【云库科技】5月18日消息，基于深度学习算法的突破性发展，近几年机器学习推动的AI能力在企业实际生产、服务中的应用已经越来越广泛，一些基于机器学习平台构建的内容推荐系统、基于语音语义智能理解的在线教学系统等，甚至还催生出许多新的商业业态。

但整体而言，除了少数具有专家人才和数据科学家的企业外，大部分公司仍然很难应用AI相关技术和能力。

因此，如何降低机器学习使用门槛，赋能更多企业快速、便捷、有效获得AI能力加持，已经成为包括AWS在内的很多平台型技术巨头企业竞技的新领域。

Amazon SageMaker上线中国区

从Gartner在2020年2月发布的《 云上AI开发者服务魔力象限》来看，目前，AWS凭借技术执行力和对技术未来发展愿景的完整规划排名在领导者象限最高位置。

在Gartner看来，支撑AWS如此高地位的正是2017年AWS推出的Amazon SageMaker这项服务。

据介绍，Amazon SageMaker 是一项完全托管的服务，可以帮助开发者和数据科学家快速地规模化构建、训练和部署机器学习 (ML) 模型。

今年4月30日，Amazon SageMaker在由西云数据运营的AWS中国 (宁夏) 区域和光环新网运营的AWS中国（北京）区域正式上线，AWS机器学习能力离中国企业和开发者更近了。

AWS首席云计算企业战略顾问张侠表示，Amazon SageMaker旨在消除企业使用人工智能的门槛，把机器学习能力输送给每一家企业和机构。

截至目前，全球已有数以万计的客户利用Amazon SageMaker加快机器学习部署， Autodesk、Change Healthcare、拜耳、英国航空、盖洛普、洛杉矶快船队、松下航空电子(Panasonic Avionics)、环球邮报和T-Mobile等等。中国客户如虎牙、大宇无限、嘉谊互娱、华来科技等也已选择Amazon SageMaker大规模地构建、训练和部署机器学习模型。

Amazon SageMaker如何赋能上万企业

Amazon SageMaker究竟是一个怎样的设计、怎样的运行模式，能够在2年多时间内为上万家企业提供适用的AI能力的呢？

近日，AWS首席云计算企业战略顾问张侠在接受媒体采访时对AWS机器学习能力进行了系统介绍。

张侠认为，制约人工智能广泛应用的因素有三个：一是掌握人工智能专业知识的人才不足；二是构建和扩展人工智能的技术产品有难度；三是在生产经营中部署人工智能应用费时且成本高，最终导致缺乏低成本、易使用、可扩展的人工智能产品和服务。Amazon SageMaker的出现，正是为了帮助企业解决这些挑战。

张侠介绍，整个亚马逊提供“全站的机器学习服务”。AWS机器学习服务做了三层结构设计，越往下基础功能越强大，对使用的人可能要求越高；越往上是更专门化的服务。

在AWS机器学习服务的三层结构设计中，Amazon SageMaker处在承上启下的中间核心服务层。

张侠表示：“中层机器学习（ML）服务对一些相对来说有技术背景的比较专业的人员，可以利用这个工具真正为企业找到人工智能、机器学习所带来的一些创新点、突破点，推出新产品、新服务的点，使其能够全方位把握这些机器学习的工具、手段、方法，为自己所用。”

整体而言，Amazon SageMaker是一个工具集，提供了用于机器学习的所有组件，贯穿整个机器学习的工作流程，从而以更少的努力、更低的成本、更快地将机器学习模型投入生产。

Amazon SageMaker内置了丰富的算法，提供强大的功能，如弹性笔记本、实验管理、自动模型创建、调试与分析，以及模型概念漂移检测，等等。这些功能封装在首个面向机器学习的集成开发环境Amazon SageMaker Studio中。

例如，Amazon SageMaker Studio将所有用于机器学习的组件集中在一个地方。跟使用集成开发环境（IDE）做软件开发一样，开发者现在可以在Amazon SageMaker Studio中查看和组织源代码、依赖项、文档和其它应用程序资产，例如用于移动应用程序的图像。当前，机器学习工作流有大量组件，其中许多组件都带有自己的一组各自独立的工具。Amazon SageMaker Studio IDE为所有Amazon SageMaker功能和整个机器学习工作流提供了一个统一界面。Amazon SageMaker Studio为开发者提供了创建项目文件夹、组织Notebook和数据集，以及协作讨论Notebook和结果的功能，使构建、训练、解释、检查、监视、调试和运行机器学习模型变得更简单、更快。

另外，比如自动构建模型的功能Amazon SageMaker Autopilot，它是业内首个可以让开发者对其模型保持控制和可见性的自动化机器学习功能。Amazon SageMaker Autopilot会自动检查原始数据，应用特征处理器，挑选最佳算法集，训练多个模型，对它们进行调优，跟踪其性能，然后根据性能对模型进行排名。点击几下鼠标，用户可以得到易于部署的、性能最佳的模型推荐，而这只需很少一点时间和精力用于训练。并且，用户可以清楚地看到模型是如何创建的，以及模型中包含什么内容。

缺乏机器学习经验的人可以使用Amazon SageMaker Autopilot轻松地生成仅基于数据的模型，经验丰富的开发者可以使用它快速开发基础模型，团队可以在此基础上进行进一步迭代。Amazon SageMaker Autopilot为开发者提供了多达50种不同的模型，可以在Amazon S ageMaker Studio中查看。

据张侠介绍，整套Amazon SageMaker服务可以使用户开发效率提升10倍。而以“SageMaker+TensorFlow”为例，从一些客户案例中也可以看到，已经把效率从65%提高到90%，训练时间从30分钟缩短到14分钟。

现场，AWS机器学习服务应用者大宇无限也现身说法。

大宇无限主要为中东、东南亚和拉丁美洲等新兴市场提供移动短视频服务，主力产品Snaptube的月活用户已经突破1亿。

大宇无限机器学习技术总监苏映滨介绍：“短视频的聚合服务面对海量的数据与海量的用户，我们需要一个精准的个性化内容推荐系统。但是对一个初创企业来说，要构建一个满足海量用户、千万级视频的推荐，以及相匹配的机器学习平台，在人力、时间、资金相当有限的情况下独立实现不太现实。”

苏映滨称，SageMaker的出现，帮助大宇无限实现从0到1的突破。“SageMaker的出现极大的简化了整个机器学习的构建、训练和部署的流程。而且SageMaker的很多算法已经优化得性能非常不错，对我们来说，就直接做好训练数据的准备，直接调用接口、设置参数，基本上几个命令就可以直接部署上线了。SageMaker已经帮我们实现了这个功能，所以整体上它的训练成本还是相比自己搭建要便宜，我们估算平均下来能节省70%的训练成本。”

在张侠看来，AWS自己独特的这一套方法，就是高度关注客户的需求，和客户一起创新，在客户的创新实践中找到AWS产品服务所需要提供的新功能。具体在AWS机器学习服务上，由于它服务的广泛、成本简便，支持所有通用架构，而且背后还有AWS全方位云技术服务和平台支持，这些构成了Amazon SageMaker的独特优势。