AWS是如何推动AI技术实际落地到各行各业场景中？

8月底，以“智联世界 无限可能”为主题的2019世界人工智能大会（WAIC）成为科技界最受关注的盛会。AI应用落地成为今年WAIC的最大亮点之一。

目前，中国人工智能产业正进入落地实践阶段。据相关机构测算，到2020年我国人工智能产业规模有望突破1600亿元，带动相关产业突破1万亿元，AI日益成为经济社会发展中新旧动能转换的动力。

作为 WAIC 战略合作伙伴，第二次参会的AWS通过“AWS 云端的人工智能”主题论坛、“AWS人工智能主题体验展”等环节，分享了AI发展最新趋势并展示了AI在细分行业的众多落地实践。

目前，全球已有几万个客户选择借助 AWS 实施机器学习，其中既有巨头企业，也有风口上的初创企业。作为全球云计算领域公认的领先者，AWS在AI领域的定位是什么？AWS是如何推动AI技术实际落地到各行各业场景中？

WAIC期间，AWS副总裁，负责亚马逊人工智能和机器学习业务的Swami Sirasubramanian先生接受了媒体专访。

AWS副总裁Swami Sirasubramanian

跨越数据处理障碍，缩短企业构建AI的时间

“现在AI还处于发展早期，但是AI技术采纳率的增长速度非常快。已经不只是一两个细分行业在应用，非常多的细分行业已经开始使用AI技术。”

Swami曾任AWS的NoSQL数据库总经理，负责AWS核心数据库业务的工程设计、产品管理和运营保障，他还打造了Amazon CloudFront、Amazon S3等30项以上的AWS云服务。

Swami认为，目前全球包括中国都处在一个AI加速落地的阶段，但是依然有很多因素阻碍企业采纳人工智能技术。其中很关键一项就是，拥抱AI之前，很多企业被卡在数据处理阶段。

“AI或者机器学习就像一个蛋糕上的奶油，蛋糕底下要有别的东西来支撑，包括大数据、存储、计算等。机器学习对于科学家和开发者的最大挑战，就是为机器学习模型筹备所需的数据。很多公司50%到70%的人力和时间都花在数据筹备上。”Swami表示。

比如，一家自动驾驶领域的初创公司在开发算法的过程中，需要筹备大量的数据，包括道路数据、行驶数据、标识数据、障碍物数据等等，然后需要对所有数据进行分类、做标注。

AWS提供了很多存储、计算、大数据方面的工具，便于企业更加稳定、端到端整合地筹备数据，可以将企业数据准备和数据标注费用降低70%，从而更加快速地采纳机器学习方案。

国内自动驾驶公司Momenta就借助AWS的平台来进行数据收集、数据标注，并进行分布式的机器学习训练。英语流利说也是基于AWS大数据基础架构来进行人工智能建模，极大节省了技术投入的成本。

在AI领域，AWS的定位非常明确——为企业提供广泛、深入的机器学习工具，帮助企业尽可能缩短构建AI技术所用的时间，更快地把核心产品和技术部署到全球市场。

“积木拼装”，AWS机器学习的三层架构

那么，从技术架构上，AWS的AI服务是如何帮助企业用好AI的呢？这就离不开AWS机器学习的整体框架。可以说，AWS所有AI服务都离不开这个整体框架。

Swami指出，AWS将多层面、多维度的机器学习技术按对象和功能不同，分为三层，针对不同的技术人群提供不同的服务：

最底层是机器学习框架和基础架构，包括与主流机器学习框架、接口，以及高性能服务器、虚拟机为主的基础服务。比如，Amazon EC2的p3dn实例类型就是非常适合做分布式机器学习开发的虚拟机。AWS最底层的AI服务，面向的是IT工程师、机器学习科学家、应用开发人员。调用这些服务，需要三类专业人员共同开发。

中间层是AWS端到端的托管机器学习平台Amazon SageMaker为主的模型训练层。Amazon SageMaker相当于一个自动化的机器学习模型训练平台，只要输入训练数据并挑选好算法，Amazon SageMaker可以帮企业进行人工智能建模，同时还能管理底层需要用到的所有的服务器和框架。

