12月9日，亚马逊AWS全球机器学习副总裁Swami Sivasubramanian在亚马逊re:Invent大会上发表机器学习和人工智能主题演讲，展示了AWS关于人工智能与机器学习的最新全景蓝图和一系列新服务、新功能。在随后举办的媒体沟通会上，AWS大中华区云服务产品管理总经理顾凡、AWS大中华区机器学习产品总监代闻对此次主题演讲的内容进行了深入解读。

AWS机器学习的魅力，10万+客户的选择

从几年前推出少数几个AI SaaS服务开始，AWS的机器学习服务至今已经发布了近200个功能。而从使用该机器学习服务的客户数量来看，全球业已超过10万家。在这些客户中包括媒体、汽车、金融、制造等，覆盖了各行各业。

事实上，对于机器学习的应用已经成为一种趋势。越来越多的行业客户希望将机器学习工具引入到业务场景中，进而促进公司业务的发展。

那么，为什么会有超过10万家的客户选择在AWS上使用机器学习服务？这就要谈到AWS机器学习服务所具有几个特点。

第一，AWS机器学习服务的宽度和深度。例如AWS机器学习服务的一大优势是Right tools for the right job（合适的工具做合适的事儿）。旨在帮助客户在特定的场景下能够选择到工具箱中最正确、适合的工具；

第二，AWS在云计算和机器学习领域始终坚持开放心态，很多工具都非常开放，可以与客户整体环境进行良好的集成；

第三，AWS机器学习服务在服务客户时会坚持两个原则。其一是“授人以鱼不如授人以渔”，更希望为客户提供工具和教会工具使用，希望帮助客户建立能力；其二是在工程实施方面存在差距时，AWS会帮客户“扶上马，再送一程”，用产品原型方法实现出来，真正帮客户快速解决业务难题。

让AWS机器学习服务保持强大的原动力

那么，支撑AWS机器学习服务拥有如此强大能力的动力及因素是什么？在Swami Sivasubramanian的分享中谈到了四个主题，对于AWS机器学习服务的创新驱动力进行了阐释。顾凡与代闻对此进行了深入的解读。

第一个主题是关于机器学习的坚实基础。包括两部分，其一i机器学习的框架，其二是基础设施。首先，在框架方面。事实上，客户并不会只使用一个框架，通常使用三个框架，而无论是Tensorflow还是PyTorch。因此对于AWS而言，并不会为客户做出选择，而是会针对不同框架部署了不同的调优团队，并保证将三个框架的性能调到最优。

其次，在基础设施方面，最重要的就是“算力”。事实上，不同的机器学习负载对于算力的成本、颗粒度的要求是不同的。因此，AWS在这方面致力于做宽。以满足不同客户负载的不同需求。

第二个主题是机器学习的成功捷径。以SageMaker为例。由于SageMaker在机器学习中是多数客户及企业所用到的，因此这里也集中了大部分的客户。那么，如何给客户提供捷径？因为这个捷径就是更加易于使用及更加方便地管理整个学习工作流中的每一步。值得指出的是，SageMaker一直在持续迭代，在今年一年时间中就发布了近50个新功能。

第三个主题是关于机器学习的三个圈子的交互，包括开发者生态体系、开发工程师团队、客户的数据分析相关专业人员。那么，尤其对客户的相关数据分析专业人员而言，如何实现他们创意的落地？这就需要AWS机器学习与现有数据库、分析工具间的集成与互动，包括与像Aurora ML、Athena ML、Neptune等产品的结合。

值得注意的是，在数据库和机器学习间进行互动的目的是让更多的人参与到机器学习当中发挥自身创意，并帮其实现创意的落地。这期间并不需要创意者本身非常懂机器学习。

第四个主题是端到端解决客户实际业务问题。AWS在机器学习技术堆栈方面做得非常全，在这方面也得到了客户的一致好评。因为AWS在解决客户问题的时候，发现在行业中有许多共性的问题，于是将这些共性问题进行分解，并通过搭积木的方式组建相应的解决方案，来解决行业中甚至是跨行业的一些共性的问题。这也是AWS之所以拥有强大的端到端解决方案能力的主要原因。

最后，顾凡总结道，AWS在机器学习领域的愿景始终没有改变，就是致力于把机器学习作为一个工具交付到所有企业客户手中，而不是被少数大企业所掌握。

而要实现这样的愿景，首先要打好基础。包括所谈到的三个框架， AWS都将不遗余力的为客户提供选择权，同时继续对机器学习框架进行支撑及优化；

第二，在机器学习实例方面，算力、成本的需求永远存在无数组合，AWS将致力于在基础方面把组合做到极致。包括SageMaker将持续迭代，把机器学习工作流中的每一个步骤的易用性做到极致；

第三，让更多的开发者加入机器学习赋能的行列中来；

第四，机器学习的场景在不断拓宽。既然客户会走到这些场景，无论是工业制造场景，还是边缘场景等，那么，AWS也会深入到这些场景中去，并致力于为客户提供端到端的解决方案。