如何降低机器学习使用“门槛”，机器学习就是AWS的下一个金矿

来自瑞典的Dafgards是一家冷冻披萨制造商，保质保量的生产出符合标准的披萨是他们的首要目标，一旦尺寸不合格、配料不齐全或是奶酪含量不达标的披萨流入市场，消费者就会对食品厂家的品牌失去信任——因此产品检测环节尤为关键。

传统的人工检测方法显然效率低下，而且容易出现错检、漏检现象，Dafgards希望能够利用当下非常火热的机器学习技术解决这一问题，然而在真正实际应用的时候，才发现机器学习方案的部署是一项非常复杂且昂贵的工作，需要很多专业人才，期间涉及大量试错，仅靠自身难如登天。

许多和Dafgards类似的制造商都会遇到相同的问题——如何降低“门槛”，让机器学习更易用并拓展到更加广阔的使用者、应用场景和行业，是亚马逊云服务(AWS)始终追求的目标。所以在近日举行的亚马逊re:Invent大会上，我们能够看到AWS为了让机器学习不再那么“可望而不可及”而做出的许多创新。

客户的需求是唯一的“指南针”

在设计新方案或开发新工具的时候，客户需求是AWS唯一的“指南针”。通过与客户的深入交流，AWS发现制造业当前的挑战主要集中在两大方向。

第一，如何保证产品的质量？无论是忘了加奶酪的披萨，还是表面出现划痕的手机，亦或是螺丝没有拧紧的汽车……一个看起来毫不起眼的缺陷或瑕疵，轻则致使企业的商誉和财产遭受损失，重则甚至会导致伤亡事故的发生。用机器替代人眼进行产品质量检测是大势所趋，关键在于如何低成本、自动、快速且准确地对图像和视频进行视觉异常检测。

Amazon Lookout for Vision为客户提供了一种高精度、低成本的异常检测解决方案，可以通过机器学习技术每小时处理数千张图像以发现缺陷和异常，例如机器部件的裂纹、面板上的凹痕、不规则的形状或产品上的颜色错误等等……

在说明这项服务的优势时，AWS全球机器学习副总裁Swami Sivasubramanian(简称Swami)举了个通俗易懂的例子：以Dafgards为例，如果没有Amazon Lookout for Vision，这家冷冻披萨制造商需要雇佣数个计算机视觉方面的专业人员，然后开发、训练并部署相应的模型，至少花费数月才能完成这项工作。如今，Dafgards只需将30个合格披萨饼产品的图像输入AWS提供的基础模型，就能获得一个可以快速、准确判断披萨饼是否合格的机器学习模型。

类似的，AWS Panorama通过计算机视觉改善工业运营和工作场所安全。其中，AWS Panorama一体机是一个硬件设备，将它连接到工业场所的网络中，它就可以自动识别摄像头数据流，与工业摄像头进行交互；AWS Panorama软件开发套件（SDK），则能方便工业相机制造商在新相机中嵌入计算机视觉功能。

除了质量，制造业客户最关心的第二个问题莫过于如何降低成本？在制造过程中，任何计划外的停机都可能会给企业带来高昂的成本代价。虽然设备的故障不可避免，但用预测性维护来代替传统的被动维护/预防性维护显然是一个不错的主意。

然而，这需要企业雇佣熟练的技术人员和数据科学家从头构建复杂的解决方案，同时需要针对用例识别和购买正确类型的传感器，并将它们连接至IoT网关。然后，公司必须测试监测系统，并将数据传输到本地或云上进行处理。只有这样，数据科学家才能构建机器学习模型来分析数据模式和异常情况，或者在检测到异常时创建警报系统——这个过程对大多数企业来说都太过复杂了。

新的AWS机器学习服务则可提供众多帮助：Amazon Monitron和Amazon Lookout for Equipment通过机器学习支持预测性维护。Amazon Monitron面向没有建立传感器网络的客户，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，检测异常并预测何时需要维护工业设备；Amazon Lookout for Equipment面向已经拥有传感器、但不希望自己构建机器学习模型的客户，由AWS为其构建模型并返回预测结果，检测异常设备行为。由此，制造企业可以轻量地拥有先进的预测性维护解决方案。

Amazon Monitron Starter Kit

AWS最新发布的五项用于工业领域的机器学习服务（Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一体机、AWS Panorama SDK和Amazon Lookout for Vision），也是AWS首次推出的开箱即用的工业领域机器学习解决方案。据悉，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。