Amazon SageMaker主要面向数据科学家，可以把他们从漫长的模型构建中解放出来。Swami举例说，此前一家制药公司自己要花费超过两个月时间才能建立一个机器学习模型，但借助Amazon SageMaker等工具之后，现在只要花不到4个小时。

最上层是供企业直接调用的AI服务，包括视觉、语音、语言、预测等领域的AI能力。面向的是应用开发人员，而且他们不需要懂AI技术。AWS架构工程师告诉智能进化论，最上层相当于SaaS AI服务，即插即用，按需付费。企业可以根据自己的需求进行积木化拼装，极大降低了AI应用的门槛。

这些AI服务包括：用于静态图片识别的Amazon Rekognition、用于视频识别的Amazon Rekognition Image、从视频中提取文本的Amazon Textract、能为视频打字幕的Amazon Transcribe、发现文本中的见解和关系的自然语言处理服务Amazon Comprehend等等。

值得注意的是，这些AI能力中不少是经过亚马逊电商业务验证过的。

比如，聊天机器人服务Amazon Lex和文字转语音服务Amazon Polly正是亚马逊智能语音助手Alexa的内核。Amazon Lex负责文本对文本的聊天，Amazon Polly再将文本转换为逼真语音，其目前已支持中文普通话在内的29种语言。基于时序数据的预测工具Amazon Forecast也是亚马逊电商在全球使用多年的成熟架构。

现在，这些先进的AI技术，都通过AWS云服务的形式向开发者开放，可以直接使用。

此外，AWS也在加速服务在中国市场的落地。比如本届WAIC上，AWS宣布Amazon Transcribe已支持中文普通话语音的转写，最新的Amazon EC2 G4实例将于今年部署到AWS 中国（北京）和AWS中国（宁夏）两个区域。

拒绝路线图模式，保持敏捷与客制化

AI在不同细分行业的落地过程中，是否面临着一些共同的痛点？

Swami认为，很多企业缺乏把AI技术进行客制化、用来解决本行业核心业务的能力，而AWS想要帮企业补足这一点。

2018年，AWS新推出的服务多达1957个，是5年前的四倍。Swami指出，AWS有90%到95%的服务扩展都是基于客户反馈，另外5%到10%的扩展也是基于AWS对客户反馈的诠释。

“我们从来不会发布所谓的扩展路线图或者扩展计划，因为AWS想保持敏捷性。AWS的技术可以让不同细分行业的企业对人工智能进行定制，使得开发者更加容易使用我们的人工智能、机器学习技术纳入细分领域的应用程序中去。” Swami强调。

在本届WAIC的展台，AWS展示了一系列从智慧零售到工程监控、从媒体分析到AI医疗的行业解决方案，无不体现了AWS AI技术的客制化。

在智能媒体分析技术展示中，根据输入的关键词“男性”或“悲伤”等，AI可以自动搜索出包含有这些关键词的图像、声音、视频内容。该方案可用在智能零售、安防等场景下。

比如，AI技术可以根据零售商自定义要求，从卖场的视频、声音和图像三种信息介质中，实时分析出对销售有价值的信息，进行精准用户画像。

AWS智能媒体分析案例

在工业控制场景下，基于视频识别和图片识别，AWS的AI服务实现远程监控作业工地，实时分析施工现场画面是否出现异常。该方案比基于传感器的IOT方案在成本和效率上都有很大提升，也可以用来监测人流密集场所的垃圾桶等公共设施。

AWS施工现场智能监控案例

在AI医疗场景下，基于AWS云平台和AI技术，大数据医疗应用平台领先医学已经运用医疗大数据为肿瘤患者提供精准医疗的用药方案，目前已在国内多家三甲肿瘤医院展开合作。

WAIC2019向我们展示了一个不一样的AWS。

随着越来越多企业借助AWS部署机器学习方案，AWS正在刷新人们的既有印象：不仅是全球云老大，也是为企业提供简单、易使用的AI技术的人工智能平台。