現階段，人工智能應用場景正在不斷增多，市場規模不斷擴大，使得機器學習價值日益凸顯。越來越多企業開始應用機器學習技術來實現數字化轉型。

[[443069]]

例如，一家招聘網站，每天都要處理數以萬計的求職簡歷，并且精準分發至數百個企業的不同職位中。分發的越精準，獲取的用戶信任度就會越高，網站經營自然也會取得良性發展。可是如此數量的簡歷，依靠人工分類篩選效率過于低下，而且分發精準度也難以得到保障。這時就可以利用人工智能技術，通過機器學習訓練的方式來解決這個問題。

招聘網站可以將企業過往應聘者簡歷以數據形式記錄下來，并依據成功聘用簡歷內容，設置關鍵標識的標簽。這些標簽與招聘企業不同職位需求一一進行對應，并對每一份簡歷，都有記錄標識出是否最終被聘用，以深入了解招聘企業需求。然后開始訓練機器，拿出一半數量的簡歷，讓機器通過學習這些簡歷找出其中的模式。

訓練完畢，用另一半數量的簡歷來對機器進行測試。如果成功率夠高，就可以讓機器根據新收到的簡歷來判斷是否適合被聘用。

機器學習的建模、算法困擾

然而，對于多數行業來說，收集和處理數據是一個難題。機器學習三要素包括數據、算法和算力，三者缺一不可。也就是說，想要將機器學習技術在行業中成功進行應用，首先需要具備豐厚的數據積累，比如上文中的“足夠多簡歷”，并且具有將這些數據建成數字模型，就好像上文中“找到簡歷申請成功的模式”，及運用這些模型實現管理、控制、分析、判斷等能力，比如上面“用另一半簡歷進行測試”。

從目前看來，企業想要快速上手機器學習仍然是一個問題，因為企業首先需要具備豐厚的數據積累，其次要建立不同的模型，最后運用這些模型實現管理、控制、分析、判斷等能力。但是在大多數企業之中，機器學習的普及會遇到知識的壁壘——有行業技術的人不懂AI，懂AI的人缺乏行業技術積累。如此一來，即便企業已經積累了海量數據，也無法將數據成功進行建模，有效轉換成機器可以理解的知識。即便是有一些既有行業知識，又了解AI，但也只能局限在本行業，甚至某個企業中，實現智能化的業務處理。這讓機器學習的普及步履維艱。

有沒有方法可以讓企業快速簡單的掌握機器學習這項技能?

無需編碼 降低機器學習門檻為了幫助客戶最大限度實現數據價值，亞馬遜云科技致力于幫助客戶降低使用機器學習的門檻。2017 年亞馬遜云科技在 re:Invent上發布了一款重要AI服務——Amazon SageMaker，這也是當年最有具有戰略意義的產品發布。Amazon SageMaker能夠面向包括數據科學家等多類角色，提供端到端快速應用構建的機器學習技術服務。

來到2021 re:Invent全球大會，亞馬遜云科技又帶來Amazon SageMaker的六項新功能。其中Amazon SageMaker Canvas進一步降低機器學習使用門檻，業務分析師可以無需編碼即可使用點擊式界面進行更準確的機器學習預測。

Amazon SageMaker Canvas面向零機器學習經驗群體。也就是說，無論你從事的是生產加工、建筑制造乃至于人力資源、業務分析，完全沒有機器學習的使用經驗，都可以輕松使用這種無代碼機器學習預測服務。

Amazon SageMaker Canvas 就是將機器學習模型的諸多步驟轉變成可視化、可交互的 UI，從而解決用戶的AI業務應用問題，號稱：不寫一行代碼，快速生成機器學習預測模型。客戶可以將Amazon SageMaker Canvas連接到他們的數據存儲(例如 Amazon Redshift、Amazon S3、Snowflake、本地數據存儲、本地文件等)。

在re:Invent 大會上對Amazon SageMaker Canvas的實例展示中，只需要通過拖拽上傳數據，并指定模型，再點擊一下快速生成，就可以自動化的完成機器學習的全部過程，并獲取到一個機器學習準確度非常高的學習模型。

例如：全球豪華汽車和摩托車制造商寶馬集團在整個價值鏈中已經采用人工智能，為客戶、產品、員工和流程創造附加價值。Amazon SageMaker Canvas將人工智能/機器學習擴展至整個寶馬集團。而且Amazon SageMaker Canvas還支持寶馬集團的核心數據科學團隊協作，并對由業務用戶創建的模型在投入生產環境之前對其進行評估。

