IDC数据显示，到2023年，人工智能系统的支出将达到979亿美元，比2019年的375亿美元增长2.5倍。同样，Gartner认为， 到2024年底，75%的企业将试点转向运营AI。
机器学习正在不断向纵深发展，越来越多的企业对AI和机器学习的需求愈加迫切。而另一方面，机器学习技术的高门槛和高成本成为众多企业尤其是中小企业的[拦路虎]。
Amazon SageMaker 一周年背后
事实证明，亚马逊云科技再次高瞻远瞩地押对了宝——通过推出Amazon SageMaker，帮助企业用户，用得起、用得好机器学习技术，进而助力其数字化转型。
就在近期，正值Amazon SageMaker落地中国区域一周年之际，在短短的一年里，Amazon SageMaker在中国市场已得到医疗健康、教育、出行、工业智能、游戏、新媒体等各个行业客户的青睐。
可以说，Amazon SageMaker获得了巨大成功，而这些成功的背后不仅仅是其强大技术研发的支撑，更是其理念定位的成功。Amazon SageMaker在推出之时就坚持[授人以鱼不如授人以渔]的服务理念，更加突出服务的特点，甚至通过[扶上马，送一程]的方式，帮助客户更快应用机器学习技术，把机器学习的能力交到每一位构建者手中，加速AI和机器学习的普惠。
这不是亚马逊云科技在近期的首推，回顾亚马逊的发展历程可知，亚马逊的机器学习之路不可谓不长。据亚马逊云科技大中华区云服务产品管理总经理顾凡介绍，亚马逊早在二十年前就开始了自己的机器学习实践，可以说亚马逊这家公司在运营和运作的背后到处都是机器学习的身影。
客户体验是亚马逊云科技机器学习能力前进的动力
在这一过程中，亚马逊云科技利用机器学习有一个核心理念，就是亚马逊+机器学习等于客户体验的提升。换句话说，亚马逊云科技关心的不是算法，而是如何更好地增强客户体验，从客户体验的问题入手，然后再去思考如何帮助客户选择适当的机器学习工具，这是亚马逊在机器学习当中走过来的路。
当前随着消费模式的巨变，个性化推荐成为电商行业乃至其他众多行业企业效仿的模式，以求更为精准化的直达用户。对于亚马逊来讲，最能体现其机器学习赋能自身业务的场景莫过于购物体验、物流优化和语音智能，这些都是和亚马逊电商内核相关联的。并且随着亚马逊从电商走入更多的业务领域，推荐算法的复杂度会更高。
推荐算法的高复杂度也成为阻碍很多其他企业进入的高门槛，正因如此，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Amazon Personalize在北京区域上线，为那些没有机器学习专业知识和能力的客户带来曙光。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，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。
不只是推荐算法，此前在re:Invent 2020上亮相的7项 Amazon SageMaker新功能，包括简化机器学习的数据准备工作的Amazon SageMaker Data Wranger，一个完全托管且专门构建的特征存储库Amazon SageMaker Feature Store，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Amazon SageMaker Pipelines等等，近期都已经在北京区域和宁夏区域落地。
这些新功能成为亚马逊云科技AI/ML的工具集，用户只需从中找到适合自己的，而无需再单独花大力气去构建，这在追求降本增效的当下是非常难能可贵的。
这种模式尤为适合传统行业企业，在数字化转型的浪潮下，数字化智能化成为传统企业打破业务发展瓶颈的[终极武器]，但由于传统企业对信息技术的积淀不足，导致它们在数字化转型过程中心有余而力不足。
山东淄博市热力集团有限责任公司（以下简称[淄博热力]）就是传统热力行业的一员，一方面它们需要通过热力提供供暖服务，另一方面又需要节能减排，这一矛盾不得不使该公司将目光转向信息技术领域。
淄博市能源集团公司、淄博市热力集团公司党委书记、董事长汪德刚表示，淄博热力利用信息化手段改造传统供热，通过与亚马逊云科技合作，借助机器学习能力创新，建成了基于机器学习和大数据分析的智能供热平台，帮助淄博热力从传统供热向产业智能化方向转型。
淄博热力利用亚马逊云科技丰富的AL/ML技术和服务，快速构建、训练和部署机器学习模型，实现了精准供热，可以根据气象、工控数据、建筑物维护结构等信息计算出最佳的供热模式，并给出具体的操作指令，既让用户室温始终保持人体最佳舒适温度，又做到尽可能节约成本。
由0到1，由1至∞
但这一结果并不是那么容易实现的，机器学习需要的是算力、模型和数据，像淄博热力这样的传统企业并不缺少数据和场景，但缺少的是数据科学家和开发工程师，不仅如此，客户还需要将机器学习应用到自己的业务当中，去解决它们的实际业务问题，并能够实现规模化产出。Amazon SageMaker通过数据科学家和开发工程师快速构建起机器学习模型，并经过不断地试错和迭代，完美解决了淄博热力所面临的难题。
顾凡表示，当某一家企业能够站出来，通过机器学习解决了当前该行业面临的某一痛点，行业其他企业就会复制了。
当回过头来再看这一过程时，或许Amazon SageMaker并不在于为淄博热力解决了科学供暖和降本增效，而是将这一方法形成行业解决方案，去解决该行业其他企业用户面临的同类问题，真正实现为这个行业赋能，这才是亚马逊云科技机器学习服务真正的价值所在。
Amazon SageMaker落地中国一年以来，在该平台上面真正把机器学习推到生产系统的客户数量已经增加了数倍，Amazon SageMaker正在迎来质变。Amazon SageMaker在帮助客户更快应用机器学习技术，把机器学习的能力交到每一位构建者手中，加速人工智能和机器学习的普惠方面又前进了一大步。
查看更多关于亚马逊云科技机器学习服务再上新，Amazon SageMaker一周年的质变的详细内容...
声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://haodehen.cn/did220059