260 lines
14 KiB
Markdown
260 lines
14 KiB
Markdown
# 2021AWS云科技中国峰会——人工智能与机器学习分论坛
|
||
|
||
|
||
作者：邬宏伟
|
||
指导老师：杨嵘
|
||
|
||
会议视频资源：
|
||
|
||
https://www.awsevents.cn/summit/liveStreame.aspx?code=dc4c617cef7644179ce5991c32ccf0cc&liveid=573342349&referer=8fd7c146b1104352b03e0b3d9a8683ae
|
||
|
||
会议介绍：
|
||
|
||
2021亚马逊云科技中国峰会决定以“构建新格局 重塑云时代”为题，并携手众多业内领先的技术践行者们一起同你分享“云时代的构建故事与重塑经验”。无论是希望深耕本地业务或者正阔步走向世界的中国企业，还是远道而来落地中国希望大展身手的海外客户朋友，相信都能在亚马逊云科技的可靠技术与服务中找到专属于你的“得胜之道”。
|
||
|
||
“亚马逊云科技中国峰会” 是亚马逊云科技在中国区域最大型的年度科技盛会！是云计算领域风向标级活动，于2015年落地中国，历经6年规模声量逐年扩大。
|
||
|
||
在这场盛会中，亚马逊云科技将携手众多业内领先技术践行者，围绕亚马逊云科技可靠的技术与服务，带来多维前瞻视角分享，为来自全球不同行业、拥有不同技术水平的用户，提供共话交流、共谋合作、共同探索的机遇，以帮助中国客户深耕本地业务、海外全球客户植根中国市场、中国客户出海走向世界，实现业务快速落地，共同构建全球蓝图新格局！
|
||
|
||
人工智能已经成为新一轮技术创新和产业变革的核心驱动力。 亚马逊云科技作为全球云计算引领者和人工智能领域的开拓者，帮助不同行业的客户及合作伙伴赋能创新，驱动变革，加速转型。从低门槛的 AI 服务，到大规模的机器学习和开源框架，我们在各领域赋能不同类型的企业和构建者。
|
||
|
||
## 部分演讲分享
|
||
|
||
|
||
|
||
### 一、**人工智能赋能企业快速创新和转型**
|
||
|
||
夏展望，亚马逊云科技机器学习产品经理
|
||
|
||
|
||
|
||
概述：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
- 人工智能的8个典型应用场景
|
||
1.提供个性化推荐，改善客户体验
|
||
2.关键业务指标预测，实现降本增效
|
||
3.识别潜在欺诈活动，为业务保驾护航
|
||
4.语音智能化，改进服务并降低成本
|
||
5.音视频内容审核，确保企业合规运营
|
||
6.提取关键价值，形成业务洞见
|
||
7.机器翻译，助力多语言业务
|
||
8.文本语音转换，让产品开口说话
|
||
|
||
### 1.提供个性化推荐，改善客户体验
|
||
|
||
Amazon.com 1998年上线了基于物品的协同过滤算法，
|
||
这是业界首次将推荐系统应用于百万物品及百万用户规模，其深受好评，极大提高了用户体验。Amazon.com 每年35%的收入来自其推荐引擎。
|
||
|
||
Amazon积累了20+年的个性化推荐经验，形成了Amazon Personalize，其功能包括：用户个性化推荐、相似物品推荐、个性化排名等。
|
||
|
||
### 2.关键业务指标预测，实现降本增效
|
||
|
||
指标包括：销售预测、供应链预测、预测性维护、用户流失预测、财务预测等。涉及零售、制造业、游戏、旅游与酒店服务行业、教育、金融服务、医疗保健、软件与互联网行业。
|
||
|
||
### 3.识别潜在欺诈活动，为业务保驾护航
|
||
|
||
|
||
|
||
### 4.语音智能化，改进服务并降低成本
|
||
|
||
Amazon Transcribe：自动将语音转换为文本
|
||
|
||
|
||
|
||
### 5.音视频内容审核，确保企业合规运营
|
||
|
||
