12月9日，AWS全球机器学习副总裁Swami Sivasubramanian （简称Swami）在re:Invent大会上展示了AWS关于人工智能与机器学习的最新全景蓝图，并发布一系列新服务和新功能。目前，已经有超过10万客户在使用AWS的机器学习服务。
Swami认为，“目如今可以毫无不夸张地说，云计算释放出巨大的力量，帮助各种创业公司和成熟企业取得了巨大的成功。机器学习目前就处于那样的早期阶段。”
2020年3月，Gartner发布了首份云 AI 开发者服务（Cloud AI Developer）魔力象限，AWS 被评为领导者。AWS已经成为机器学习两大框架在云上开发的主流选择。目前，在云上运行的92%的基于Tensorflow框架的机器学习工作负载（半年前这一数字还是85%），以及云上运行的91%的基于PyTorch框架的工作负载都跑在AWS云上。
2020年，AWS在人工智能与机器学习方面，有哪些值得关注的新动作？透过re:Invent大会可以看出，从基础设施到Amazon SageMaker再到上层应用全面升级、将机器学习赋能数据库开发者和数据分析师、推出开箱即用的工业领域机器学习解决方案是值得关注的几个重点。
机器学习三层工具集全面升级
AWS的机器学习服务整体框架分为三层。今年，这三层服务全面升级，升级的原则就是：更多选择、根据客户需求“量体裁衣”。
底层是框架和基础设施层，AWS用框架+算力打造了丰富而强大的机器学习基础。框架方面，AWS支持TensorFlow、PyTorch、MXNet等主流机器学习框架和接口标准。算力方面，对英伟达、英特尔、AMD、赛灵思等主流芯片厂商的最新处理器的支持一应俱全。
今年的re:Invent大会上，AWS推出了全新的机器学习训练芯片AWS Trainium，与标准的AWS GPU实例相比，可带来30%的吞吐量提升，降低45%的单次引用成本。同时，Trainium支持与去年发布的自研推理芯片AWS Inferentia相同的SDK。
中间层是Amazon SageMaker，其提供了首个全托管的机器学习集成开发环境，针对的是有一定的算法人才，但不想花精力管理基础设施，而且迫切希望加速机器学习应用开发的企业。
过去一年，SageMaker就交付了50多项新功能。在今年的re:Invent大会上，AWS再次发布9项新功能，这些新功能集中在数据处理和自动化两大方面。Gartner 称到2023年，40%的开发团队会使用自动化机器学习服务来构建为其应用软件添加AI功能的模型，而2019年这一比例不到2%。
数据特征提取器Data Wrangler和数据特征存储库Feature Store，分别解决加速和简化数据准备，以及高效管理机器学习特征的痛点。Pipelines是第一个专为机器学习构建的、方便易用的CI/CD（持续集成和持续交付）服务。Clarify可以识别模型预测过程中的偏差。Deep Profiling for Amazon SageMaker Debugger可以自动监控系统资源利用率。Distributed Training通过自动剖析、识别分割模型，可以进行大型复杂深度学习模型的分布式训练。
最上层是即拿即用的AI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。
赋能数据库开发者和数据分析师
今年，AWS将机器学习能力跟数据库进行嫁接，降低了数据库开发者和数据分析师应用机器学习的门槛。换句话说，数据库专业人才不需要专门学习复杂的机器学习模型构建，直接使用AWS的一系列内嵌机器学习能力的数据分析新服务，就能提高传统数据分析效率。
譬如，针对著名的关系型数据库服务Amazon Aurora的用户，AWS推出了新功能Amazon Aurora ML。数据库开发者发起数据库查询（SQL）时，只要选择一个机器学习模型，就会唤醒机器学习服务，Aurora ML自动将查询结果交给机器学习模型进行推理，返回结果。
Amazon Athena支持直接从Amazon S3上的对象文件中，利用SQL语句进行数据查询（SQL是结构化查询语言，原本用于关系型数据查询，而S3的对象文件不是关系型数据）。
针对云原生数据仓库Amazon Redshift，AWS推出Amazon Redshift ML，通过与Amazon S3、Amazon SageMaker的Autopilot功能结合，Amazon Redshift ML可以自动进行数据清洗、模型训练。
Amazon QuickSight Q是一项更酷的功能，用户可以用自然语言对数据进行提问，几秒钟之内就可以得到高度准确的数据洞察结果，在传统方式下可能需要几天甚至几周时间。
开箱即用的工业领域机器学习解决方案
今年re:Invent大会上，AWS首次推出开箱即用的工业领域机器学习解决方案。目前包括Axis、凌华科技、BP、德勤、Fender芬达、GE 医疗和西门子交通等等行业领先企业都已经在使用这些方案。同样，针对有无传感器网络、有无工业摄像头等企业不同的工业互联网基础，AWS也推出了从软硬件系统、一体机到SDK的丰富选择。
Amazon Monitron面向没有建立传感器网络的企业，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。
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。同时，对于有工业摄像头布局的企业，AWS Panorama软件开发套件（SDK）可以让企业在硬件中嵌入计算机视觉功能。
Amazon Lookout for Vision为工业客户提供高精度、低成本的产品质量异常检测解决方案，其每小时可以处理数千张图像，从中发现产品缺陷和异常。
2016年起，AWS就开始在云上提供机器学习服务。最近三年，在机器学习领域AWS每年新增的服务和功能超过200个。这一过程中，AWS机器学习的愿景始终没变过：把机器学习的能力交到每一位创建者手中。
AWS大中华区云服务产品管理总经理顾凡认为，AWS将持续为企业打造全面丰富的机器学习工具集，right tool for the right job（为每一项工作都提供一个趁手的工具），赋能每一位AI工作者。
本文为「智能进化论」原创作品。
