，甚至只会提问就行。在这次亚马逊re:Invent全球大会上，AWS推出了更酷的机器学习新功能Amazon QuickSight Q，客户可以用自然语言对数据进行提问，获得想要的数据洞察。例如，直接在查询框中输入“我们的同比增长率是多少？”几秒钟之内就可以得到高度准确的答案。如果按以往的方式，需要在模型中预先定义增长率、更新模型、处理数据，可能需要几天甚至几周时间。
Amazon QuickSight Q功能演示
AWS还推出了Amazon Lookout For Metrics，它利用机器学习技术，通过企业多种数据的比对，检测出数据异常。顾凡举例说，一件商品的售价200元，在某个数据源变成了20元。通过Amazon Lookout For Metrics找出这种异常数据，意义重大。如果是在线销售中出现这样的价格错误，有可能给企业带来巨大的损失。
此外，AWS还发布了利用机器学习的运维服务Amazon DevOps Guru，它可以帮助应用开发人员自动检测运维操作的问题，给出建议补救措施，提高应用程序可用性。此前，AWS已经推出了Amazon CodeGuru，可以让开发人员使用机器学习自动进行代码审核，并且提供指导和建议。
更端到端的解决方案
针对机器学习，AWS已经发布了如此丰富的产品，它们都用在哪些领域？实际上，针对不同的行业、不同的领域、不同的场景，AWS已经积累了足够丰富的解决方案。
在这次的re:Invent大会上，AWS发布了五项用于工业领域的机器学习服务，分别是Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一体机、AWS Panorama SDK和Amazon Lookout for Vision，这也是AWS首次推出开箱即用的工业领域机器学习解决方案。
有了这套解决方案，哪怕你只是一家做铅笔的传统制造型企业，一样也能够享受到人工智能的好处。例如，你可以用Amazon Lookout for Equipment为这些已经安装了传感器的机器设备建模并进行实施的监控，一旦设备出现问题不仅能够预警，还能够迅速排除故障。你还能够为那些没有传感器的设备搭载Amazon Monitron，提供由传感器、网关和机器学习服务组成的端到端机器监控系统。
铅笔生产出来之后，如何判断是否正常？只需要上传30张正常铅笔的图像，就能够建立基础模型，然后通过Amazon Lookout for Vision对成品进行检测，发现产品缺陷和异常。整条生产线的运转状况如何？工厂可以通过AWS Panorama一体机连接到网络中，自动识别摄像头数据流，与工业摄像头进行交互，实现对整条生产线的监控。
目前已经使用AWS工业领域机器学习服务的客户和合作伙伴，包括Axis、凌华科技、BP、德勤、Fender芬达、GE 医疗和西门子交通等等。
在中国，AWS的解决方案同样应用广泛。前不久，AWS和国内软件公司中科创达一起为施耐德电气的中国工厂打造了一套工业视觉整体解决方案。之前，施耐德采用传统机器视觉进行产品检测，可是，由于产品良品率高，不良品数据积累少，再加上产品换型速度快，传统机器视觉学习力有不逮。
采用了AWS的解决方案之后，生产线只需要提供较少的样本图片，就能够快速完成训练、验证和交付，并将推理时间从超过50毫秒减少到低于20毫秒，将20%的过检率降低到了1.5%，将3%的漏检率直接降到了零。
“我们在做很多合作的时候，并不是给一个产品就可以了，很多情况下我们会开发能力，跟客户一起来探索整个应用模式，最后把这个项目做成。”AWS大中华区机器学习产品总监代闻表示。
如今，AWS独具特色的解决方案已经在中国的电气、汽车出行、医疗服务、教育、媒体、游戏等各行各业全面开花。
重塑企业未来
如今，这个世界已经变得越来越快速，企业也越来越难以保持过去的竞争优势——即使是20年前的财富500强，如今也只剩下50%。
企业如何才能基业长青？AWS CEO Andy Jassy认为，企业必须找到像AWS这样的技术合作伙伴，用人工智能和机器学习重塑企业的流程、运营，重塑自己的未来。
例如，在与仍然还在全球肆虐的新冠疫情的赛跑中，美国生物科技公司Moderna与AWS通力合作，把以前需要一年才能完成的工作压缩到了4个月的时间。
作为亚马逊的元老级员工，Andy Jassy亲身经历了亚马逊采用机器学习重塑电商、云服务、供应链等多项业务、成长为全球领先科技公司的全过程。如今，他率领的AWS正在重塑未来。
AWS全球机器学习副总裁Swami Sivasubramanian
顺便提一句，12月9日，AWS全球机器学习副总裁Swami Sivasubramanian有一场关于机器学习的主题演讲，对AWS在机器学习方面的举措进行了更深入的阐述。感兴趣的读者可以在re:Invent中文官网观看。
