Amazon电商平台会基于物品的协同过滤算法向购买了A商品的顾客推荐B商品；
Amazon Prime Video通过深度学习算法可以将向用户推荐电影的准确率提升200%；
StyleSnap能够帮助用户在电商平台上识别出风格相似的商品；
Amazon Go可以简化顾客的购物环节，实现顾客直接离店、无收银的线下购物体验；
用机器学习可以解决复杂的产品需求预测，赋能人机协同，提升配送货的效率，更准确的预测商品从A点到B点的时间，实现物流优化；
还有智能音箱Amazon Echo，可以为数以亿计的用户带来丰富的智能语音体验。
在亚马逊云科技近日举行的媒体沟通会上，亚马逊云科技大中华区云服务产品管理总经理顾凡向大家介绍： 其实亚马逊早在20年前就开始进行机器学习的创新实践了。所以我们可以看到，在这家公司的业务背后到处都有机器学习的身影。
云服务：机器学习创新的保障
如今，机器学习正在不断向纵深发展。
一方面，对于机器学习的投入正在成倍增长。据IDC预测，到2023年，人工智能系统支出将达到979亿美元，比2019年的375亿美元增长2.5倍。
另一方面，机器学习正在从试点转向运营。Gartner预测，到2024年底，75%的企业会把机器学习从试点转向生产系统，经过反复迭代才能真正改变客户体验或提升效率，而这样的生产系统也在整个行业加速。
顾凡告诉记者，亚马逊利用机器学习有一个核心理念，就是亚马逊+机器学习=客户体验的提升。也就是说，亚马逊关心的不是算法，而是到底要解决什么样的客户体验。先从客户体验入手，再思考机器学习是否是合适的工具。在这背后，亚马逊云科技提供的云服务就是亚马逊机器学习快速创新的保障。 Amazon.com是亚马逊云科技最大的客户，二者是客户和平台的关系，亚马逊云平台的服务和产品可以让亚马逊充分使用，亚马逊则会给亚马逊云平台提供大量的使用实例和需求。
不过我们谈机器学习时不能只看机器学习，真正开始机器学习之前还要做好数据筹备工作。 顾凡强调，在亚马逊云平台上无论是用Amazon S3和各种各样的分析引擎都可以帮助客户很好地解决数据筹备工作。亚马逊云科技把AI/ML普惠作为核心使命，要完成这个使命最重要的一条就是，帮助不同的客户提供一个特别全的 工具箱 ，不同的客户可以在里面选择自己最顺手的 工具 。
亚马逊云科技的机器学习 工具箱
如今，全球有数以十万计的客户在使用亚马逊云科技进行机器学习。各种规模、各种类型的企业和机构，都在积极探索人工智能和机器学习技术的应用。为满足不同客户的创新需求，亚马逊云科技提供了广泛深入且不断迭代创新的机器学习服务组合，仅去年一年就新增250多项机器学习功能。
针对不同需求的客户，亚马逊云科技在机器学习技术堆栈三个层面提供机器学习服务，包括顶层-人工智能服务、中间层-机器学习服务以及底层-框架和基础架构。
在人工智能服务层面，亚马逊云科技在北京区域推出了开箱即用的人工智能服务--Amazon Personalize，这是一项用于构建个性化推荐系统的完全托管型机器学习服务，已在北京区域上线。开发人员无需具备机器学习专业知识，即可通过该服务训练、调整和部署自己定制的机器学习模型，方便、快速地构建个性化推荐系统，可用于产品推荐、个性化营销、个性化搜索和定制化直销等广泛的个性化推荐场景。
在中间层，作为亚马逊云科技机器学习服务层面的核心产品，Amazon SageMaker是业界首个面向机器学习开发者的集成开发环境，它消除机器学习过程中的繁重工作，使客户能专注于自身的业务和应用创新，在提高客户工作效率的同时还大幅降低机器学习的总体拥有成本。2020年12月在亚马逊云科技全球大会re:Invent 2020上亮相的七项 Amazon SageMaker新功能--Amazon SageMaker Data Wranger、Feature Store、Pipelines、Clarify、Distributed training libraries、Model Monitor、Debugger近期已经在北京区域和宁夏区域落地，让客户可以轻松构建端到端的机器学习管道。