为不同水平的客户提供不同的工具

AWS在为客户提供机器学习服务时，不仅会根据不同客户的具体需求，还会考虑到它们自身的技术水平，并据此划分了三层服务。

我们不妨用一个形象的比喻来说明这三个层级：如果一个人本身就是经验丰富的大厨，那么我们只用为其提供厨具和原料，他就能原创一道惊艳的菜式；如果一个人只是稍微有点儿厨房经验，那我们还得为其提供详细的菜谱进行指导；如果一个人完全就是个厨房小白，那我们不如直接给其提供现成的“料理包”，让他稍微加热一下就能享用美味。

对应到AWS，就是要打造包罗万象的工具箱，赋能每一位AI工作者。用AWS大中华区云服务产品管理总经理顾凡的话来说就是：right tool for the right job（为每一项工作都提供一个趁手的工具）。

在工具集的底层，面向那些技术能力超强并希望将人工智能和机器学习作为自己的核心竞争力的客户。AWS为他们提供了强大的算力、全面的算力选择以及丰富的机器学习框架选择。具体而言，AWS支持主流的机器学习框架，客户还可以通过容器部署的方式，自带机器学习框架；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，同时还通过自主设计的处理器，极大地降低机器学习的算力成本。

在工具集的中间层，面向那些技术能力较强的客户，他们有大量的数据可以进行机器学习模型训练，有一定的算法人才，不想花精力管理基础设施，只想专注于自己的应用和业务创新。AWS的Amazon SageMaker为他们提供了首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。

2020年6月4日，中科创达率先宣布，已经将Amazon SageMaker集成到了自家ADC系统中，让制造业客户可以在工业生产中轻松获得AI质检能力。

最后，在工具集的顶层，面向技术能力相对薄弱的客户，他们有一定的数据，但没有算法人才，他们希望在业务场景中直接引入人工智能。AWS为他们提供开箱即用的人工智能服务，目前已经涵盖机器视觉、语音文字转换、机器对话、文本处理、电商业务、客服、企业内信息搜索、开发与运维、工业AI等方面。

机器学习就是AWS的下一个金矿

遥想2016年，AWS只在当年发布了三个机器学习服务；与之相比，最近三年，AWS每年新增的服务和功能超过200个——这一方面说明了相关技术正在从概念走向成熟，另一方面也说明了以制造业为代表的千行百业的客户需求正在爆发。

Swami在亚马逊re:Invent大会上发表机器学习和人工智能主题演讲时表示：“机器学习是我们这一代人能遇到最具颠覆性的技术之一，目前已经有超过10万客户在使用AWS的机器学习服务，很多客户已经将机器学习用于其核心业务。”

BP是一家全球性能源企业，为客户提供运输用燃料，热能和光能，润滑油以及用于制造油漆、服装、包装物等日常用品的石化产品。BP在全球拥有18,000个服务站和74,000多名员工。BP美国首席技术官Grant Matthews说：“我们位于bpx的工程团队正与AWS紧密合作，以构建一个物联网和云平台，助力BP持续提高运营效率。作为这项工作的一部分，我们也在探索通过计算机视觉辅助提高安全性和工作人员安全。我们希望利用计算机视觉实现卡车自动化进出工厂，确认它们已完成正确的订单。此外，我们还在监控人员距离、设置动态禁区和检测石油泄漏等方面看到了通过计算机视觉辅助保护工人安全的可能性。AWS Panorama创新地实现了在单一硬件平台上以直观的用户体验提供所有这些解决方案。我们的团队非常高兴与AWS一起使用这项新技术，并期望解决许多新的用例。”

GE医疗是全球领先的医疗技术和数字解决方案的创新者，致力于开发、制造和分销诊断成像剂、放射性药物、CT和MRI机器等医疗诊断设备、以及由其Edison数字医疗智能平台支持的智能设备。“今天，我们通过人工检验医疗设备的质量。为了提升我们的品牌并为医疗保健专业人员提供值得信任的一流产品，我们很高兴能够通过Amazon Lookout for Vision探索以编程方式提高GE医疗日本工厂产品缺陷检测的速度、一致性和准确性的可能性，短期内还可能应用于全球其他区域的工厂中。”GE医疗日本工厂经理、产线运营官和总经理Kozaburo Fujimoto说。

从这些落地的事例可以看出——毫无疑问，机器学习就是AWS的下一个金矿。
编辑：hfy