用機器學(xué)習(xí)消除人工智能門檻

目前制約人工智能應(yīng)用普及的瓶頸，主要有哪些因素？亞馬遜云服務(wù)AWS首席云計算企業(yè)戰(zhàn)略顧問張俠博士將其歸納為以下三個方面：

一、AI專業(yè)人才短缺。目前人工智能、機器學(xué)習(xí)領(lǐng)域的專業(yè)知識相對較為高深，掌握相關(guān)知識的專業(yè)人才比較欠缺，企業(yè)往往需要支付百萬級的年薪才能找到高級人才。

二、構(gòu)建和擴展技術(shù)產(chǎn)品難度較大。構(gòu)建和擴展人工智能技術(shù)的產(chǎn)品，將其真正應(yīng)用到現(xiàn)實的生產(chǎn)工作流程中，目前還存在較大的難度。

三、部署應(yīng)用費時且成本高昂。企業(yè)都希望能夠獲得低成本、易使用、可擴展的人工智能產(chǎn)品和服務(wù)，然而在實際生產(chǎn)經(jīng)營中部署人工智能應(yīng)用時，往往會發(fā)現(xiàn)需要耗費大量時間，且成本高昂。

正是為了幫助AI開發(fā)者和廣大企業(yè)解決以上痛點，Amazon SageMaker才應(yīng)運而生。

“為什么要選擇AWS的機器學(xué)習(xí)？原因同樣可以歸納為三個方面�！睆垈b博士表示。

一、廣泛和深入的機器學(xué)習(xí)服務(wù)。AWS為用戶提供了非常廣泛、深入的機器學(xué)習(xí)服務(wù)，其中Amazon SageMaker服務(wù)只是AWS機器學(xué)習(xí)三層服務(wù)堆棧的一個中間層，主要用于消除機器學(xué)習(xí)過程中的繁重工作，讓開發(fā)高質(zhì)量模型變得更加輕松。在三層服務(wù)堆棧的底層——機器學(xué)習(xí)框架和基礎(chǔ)乫，用戶可以根據(jù)自己在性能、靈活性、成本控制等方面的需求，靈活選擇TensorFlow、PyTorch、Apache MXNet、Chainer、Gluon、Horovod 和 Keras等機器學(xué)習(xí)框架。在三層服務(wù)堆棧的頂層——人工智能服務(wù)，AWS提供了訓(xùn)練好的人工智能服務(wù)，以解決計算機視覺服務(wù)、個性化推薦服務(wù)等與人類認知相關(guān)的典型問題。

二、使用SageMaker加速部署機器學(xué)習(xí)。作為一個工具集，Amazon SageMaker提供了用于機器學(xué)習(xí)的所有組件，擁有彈性筆記本、實驗管理、自動模型創(chuàng)建、調(diào)試與分析、模型概念漂移檢測等諸多強大功能，貫穿了整個機器學(xué)習(xí)的工作流程。這使得用戶可以加速對機器學(xué)習(xí)的學(xué)習(xí)、建模、發(fā)展、實驗等所有過程，以更少的努力、更低的成本、更快地將機器學(xué)習(xí)模型投入生產(chǎn)。與此同時，AWS還在不斷地為SageMaker增加新功能，僅僅在2019年就增加了50多項新功能。

三、在AWS云平臺上發(fā)展人工智能。作為全球首屈一指的IaaS公有云平臺，AWS云平臺可以為用戶提供數(shù)據(jù)存儲、數(shù)據(jù)倉庫、AIoT、容器等種類極其豐富的服務(wù)，讓用戶可以更加方便快捷地將機器學(xué)習(xí)應(yīng)用進行部署和落地。