使用Amazon Rekognition针对海量图片、视频的不适宜内容审核
|
||
|
||
|
||
|
||
|
||
|
||
### 6.提取关键价值，形成业务洞见
|
||
|
||
|
||
|
||
天和荣公司通过Amazon Rekognition和Amazon SageMaker快速实现人形侦测和人脸识别功能，打造差异化服务。出于缩短开发周期、快速上线的目的选择了开箱即用的Amazon Rekognition，在很短的时间内就为即视通平台增加了人形侦测、人脸识别等能力。Amazon Rekognition的各项指标都相当出色，成本也很友好。
|
||
|
||
### 7.机器翻译，助力多语言业务
|
||
|
||
|
||
|
||
### 8.文本语音转换，让产品开口说话
|
||
|
||
|
||
|
||
|
||
|
||
总结：Amazon Rekognition的优点：
|
||
|
||
快速部署——集成SDK和API、高质量的结果、无需专业的ML知识；
|
||
|
||
简化操作——无需自行构建或训练模型、无需数据团队、不断提高的模型质量；
|
||
|
||
轻松定制——Amazon Rekognition 自定义标签、应用于您特定的业务场景、在您自己的帐号下训练、部署模型
|
||
|
||
对于需要快速开发部署的公司来说，可以运用Amazon提供的人工智能服务，快速根据需求实现上线运行。Amazon提供了常见的8种场景的一整套解决方案，在保证有效性的基础上，减少了研发上的时间和人力投入，将更多的idea较早实现，体现出其价值。
|
||
|
||
---
|
||
|
||
|
||
|
||
### 二、**AdTiming 如何借助 AI 实现 0~1 及 1~N 的业务创新赋能**
|
||
|
||
黎为民，Adtiming CIO
|
||
|
||
莫梓元，亚马逊云科技解决方案架构师
|
||
|
||
|
||
|
||
概述：
|
||
|
||
### 1.AdTiming简介
|
||
|
||
AdTiming 以大数据为基础，结合AI算法，通过前沿的技术与全方位的专业服务为国内外广告主与开发者提供优质的移动营销解决方案，并通过OpenMediation SaaS平台，整合前后端服务，和亚马逊云科技、Appsflyer 等产业链合作伙伴共建一站式出海生态。现已对接全球30多家AdExchange平台，业务覆盖200多个国家和地区，为2000+全球广告主及开发者提供服务。
|
||
|
||
### 2.AI/ML的机遇和挑战
|
||
|
||
如何最大化数据的价值？
|
||
|
||
以新的效率优化业务——通过复杂的需求规划和预测模型，创造更高的效率。
|
||
|
||
更快的决策——在机遇面前做出更明智、更快的决定，更快地采取行动，获得更好的结果。
|
||
|
||
现有产品的新功能——丰富现有产品，提高客户参与度，通过更深入的体验吸引新用户。
|
||
|
||
创造新产品——利用数据来驱动创新性的想法，并将新产品推向市场。
|
||
|
||
### 3.AdTiming AI Journey 从0到1：第一个项目落地
|
||
|
||
|
||
|
||
|
||
|
||
Retargeting是一种精准广告投放技术。通过这种技术，把广告投给曾经访问过客户网站或App的人群，从而通过二次、三次曝光刺激最终的销售。已经被证明是所有大广告主，尤其是电商，旅游网站所需的一个重要利器。
|
||
|
||
### 4.AdTiming AI Journey 从1到N：全业务推广过程及感悟
|
||
|
||
|
||
|
||
在某个请求流量需要连接多个资源时，通过智能过滤ML模型，将匹配度高的请求返回，降低了流量的数量，提升了响应效率。
|
||
|
||
广告的投放与聚合变现的场景：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
总结：
|
||
|
||
