Amazon SageMaker“工具箱”不是只有一把锤子

Amazon SageMaker“工具箱”不是只有一把锤子-存储在线

Amazon SageMaker是什么?

简单说，是亚马逊云科技推出的一个机器学习平台服务，转眼间，Amazon SageMaker已经落地中国区域一周年。

“前切后剁中间片，刀背砸泥把捣蒜，刀膛拍、刀跟开，刀头刮鳞最方便。”这说的是中国厨师一把刀，凭的是中国厨师高超的技艺，但是对于大多人来说，还是需要各式各样的工具。所谓千人千面，需要满足不同用户的需要。Amazon SageMaker也是如此!

“如果把‘Amazon SageMaker’比喻为一个工具箱，那么这个工具箱里不是只有一把锤子，而是一个特别全面的工具箱，不同的客户可以在里面选择最顺手的工具，。” 亚马逊云科技大中华区云服务产品管理总经理顾凡说。

面向机器学习应用场景，需要AI/ML“工具箱”足够强大,能够满足不同水平用户的需求。

先看一个淄博市热力集团有限责任公司(以下简称“淄博市热力集团”)利用机器学习服务的案例：

淄博市能源集团有限责任公司、淄博市热力集团有限责任公司党委书记、董事长汪德刚表示，“多年来，淄博市热力集团利用信息化手段改造传统供热，致力于成为行业标准的制定者和行业发展的引领者。通过与亚马逊云科技合作，借助人工智能和机器学习的能力创新，淄博市热力集团建成了基于机器学习和大数据分析的智能供热平台，实现了从传统供热向产业智能化方向转型。”

简单说，从热电厂到需要供暖的家庭，中间需要一次网和二次网，所谓站端和户端，其调控的策略受室外天气以及建筑保温等多种因素的影响，调控策略以往依靠人工来干预，需要大量的经验积累。

通过与亚马逊云科技的合作，借助Amazon SageMaker机器学习的平台，淄博市热力集团快速构建、训练和部署了机器学习模型，通过气象、工控数据、建筑物维护结构等数据的学习和训练，训练出来了最佳的供热模式，完成了传统供暖向智能化供暖的转型。

对于供暖这个传统产业而言，淄博市热力集团训练的这个智能供热模型，明显具有行业推广价值。

智能化供暖模型只是一个例子。

Amazon SageMaker工具箱还有很多训练好的模型。如Prime Video、StyleSnap和Amzone GO等。

这些模型大多与电商有关，主要来自于亚马逊云科技对于亚马逊电商平台的支持，从物流优化、购物体验，到基于Alexa智能语音体验，有大量训练好的模型。

“如果你要制造汽车，没有必要从轮子开始做起。人工智能、机器学习也是如此，没有必要从头做起，有大量训练好的模型，拿来使用就可以了。”顾凡说。

应该说，这些训练好的模式是AI/ML工具箱的内容之一，适合普通用户使用。

但还是有些用户喜欢DIY，或者没有现成的工具，需要自己动手训练，对此，亚马逊云科技也有适合的工具。

谈到应用的现状，上海音智达信息技术有限公司CEO孙晓臻指出：如今用户对于数据的期望不断提高，但对机器学习、数据分析效果的信心却在不断下降，所谓“结果二分法”。

“关键还在于能够增加营收，同时降低机器学习的成本。” 孙晓臻说。

“如今大数据和人工智能的人才招聘和培养不易，开发技术难度越来越大，越是在这种情况下，越是需要提高系统部署的效率，降低系统的运维成本。要让数据科学家的精力集中在业务上，没有必要消耗在系统的搭建和维护。”他继续补充说。

对于合作伙伴而言，使用Amazon SageMaker机器学习平台，基于Web的机器学习IDE开发环境，将非常有助于以上目的实现，也是Amazon SageMaker带来的价值。

在Amazon SegeMaker落地中国区域一周年之际，亚马逊云科技又针对SegeMaker新增加了7大功能。

1、Amazon SageMaker Data Wranger，简化机器学习的数据准备工作。通过该功能，客户可以将各种数据存储中的数据一键导入。Amazon SageMaker Data Wrangler内置了300多个数据转换器，让客户无需编写任何代码，就可以对机器学习用到的特征进行规范化、转换和组合。

2、Amazon SageMaker Feature Store，一个完全托管且专门构建的特征存储库，用于存储、更新、检索和共享机器学习特征。客户可以在其中存储和访问特征，以便更轻松地在各个团队中对其进行命名、共享和重复使用。

3、Amazon SageMaker Pipelines是业界首个针对机器学习专门构建、易于使用的持续集成和持续交付服务，通过编排和自动化提高机器学习工作的效率。借助该服务，用户可以大规模地创建、自动化和管理端到端机器学习工作流。

4、Amazon SageMaker Clarify让机器学习开发人员可以更好地掌控其训练数据和模型，从而识别和限制偏差并解释做出相关预测的原因。

5、Amazon SageMaker Distributed training libraries为训练大型深度学习模型和数据集提供了易用的方法，与现有分布式训练实现相比，以最高快 40% 的速度完成分布式训练，并且帮助用户减少手动实施数据并行和模型并行策略所需时间。

6、 Amazon SageMaker Model Monitor帮助客户时刻保持机器学习模型的准确性，它能够自动检测生产环境中部署的模型，并在检测到不准确的预测时发出警报，从而帮助客户维护高质量的机器学习模型。

7、Amazon SageMaker Debugger，可以通过实时捕获训练指标，自动识别机器学习训练任务中正在出现的复杂问题，例如梯度值变得过大或过小等。它可以实时监控系资源(例如GPU、CPU、网络和内存等)的利用率，帮助用户提高资源利用率，对训练过程中的资源瓶颈进行告警，让开发者及时调度资源，快速采取纠正措施，减少时间和成本浪费。

其中，针对机器学习数据的检测纠偏的功能，让人印象深刻，可在理解模型预测的基础上，防止模型过度取信于莫种类型数据。

此外，基于高性能机器学习推理芯片Amazon Inferentia的Amazon EC2 Inf1实例，也同期落地中国区域。

临渊羡鱼不如退而结网，机器学习也是如此!授人鱼，不如授人以渔，如今，Amazon SageMaker准备好了!就看你的动手能力了!

赶快行动起来吧!用好机器学习，让AI为业务创新赋能!