“机器学习已经成为企业数字化转型的核心，并引领下阶段企业的转型与创新。“AWS首席云计算企业战略顾问张侠5月12日在回答记者提问时明确表示，在客户体验、商业运营、战略决策、科技创新、竞争优势等下一步企业竞争与发展的关键领域，机器学习都发挥着越来越重要的作用。
机器学习是一个从数据中发现模式的强大概念。但是如果用户包括个人尝试从零开始构建机器学习ML模型，设计一个可扩展的机器学习工作流，那么将面临多重挑战。
使用传统方法构建机器学习模型，标记、训练和微调参数非常耗时。训练模型是一个繁琐的过程，需要相当大的计算能力。正因如此，用复杂的模型构建可扩展的工作流，比如强化学习模型，是数据科学家面临的一大挑战。
亚马逊云服务(AWS) 5月12日宣布，帮助开发者和数据科学家快速的规模化构建、训练和部署机器学习 (ML) 模型的完全托管的服务Amazon SageMaker，在由西云数据运营的AWS中国 (宁夏) 区域和光环新网运营的AWS中国（北京）区域正式上线。
Amazon SageMaker消除了机器学习模型构建过程中各个步骤的繁重工作，同时使中国客户获得一系列新发布的工具。
把机器学习的能力交给每一位创建者手中
AI人工智能与机器学习其实并不是全新的概念，而是早在数十年前就已经诞生的技术。那么，为什么当时没有大规模落地呢？因为它缺少三个条件，海量的数据、巨大的运算能力和算法，只有大型企业才有条件运行这样的系统。
随着亚马逊AWS等云计算服务的出现，机器学习在云中迎来了复兴，正引领新一轮创新浪潮。如今即便是中小企业甚至是初创企业，用较低的成本，通过云服务按需调用AI人工智能、机器学习的技术和服务，也成为可能。
张侠认为，目前制约机器学习发展的原因包括：掌握人工智能专业知识的人才缺乏；构建和扩展人工智能的技术产品有难度；在生产经营中部署人工智能应用费时且贵；目前还缺乏成本低、易使用、可扩展的人工智能产品和服务等。
为了将人工智能、机器学习的能力交付给每一位开发者，AWS建立了一个三层的AWS机器学习堆栈：
最上面一层是AI服务，集合了AWS预抽取或预训练的一些机器学习的服务和模型，开发人员可以直接使用。现在提供的AI服务包括视觉、语音、文字、搜索、对话、定制、预测、欺诈、开发、客服等。
中间一层是核心的服务层——ML服务，包括AWS发布的Amazon SageMaker，帮助开发人员将其在软件开发方面的知识用于机器学习中。
最下面一层是ML框架和基础设施，包含机器学习所需的一些基本工具和资源。
AWS会在每一层中不断加入新的功能。亚马逊AWS的机器学习服务可以和AWS的其他云服务结合，将其机器学习和人工智能技术打包成服务，即使用户不是这方面的专家，也可以轻松使用。
AWS利用广泛的客户基础、多元化的使用场景，帮助开发人员根据场景选择不同的机器学习框架和工具，力求将机器学习的能力赋予每一位开发者和数据科学家。如今，大量开发人员和企业客户选择在AWS平台之上使用机器学习系统，AWS的机器学习案例遍布各行各业。
Amazon SageMake与时俱进
在 Gartner 发布的 2020 年云上 AI 开发者服务魔力象限中，AWS 被评为领导者， AWS 推出的Amazon SageMaker 是其中不可或缺的一部分。
作为AWS机器学习中最新推出的一个服务，Amazon SageMaker提供了一个完整的机器学习套件，帮助用户轻松地构建、训练、测试和部署模型。这些工具套件降低了模型构建和训练的难度，简化和加快了模型训练过程，可以通过自动提供和管理基础设施来训练模型和运行推理。同时，AWS多项重要功能和高级特性，让客户能够更轻松地构建、训练、调优和部署机器学习模型。
其中，Amazon SageMaker Studio是面向机器学习的集成开发环境（IDE），将所有用于机器学习的组件集中在一个地方，开发者可以查看和组织源代码、依赖项、文档和其它应用程序资产，为所有Amazon SageMaker功能和整个机器学习工作流提供了一个统一界面。
Amazon SageMaker Notebooks提供了弹性的Jupyter Notebook，让开发者可以轻松地调高或降低Notebook需要的算力（包括GPU加速）。这些调整在后台自动发生，不会打断开发者的工作。