以小规模的、需求明确的业务场景开始尝试；初期以人员内部转岗为主启动项目；充分利用丰富的培训/训练营快速上手实践；通过与亚马逊云科技的专家一起解决问题提升团队能力；通过深度和广度的探索推广ML到更多的业务场景；技术专家和业务专家紧密结合；合理控制ML成本
|
||
|
||
---
|
||
|
||
|
||
|
||
### 三、**Amazon Sagemaker 在主动安全驾驶解决方案中的应用**
|
||
|
||
冯一峰，西云数据解决方案架构师
|
||
|
||
余亮，Transnova CTO
|
||
|
||
|
||
|
||
概述：
|
||
|
||
### 1.Amazon Sagemaker介绍
|
||
|
||
Amazon SageMaker 通过整合专门为 ML 构建的广泛功能集，帮助数据科学家和开发人员快速准备、构建、训练和部署高质量的机器学习 (ML) 模型。使用专用工具为机器学习开发的每个步骤加速创新，包括标签、数据准备、功能工程、统计偏差检测、自动机器学习、训练、调优、托管、可解释性、监控和工作流。
|
||
|
||
|
||
|
||
计算资源的选择：
|
||
|
||
|
||
|
||
### 2.主动安全
|
||
|
||
|
||
|
||
|
||
|
||
### 3.机器学习的挑战与实践
|
||
|
||
|
||
|
||
|
||
|
||
Amazon Sagemaker是否会对以后的移植性造成影响。
|
||
|
||
|
||
|
||
Amazon S3：作为数据的存储（视频和图像）
|
||
|
||
Amazon Lambda：用于数据的转换。事件触发的方式实现，对于服务器底层资源的管理。
|
||
|
||
Amazon Step Function：提供低代码、可视化的工具服务（工作流自动化编排，UI可视化）
|
||
|
||
线上的真实架构图：
|
||
|
||
|
||
|
||
对于车联网平台，前端有大量智能终端设备需要接入，通过Internet Gateway接入，数据在Application load balancer进行分发到Business Application。
|
||
|
||
Amazon SageMaker：Notebook可以便于多人协同开发；Model进行模型的选择使用，具有可移植性。对于新的事件，模型训练时有优化措施。
|
||
|
||
Inference的弹性服务，可以针对数据量的大小动态调整计算资源。
|
||
|
||
在研发与运维方面的优势：
|
||
|
||
在数据准备、功能工程、训练、调优、托管和监控等方面提高了效率；减少了人员投入，让更多的人关注业务本身；使用增量训练，降低部署风险；训练数据从3万张图片/月到6万张图片/月，迭代周期从1个月到10天，运维人员投入从7个人到2个人。
|
||
|
||
业务方面的优势：
|
||
|
||
提升了业务处理效率，审核更加及时，从人工10分钟响应处理时间变为1分钟内处理节约了人工成本；节省大量的人工成本，一台机器可以节省三个人力成本，节省成本高达每月1.5万；提高了准确性，事件的准确性是后续分析，靶向教育等工作的基础，单个事件准确性达到95%-98%以上
|
||
|
||
成本方面的提升：
|
||
|
||
IDC自建平台迁移上云，降低了总体投入20%-25%，根据业务量做资源的弹性伸缩，优化了综合成本40%
|
||
|
||
|
||
|
||
总结：
|
||
|
||
|
||
|
||
|
||
|
||
- 训练资源按需分配
|
||
- 增量训练，结合业务流程加快训练效率
|
||
- 更少的人员，数据工程师，算法工程师，运维工程师职责分明
|
||
- 运维投入显著降低，部署流程规范
|
||
- 集成环境，统一管理
|
||
- 未来希望采用自动部署，进一步提升效率，结合loT实现终端自动升级
|
||
|
||
创世诺亚在交通运输安全领域开创了众多的应用场景，机器学习的综合成本，包括训练，推理，流程管理等成为整个项目成功实施的关键。未来机器学习应用将成为技术公司的一项基础能力，Amazon Sagemaker 提供了一个机器学习综合解决方案，可以帮助更多企业的业务创新。
|
||
|