免費的機器學習開發環境除了無需編碼實現機器學習之外，為了讓更多人能夠了解AI技術，亞馬遜云科技還通過Amazon SageMaker Studio Lab向大家提供出免費的機器學習開發環境，將機器學習帶給每個人。

目前，全球眾多研究人員和數據科學家正使用Amazon SageMaker快速構建、訓練和部署機器學習模型。現在想要使用Amazon SageMaker Studio Lab的用戶，不需要擁有亞馬遜云科技賬戶或提供賬單詳細信息，只需要通過Web瀏覽器，使用電子郵件注冊，Amazon SageMaker Studio Lab就能向用戶提供無限制的用戶會話、15 GB持久存儲、用于免費訓練機器學習模型，以及長達12小時的CPU和4小時的GPU計算。

使用Amazon SageMaker Studio Lab用戶可以像開合筆記本電腦一樣輕松地開始、停止和重啟機器學習項目。而不需要構建、擴展或管理云資源，當用戶完成實驗并希望將他們的想法付諸實踐時，可以輕松將其機器學習項目導出至Amazon SageMaker Studio，在亞馬遜云科技上部署和擴展他們的模型。

免費的學習環境，將讓更多用戶獲得機器學習技術的學習機會。Amazon SageMaker Studio Lab也可以成為數據科學家的免費原型設計環境，用戶無需支付任何費用，即可快速、輕松地開始構建和訓練機器學習模型。

賓夕法尼亞大學工程學院是現代計算機的發源地，在1946 年誕生了世界第一臺大型通用電子數字計算機 ENIAC。70 多年來，賓夕法尼亞大學計算機與信息科學教授Dan Roth認為，使用機器學習編程最困難的部分之一是配置要構建的環境，通常需要學生選擇計算實例、安全策略并提供信用卡。Amazon SageMaker Studio Lab則消除了這些設置所要的復雜性，并提供了一個免費的強大的實驗環境。這讓他們無需花時間配置機器學習環境，即可編寫代碼。

智能賽事將機器學習能力交到更多人手中在今年年初，亞馬遜推出了一項新的領導力準則：“成功和規模帶來更大責任”。

為了讓人工智能和機器學習技術可以得到更加廣泛的普及，亞馬遜云科技也正加大力度踐行這一新領導力原則，Amazon Future Engineer、Amazon Girls’ Tech Day和Amazon Get IT針對年輕學者的科學、技術、工程和數學(STEM)教育計劃，以及與學院和大學的合作。

為了將機器學習能力交到更多人的手中，亞馬遜云科技還將通過Amazon DeepRacer冠軍杯賽、培訓與認證、機器學習大學、機器學習納米學位等項目，計劃到 2025 年全球培訓 2900 萬人，力促人工智能和機器學習更加普及。

通過Amazon DeepRacer，將理論轉化為實際操作，學習如何訓練機器學習模型驅動虛擬賽車。學生還可以在Amazon DeepRacer Student League中測試他們的虛擬賽車。Amazon DeepRacer Student League通過一輛由機器學習驅動的全自動駕駛 1/18 比例的賽車、3D 賽車模擬器以及一場全球競賽，幫助各種技能水平的人學習如何構建機器學習模型。

Capital One、寶馬、德勤、摩根大通、埃森哲和Liberty Mutual等企業已經使用Amazon DeepRacer讓員工親自構建、訓練和部署機器學習模型。

千萬美元獎學金 力促人工智能和機器學習更加普及

不僅如此，亞馬遜云科技還提供高達1000萬美元的亞馬遜云科技人工智能和機器學習獎學金計劃(Amazon AI & ML Scholarship)，用于獎勵全球范圍內年青人和服務設施欠缺地區的學生，幫助他們做好準備，在未來從事工人智能與機器學習相關工作。

該項目除了免費提供數十小時機器學習模型訓練和教育材料，還為來自弱勢群體和服務設施欠缺地區的2000名學生提供Python Udacity Nanodegree人工智能編程項目獎學金，為獲得者提供機器學習的基礎編程工具和技術。

亞馬遜云科技人工智能和機器學習獎學金計劃與英特爾合作提供，并由人才轉型平臺Udacity提供支持，世界各地的學生均可獲得數十小時免費培訓模塊和涵蓋機器學習基礎知識及其實際應用程序的教程。

從無代碼機器學習、免費機器學習開發環境，再到1000萬美元獎學金計劃、智能賽事的舉辦，可以看出亞馬遜云科技正在不遺余力地實行人工智能與機器學習的技術普及工作。