Amazon Sagemaker Experiments可以将每个优化过程作为“实验”存储，并提供可视化界面供用户浏览。可以捕获每次迭代的输入参数、配置、结果等，供您浏览和审查性能。
Amazon SageMaker Debugger用于调试和分析模型训练，提高准确性，减少训练时间，让开发者更好地理解模型。
Amazon SageMaker Autopilot则是业内首个可以让开发者对其模型保持控制和可见性的自动化机器学习功能。SageMaker Autopilot会自动检查原始数据、应用特征处理器，挑选最佳算法集，训练多个模型，对它们进行调优，跟踪其性能，然后根据性能对模型进行排名。点击几下鼠标，用户可以得到用于部署的、性能最佳的模型推荐。
Amazon SageMaker Model Monitor让开发者更容易调整训练数据或算法，以解决概念漂移问题。
那么 Amazon SageMaker相对于其他竞争者而言核心优势是什么？
张侠博士认为，首先是AWS平台具有开放性，兼容各类ML框架，确保用户机器学习模型应用的广泛性。
其次，使用Amazon SageMaker，部署机器学习成本低，应用简单、方便。
第三，AWS能够为用户提供全方位的云技术的服务和平台支持，在AWS云平台上能发展人工智能服务。
第四，AWS上海人工智能研究院的支持，推出开源代码库DGL (Deep Graph Library) 图神经网络框架，消除了打包软件依赖项、构建基础设施和寻找已验证模型的负担。
目前有上万家用户在使用Amazon SageMaker构建自己的机器学习模型和应用。
与生态伙伴一起服务用户
用户选择AWS机器学习服务另一个重要原因是通过与合作伙伴的合作，搭建行业应用，打造一个AI应用生态。
伊克罗德是AWS的核心级咨询合作伙伴，其基于AWS的解决方案，极大地减少了用户的开发时间与运营费用。伊克罗德产品经理陈昶佑介绍，伊克罗德以Amazon SageMaker为基础，已经在海外为用户构建了自己AI解决案例，并计划在短期内落地中国。
运用Amazon SageMaker平台，加速企业导入行业AI解决方案，如标签标注、文本分析、语意理解、预测分类、推荐系统与诈欺侦测等，针对客户实际遇到的商业问题，量身打造真正解决问题的端到端AI应用。
他认为，目前，Amazon SageMaker表现出众多优势，包括拥有高效能内建算法，弹性可扩充的基础设施，以及与AWS服务完全整合和无缝接轨，加速开发速度，节省成本。而作为咨询生态伙伴，伊克罗德协助客户加速商业创新，优势包括提供AI与AWS技术上的专业支持，量身打造真正解决问题的AI解决方案，快速落地，省时省钱省人力，以及提供持续精进的顾问咨询服务。
随着Amazon SageMaker在中国区的落地，陈昶佑说，我相信，伊克罗德将和AWS一起，把SageMaker的优势，落地到更多的中国的客户身上。
同样，全球已有数以万计的客户利用Amazon SageMaker加速机器学习部署，大宇无限等也已选择Amazon SageMaker大规模地构建、训练和部署机器学习模型。
大宇无限机器学习技术总监苏映滨介绍，大宇无限是一家专门从事移动应用程序开发的公司，主要为中东、东南亚和拉丁美洲等新兴市场提供移动短视频服务。目前大宇无限的主力产品Snaptube的月活用户已经突破1亿了，去年上线的应用Zapee聚焦于满足用户短视频的在线推荐。
苏映滨认为，构建机器学习系统的整个流程极为复杂，需要大量的开发者耗费很长的时间才有可能完成。Amazon SageMaker极大地简化了机器学习系统的构建、训练和部署流程，使我们无需构建基础设施，算法工程师只需为Amazon SageMaker准备数据，仅用了三个月的时间就从零完成了整个系统的建设并承受了实际用户访问的压力。SageMaker的出现，帮助了大宇无限实现从0到1的突破。
目前，越来越多的企业希望利用机器学习和人工智能的巨大潜力，落地到自己的业务发展中。实际上，除了少数具有专家人才和数据科学家的企业外，大部分公司还是很难应用机器学习技术。AWS机器学习与云计算结合所提供的服务，让这项技术变得更方便、更易用。
