用机器学习重塑业务的传统行业正在释放出巨大潜力。

“现在，我们每年节约的能源换算成标煤是15万吨，每年减排二氧化碳40万吨，减排二氧化硫1300吨，减排氮氧化物1130吨。”

这是淄博市能源集团公司、淄博市热力集团公司党委书记、董事长汪德刚近日在一次媒体活动上的分享。作为一家老牌国有热力集团，3年前，淄博热力在行业内首次引入机器学习技术。现在，淄博热力不但成为国内供热行业能效的领跑者，也成为智慧供热转型的标杆企业。

2021年5月11日，在完全托管的机器学习服务Amazon SageMaker落地中国区域一周年之际，亚马逊云科技宣布多项人工智能与机器学习新服务、新功能落地中国区域。

当越来越多传统企业将机器学习应用到核心业务环节，亚马逊云科技在加速人工智能普惠方面有什么独到之处？

机器学习如何助力碳中和？

近两年，碳中和成为一大热词。在供热行业，传统的节能减排模式逐渐面临瓶颈，加入机器学习的智慧供热是大势所趋。

传统的供热管理是粗放式的，从热力站到小区的管控完全依靠人工，运营人员凭经验粗略估计每个热力站的用热量，并只能根据用户的反馈进行调控，这样必然导致能源浪费和用户体验问题。

2014年，淄博热力在行业内率先布局智慧供热，目前已经在智慧供热、工业余热利用、供热设计等方面走在行业前列。

“当智慧供热做到了一定程度以后，没有机器学习、大数据的应用，就走到了一个瓶颈期。”作为主导集团智慧供热转型的一把手，汪德刚对机器学习的价值深有感触。

从2019年开始，淄博热力与亚马逊云科技展开合作，淄博热力因而成为国内第一家将机器学习引入智慧供热领域的企业。利用亚马逊云科技丰富的AI/ML技术和服务，淄博热力得以快速构建、训练和部署机器学习模型，实现了精准供热。

双方联合研发了一套基于机器学习的智慧供热控调控系统，可以根据气象、工控数据、建筑物维护结构等信息计算出最佳的供热模式，提前预测并制定小区级和房间级的供热策略。淄博热力使用 Amazon SageMaker 作为核心开发平台，目前已经开发出数十个站控和户控供热算法模型。

“现在，我们通过机器学习能更精准地以单户为单位进行室内温度控制，让用户家里时刻保持在舒适的温度。”汪德刚介绍。

业务重塑，机器学习是必选题

Gartner数据显示，75%的企业在2024年底会把机器学习从试点转向生产系统。不同于此前数十年中的几次技术泡沫和过热，这一轮周期中，越来越多企业真正意识到对于企业的业务重塑，人工智能和机器学习是必选题，而不是选择题。

春江水暖鸭先知。率先感受到企业对机器学习态度巨大变化的，除了数字化转型中的传统企业一把手，还有不少在IT行业中深耕20年的老兵。

近两年，孙晓臻明显感觉到企业对于机器学习的态度，正从试错或者验证的阶段加速向普及的阶段发展。他领导的上海英智达信息技术有限公司近20年来已为数以百计的跨国企业、500强企业及本土客户提供过数据服务。

“过去两三年，我们做的大量人工智能相关项目都是验证形式，客户希望通过小规模的试错发现人工智能技术到底符不符合公司需求。现在，客户明显在这件事情上变得坚定了，投入也不再是试错性质，而是期望给业务带来真正的价值。”

在全球，数以十万计的客户选择亚马逊云科技运行机器学习工作负载。仅去年一年，亚马逊云科技就新增了250多项机器学习功能。

在中国，采用亚马逊云科技机器学习服务的企业中，除了互联网、游戏等天然更贴近新技术的行业，像淄博热力这样的传统企业逐渐多起来。

为了让更多中国企业用好机器学习，亚马逊云科技做了两件事：

第一，在中国市场不断加快机器学习新服务的落地，为中国企业提供更完备的机器学习“工具箱”；

第二，结合亚马逊自身多年来应用人工智能的经验，总结出企业拥抱机器学习的通用方法论，并在教会客户使用工具之外，强化“扶上马送一程”的增值服务，用完善的资源和服务帮客户用好机器学习。

授人以鱼不如授人以渔

亚马逊云科技大中华区云服务产品管理总经理顾凡习惯将亚马逊机器学习的三层架构比作“工具箱”，即授人以渔的能力。当双方合作某个机器学习项目之后，企业也可以随时从“工具箱”中找到最适合的机器学习工具，通过自己的数据科学家和算法工程师快速上手、迭代模型。