在机器学习底层的框架和基础架构层面，亚马逊云科技全面提供基于各家芯片供应商的最新技术选项，提供从小到大多种配置，支持市面上流行的各种机器学习框架和算法。同时，为了给客户提供性价比更好的算力，亚马逊云科技自主设计芯片，推出了高性能机器学习推理芯片Amazon Inferentia。基于Amazon Inferentia的Amazon EC2 Inf1实例落地北京区域和宁夏区域，让中国区域客户又多了一种云端高性能和更低成本机器学习推理的算力选择。该实例与当前成本最低的基于GPU的实例相比，可以提高30%的吞吐量，并使每次推断的成本最高降低45%。
授人以鱼不如授人以渔
根据Amazon SageMaker落地中国区域一年以来的经验，亚马逊云科技针对企业应用机器学习提出了四点建议：
第一，企业要了解自己的数据策略，知道有什么数据可以用？什么数据可以变得简单易用？未来一年，希望从现在开始收集什么数据？
第二，找到一个适合机器学习的场景作为切入点。先突破创新业务，实现降低成本、增加效率或提升客户体验，之后再改造核心业务。
第三，数据科学家要业务化，不能闭门造车。亚马逊构建机器学习团队时会让数据科学家和业务团队的产品经理、开发人员、运营人员一起工作，组成一个项目组，共同对业务负责，让懂机器学习算法的人也懂业务。
第四，应对技能差距，企业要选择能够给自己赋能的厂商合作，避免重复造轮子，让数据科学家、开发人员可以专注于的自己的应用和业务创新，同时要把握住对数据和算法模型的所有权。
顾凡介绍，亚马逊云科技赋能客户的策略是 授人以鱼不如授人以渔 扶上马，送一程 。现在机器学习人才供不应求，而亚马逊云科技愿意提供解决方案架构师、产品技术专家、人工智能实验室、数据实验室、快速原型开发团队和专业服务团队来帮助客户， 和客户的业务团队拧成一股绳，让客户以最小的试错成本发现用例、开发原型、动手培训、试验迭代。
遍布各行各业的机器学习实践
为了实现AI/ML普惠，亚马逊云科技还推进开放、开源的生态，构建合作伙伴网络，和众多合作伙伴一起帮助客户更快应用机器学习技术。现在亚马逊云科技的机器学习服务已经成功应用在医疗健康、教育、出行、工业智能、游戏、新媒体等各个行业中。
在医疗行业，益体康利用亚马逊云科技的机器学习服务快速构建了智能远程心电平台的AI训练和推理场景，提升了模型训练的速度。在新冠肺炎疫情期间，益体康的智慧远程心电平台为身处隔离病房不能时时得到医生监测心脏状况的患者提供了服务。为基层医疗机构快速完成心脏问题的初诊和分诊，减少误诊、漏诊，减少跨区传播的风险。
在教育行业，叽里呱啦使用 Amazon Polly 和 Amazon EC2 P3 实例，依托马逊云科技的人工智能与机器学习技术快速构建具有逼真语音体验的在线学习平台，让儿童获得具有沉浸式体验的纯正英语发音学习环境。
在工业智能领域，天和荣在开发即视通门铃产品的人脸识别功能过程中，采用了开箱即用的 Amazon Rekognition，短时间内就为即视通平台增加了人形侦测、人脸识别等能力。
在游戏行业，行者AI利用Amazon SageMaker开发了游戏内容过滤服务，对不恰当内容的识别率超过96%，大大高于同类产品的水平，上线短短三个月内，已经获得了几十家游戏客户青睐。
在新媒体行业，大宇无限采用亚马逊云科技的Amazon SageMaker开发了视频在线推荐功能，仅用三个月的时间就完成了整个系统的建设并承受了实际用户访问的压力。
顾凡表示： 亚马逊云科技希望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，把机器学习的能力交到每一位构建者手中！
