AWS re:Invent前瞻：人工智慧將成為公有雲的殺手級應用

至頂網軟體頻道消息： AWS已經成為為企業開發和部署複雜人工智慧應用提供基於雲的工具的強大供應商。

當我們展望即將在本月底舉行的第七屆re:Invent大會時，AWS持續為建立複雜AI生態系統而進行的深入投資給我們留下了深刻的印象：

-針對AI工作負載優化核心基礎設施即服務云：最初的AWS EC2計算服務現在已經具有數十種實例類型，從通用到計算優化、內存優化、GPU加速和FPGA。

-在AWS雲中實施先進的AI加速器硬體：AWS雲提供了對最新GPU的按需使用，以支持機器學習和其他AI工作負載。EC2 P3實例提供最新的Nvidia Tesla V100 GPU，每個節點最多支持8個GPU。AWS稱，與其他任何雲廠商的GPU實例相比，這種高密度配置在性價比方面提高了1.8到2倍，絕對性能提高了6倍。

-改善AI開發抽象：在過去幾年中，AWS已經轉向更高的抽象層，用於AI、ML和其他核心計算服務。所有這些功能再加上底層雲資料庫，現在都可以使用雲原生API進行容器化部署，作為容器編排器Kubernetes上的微服務，以及作為AWS Lambda功能即服務的無伺服器部署。這其中大多數功能都可以通過Gluon抽象層進行編程，實現在AWS開發的Apache MXNet、Microsoft Cognitive Toolkit和其他開源數據科學工作平台中，實現對最複雜的AI、ML和深度學習應用的可視化開發。

-先進的AI DevOps工具鏈和庫：每過一年，AWS都會深化其解決方案，以幫助企業開發人員解決新的AI、ML和深度學習挑戰。2015年，AWS推出了基於雲的ML服務。在re：Invent 2016大會上，AWS推出了一系列預訓練模型，針對文本轉換為語音服務Amazon Polly、圖像分類和識別服務Amazon Rekognition、以及對話機器人Amazon Lex。當時AWS還推出了深度學習AMI，這是預裝了各種深度學習框架的EC2實例。在re：Invent 2017大會上，AWS推出的Amazon SageMaker讓數據科學家和開發人員能夠構建、訓練和部署機器學習模型，這是建立在早期旨在簡化AI和機器學習的項目之上。這種完全託管的服務讓開發人員能夠從他們的S3數據湖中提取數據，利用預先優化的演算法庫，大規模構建和訓練模型，通過ML驅動的超參數優化功能對其進行優化，並將它們實時部署到生產EC2雲中實例。

-將AI推向邊緣用於移動設備和物聯網設備：在re:Invent 2017大會上，AWS曾發布了Greengrass的增強功能以實現更複雜的邊緣部署，將新的AWS Greengrass ML Inference直接部署到移動設備和其他邊緣設備（例如亞馬遜Alexa），在這些設備上為本地推理提供支持，無論設備當前是否連接到雲。此外AWS推出了AWS IoT Analytics，這項新服務支持通過AWS QuickSight解決方案以及AWS SageMaker內置的AI模型輕鬆分析物聯網設備數據。AWS發布的AWS DeepLens，是一款完全可編程的攝像頭，讓開發人員用來——配合SageMaker預建模型和代碼示例——構建和訓練視頻分析，以便在AWS雲中進行流式傳輸。

在re:Invent 2018大會前夕，Wikibon預計AWS將會專註於幾個在其公有中提高AI開發者生產力的關鍵主題上：

- AI開發自動化

- 推動人工智慧的民主化

- 加速人工智慧訪問、開發和運營

- 通過更先進的雲數據平台改進AI可交付成果

- 利用深層數據來改進會話式AI應用

- 維持真正開放的AI開發生態系統

一年前，AWS副總裁Swami Sivasubramanian曾在re:Invent 2017訪談中提及了開發者生態系統的必要性，以下是一些亮點：

-AI開發自動化：「我們的目標是真正地將機器學習功能交給所有開發者和數據科學家。SageMaker就是這樣一個端到端的平台，讓人們以一鍵式方式構建、點擊、訓練和部署這些模型。SageMaker支持所有流行的深度學習框架，例如TensorFlow、MXNet或PyTorch。我們不僅幫助訓練，而且還自動調整我們在哪使用機器學習來構建這些東西。SageMaker非常強大。此外API服務作為一個新的抽象層，在這個層中應用開發者不需要了解任何有關機器學習的知識，但他們想要轉錄他們的音頻，以便從語音轉換為文本，或者對這些內容進行翻譯，或者理解文本，或者分析視頻。「

-推動人工智慧的民主化：「當我深入了解深度學習的時候，我意識到這些技術所具有的變革力。開發者日常使用深度學習是很困難的，因為這些模型太難創建、太難訓練。這就是為什麼我們實際上將它視為一種多層次策略，以迎合專業從業者和數據科學家。對他們來說，我們有SageMaker。對於那些不想了解機器學習的應用開發者，他們會說，『我會給你一個音頻文件，為我轉錄一下』，或者『我會給你文字，給我分析或翻譯一下。』對於他們來說，我們實際上提供了簡單易用的API服務，這樣他們就可以開始工作，而不必了解什麼是TensorFlow或PyTorch。」

-加速人工智慧訪問、開發和運營：「在Amazon，我們已經使用機器學習有20年時間了。我們一直在推薦引擎使用機器學習，在實現中心我們使用機器人來挑選包裹，還有Alexa和Amazon Go。我們聽到人們說，像TensorFlow或PyTorch或MXNet這樣的框架很酷，但開發人員很難利用它。我們並不介意用戶使用Caffe或TensorFlow。我們希望他們在從創意到產品外殼的過程中取得成功。我們從開發者那裡了解到，這個過程需要6到18個月，而且不應該這麼困難。我們希望通過AWS所做的，為IT行業提供計算存儲和資料庫的功能。我們希望通過簡化入門來為機器學習做出同樣的貢獻。」

-通過更先進的雲數據平台改進AI可交付成果：「進入機器學習的數據，將衡量訓練效果的決定性因素。這就是數據科學家們一直在說的存儲的廣度，以及對他們構建高度精確模型來說非常重要的資料庫和分析產品。當你談論的不僅僅是數據，實際上還有底層資料庫技術和存儲技術也是非常重要的。S3是目前最強大的數據存儲庫，具有高度安全性、可靠性、可擴展性和成本效益。」

-利用深層數據來改進會話式AI應用：「將[Lex]視為對我們數據預訓練的自動語音識別和自然語言理解。但是，當你針對自己的聊天機器人或者語音應用對其進行自定義的時候，你實際上可以添加自己的一些意圖和內容，並根據你的數據自定義底層深度學習模型。除了專門為你的數據進行的調優之外，你還可以利用我們已經訓練過的數據。總之它只會變得越來越好。」

-維持真正開放的AI開發生態系統：「AWS有數萬家合作夥伴，直接來自ISV和SI。軟體行業是一個令人驚嘆的行業，這不是一個贏家通吃的市場。例如，在文檔管理領域，即使我們有S3和WorkDocs，也不意味著Dropbox和Box就不會取得成功。不管是為初創公司還是我自己的團隊，AWS都提供了相同的基礎設施，即使我可能構建了許多底層基礎設施[服務]。現在對於我的AI團隊來說，就像是一個創業公司，除了我可能還在AWS大樓辦公，但否則我無法得到任何內部API。API都是相同的，這是一個公平的競爭環境。「

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！