“工具箱”中，顶层是人工智能服务，企业可以开箱即用；

中间层是Amazon SageMaker为主的机器学习服务，也是市场需求量最大的，用来解决企业AI算法规模化产出的痛点；

底层是基础框架和算力支撑，适合AI技术实力强大的企业自行开发。

此次，亚马逊云科技在“工具箱”的三个层面都有新品落地中国。

在人工智能服务层面，亚马逊云科技在北京区域推出了Amazon Personalize，客户无需具备机器学习专业知识，即可方便、快速地构建个性化推荐系统。

作为全球最大的电商平台，亚马逊也是自身人工智能/机器学习技术的最大客户。Amazon Personalize是亚马逊在商品推荐算法方面的招牌应用，企业可以直接拿来定制自己的个性化推荐系统。

在中间层，亚马逊云科技将Amazon SageMaker在re:Invent 2020上亮相的包括SageMaker Data Wranger、SageMaker Feature Store、SageMaker Pipelines等七项新功能在北京区域和宁夏区域上线，让客户可以更轻松地构建端到端的机器学习管道。

Amazon SageMaker是业界首个面向机器学习开发者的端到端集成开发环境，目前已经上线了20多个加速机器学习的开发工具，覆盖整个机器学习开发生命周期。根据官方数据，Amazon SageMaker能够提高数据科学家效率高达10倍，降低机器学习总体拥有成本54%。

在底层算力层面，亚马逊云科技在北京区域和宁夏区域推出了Amazon EC2 Inf1实例。该实例基于亚马逊云科技自研机器学习推理芯片Amazon Inferentia，与当前成本最低的基于GPU的实例相比，可以提高多达30%的吞吐量，并使每次推断的成本最高降低45%。

顾凡表示，“一年来，我们见证了中国各个行业各种类型客户积极应用亚马逊云科技服务进行机器学习创新。我们希望通过将更多服务落地到中国区域，并坚持‘授人以鱼不如授人以渔’，甚至更进一步‘扶上马，送一程’的方式，帮助客户更快应用机器学习技术，加速人工智能和机器学习的普惠。”

亚马逊云科技大中华区云服务产品管理总经理 顾凡

拥抱机器学习，传统企业如何迈出第一步？

2003年，亚马逊的数据科学家第一次在业界发表了关于商品推荐算法方面的论文。至今，亚马逊的人工智能技术已经广泛运用到自身的电商系统、物流系统、线下无人商店、智能音箱、语音助手等核心业务中。

当前的AI普惠大潮中，传统行业是一个核心战场。通过服务中国企业的多年经验，亚马逊云科技将企业的共通问题梳理为“应用机器学习重塑业务的四大洞察”：

第一，了解自己的数据策略。应用机器学习之前，企业需要首先弄明白，为什么要用机器学习？最希望通过人工智能/机器学习解决哪些业务痛点？企业目前有哪些数据可用？哪些数据可以变得更加简单易用？着眼未来一年，企业希望从现在就开始收集哪些数据？

第二，找到应用机器学习的切入点。顾凡建议，企业可以选择那些数据就绪程度高、对业务影响程度低、机器学习的适用性高的业务，作为第一个应用场景。

第三，数据科学家业务化。这是亚马逊自己构建机器学习团队的经验积累。技术专家不懂业务，业务专家不了解技术在很多公司是通病。亚马逊的做法是，技术专家必须与业务专家在同一团队，为同一目标工作，让数据科学家与产品经理、运营人员打成一片，否则两拨人才只会按照自己的方式工作。

第四，“扶上马送一程”，缩小企业的技能差距。“光是教会客户技术工具还是不够的，很多行业问题需要算法的大量迭代。为此，亚马逊云科技提供从解决方案架构师、产品技术专家、到人工智能实验室、数据实验室，以及快速原型开发团队和专业服务团队的完整支持体系，帮客户解决实际问题。”顾凡表示。

写在最后

如今，云计算、大数据、机器学习已经成为新基建的重要组成部分。每一家企业都要用好它们，但却不能凭借这些基础技术在自身赛道胜出。所以，企业“上云用数赋智”，找对合作伙伴很关键。

亚马逊凭借在人工智能/机器学习领域20多年深厚的技术积累，提供了广泛而深入的、不断迭代创新的机器学习服务组合。

目前，92%的TensorFlow云上工作负载，以及91%的PyTorch云上工作负载都在亚马逊云科技。

顾凡认为，在企业拥抱机器学习的转型中，亚马逊云科技的角色非常清晰：“我们希望帮企业解决那些非差异化、非算法类的工作，让企业专注在业务创新，专注在机器学习算法本身。”