云计算、大数据、人工智能，是当下企业级IT市场中最火热的三种技术。这三者又是紧密联系，密不可分的。
尤其是在数据成为企业核心生产要素、强调发挥数据业务价值的当下，AI为数据的智能分析提供了可能，而云计算则成为他们的关键支撑。把三者进行有机结合，正在成为云服务商的核心战略之一，也成为其相对传统IT厂商的优势所在。
最近，亚马逊云科技就在去年推出“智能湖仓”架构的基础上，推出了“云、数、智三位一体”的大数据与机器学习融合服务组合，实现了对三个方面的整体覆盖，即构建云中统一的数据治理底座，为机器学习提供生产级别的数据处理能力，以及赋能给业务人员更加智能的数据分析工具。
如今，越来越多的企业已经意识到大数据和机器学习对业务创新的价值，以此来提升业务产出，比如基于实时数据的快速决策、将机器学习从试点转向实践等。
但企业在机器学习生产化的过程中，仍然面临着诸多的现实挑战。亚马逊云科技大中华区产品部总经理陈晓建介绍说，这些挑战包括数据和机器学习分而治之、数据处理能力不足、数据分析人员参与度低等。
他举例说，在制造行业，企业可以利用机器学习来对产品售后维修需求进行预测，从被动响应变为主动规划；但由于不具备足够的数据处理能力，往往导致模型开发成功后，不能有效收集和处理海量的运营数据，致使预测不准确，无法达到预期业务目标。
另外一种情况则是，模型在实验环节效果良好，但实际使用中却不尽人意。这是因为实验环境只是对真实环境的简单模拟，生产环境则要复杂得多，数据分析人员如果不能有效参与，就会导致机器学习项目价值遭受挑战。
这些问题该如何解决呢？陈晓建认为，企业应在云中打造统一的数据基础底座，实现大数据和机器学习的双剑合璧，进而为自身的发展提供新动力。
陈晓建所说的统一底座，包括统一数据共享、统一权限管控、统一开发及流程编排等。通过上述三个统一，可以打破数据孤岛，实现数据的资产化，并放心地让数据在不同的业务系统之间流转；进而融合端到端的大数据和机器学习任务，提升整体的开发效率。
要实现大数据与机器学习两者之间的双向互动、互为支撑、互为因果，离不开丰富的云服务组合做支持。在这个方面，无论从产品的宽度还是深度来看，亚马逊云科技无疑都是领先者。
在数据底座方面，Amazon Lake Formation的诸多新功能，实现了数据网格跨部门的数据资产共享，以及基于单元格的最细粒度的权限控制机制；Amazon SageMaker Studio可一站式地完成数据开发、模型开发及相关的生产任务。
在数据处理方面，Amazon Athena能够对支持多种开源框架的大数据平台，包括Amazon EMR、高性能关系数据库Amazon Aurora、NoSQL数据库服务Amazon DynamoDB、Amazon Redshift等多种数据源，对这些数据源进行联邦查询，快速完成机器学习建模的数据加工。
在业务创新方面，深度集成机器学习Amazon SageMaker模型预测能力的Amazon QuickSight、在分析结果中添加基于模型预测的Amazon Athena ML，可帮助用户使用熟悉的技术，甚至通过自然语言来使用机器学习，从而赋能业务人员进行智能分析、模型效果验证以及自主式创新。
Convertlab是一家专注在零售领域的服务商，为企业提供一体化营销云服务，其客户多是相关行业的头部企业。
Convertlab联合创始人兼CTO李征介绍说，随着流量的获取成本越来越高，零售市场的业务形态正在从“产品为中心”转为“客户为中心”，这为基于数据智能的营销带来了更多的机会。
数据智能营销，使企业实现了千人千面的信息及引导，提升了客户体验；但同时也使企业面对的数据、场景越来越多，很难做完备的数据洞察和数据驱动策略。这时候，如果有一个标准统一的数据基座，就可以大幅度提升数据应用效率，降低数据融合成本。
为此，Convertlab与亚马逊云科技合作，利用其 “智能湖仓” 架构构建了一体化客户数据管理平台Data Hub、高效机器学习应用决策平台AI Hub，两大平台相互支撑与协作，完成了基于业务场景的用户画像，可以快速支撑营销策略。
某世界500强零售头部品牌，利用这一平台进行基于AI决策的共同创新，人力投入从12位减少到8位，上线周期从12个月降到3个月，实际产出从13个场景增加到32个场景，电子渠道GMV比例从2.95%提升到6.34%，大幅降低了成本，促进了业务转型。
显然，统一融合的数据治理底座，能够帮助企业形成数据管理、算法决策到执行的完整闭环，从而更好地挖掘数据价值，实现业务的创新发展。
