Mašīnmācība mākonī palīdz uzņēmumiem ieviest jauninājumus

Saistībā ar AWS

Pēdējo desmit gadu laikā mašīnmācīšanās ir kļuvusi par pazīstamu tehnoloģiju tādu procesu efektivitātes un precizitātes uzlabošanai kā ieteikumi, piegādes ķēdes prognozēšana, tērzēšanas robotu izstrāde, attēlu un teksta meklēšana un automatizētas klientu apkalpošanas funkcijas. Mašīnmācība mūsdienās kļūst vēl izplatītāka, ietekmējot katru tirgus segmentu un nozari, tostarp ražošanu, SaaS platformas, veselības aprūpi, rezervāciju un klientu atbalsta maršrutēšanu, dabiskās valodas apstrādes (NLP) uzdevumus, piemēram, viedā dokumentu apstrādi un pat ēdināšanas pakalpojumus.

Ņemiet vērā Domino’s Pizza gadījumu, kurā ir izmantoti mašīnmācīšanās rīki, kas izveidoti, lai uzlabotu picu ražošanas efektivitāti. Domino's bija projekts Project 3/10, kura mērķis bija sagatavot picu saņemšanai trīs minūšu laikā pēc pasūtījuma vai nodrošināt tās piegādi 10 minūšu laikā pēc pasūtījuma, saka Dr. Bratins Saha, viceprezidents un iekārtu ģenerāldirektors. mācību pakalpojumi Amazon AI. Ja vēlaties sasniegt šos mērķus, jums ir jāspēj paredzēt, kad tiks saņemts picas pasūtījums. Lai to sasniegtu, viņi izmanto prognozējošos mašīnmācīšanās modeļus.

Saha saka, ka neseno mašīnmācību pieaugumu dažādās nozarēs ir izraisījuši uzlabojumi citās tehnoloģiju jomās, un ne mazākā nozīme ir pieaugošā skaitļošanas jauda mākoņdatu centros.

Pēdējo dažu gadu laikā, skaidro Saha, kopējais aprēķinu apjoms, ko var izmantot mašīnmācīšanās problēmām, ir dubultojies gandrīz ik pēc četriem mēnešiem. Tas ir 5 līdz 6 reizes vairāk nekā Mūra likums. Tā rezultātā daudzas funkcijas, kuras kādreiz varēja veikt tikai cilvēki, piemēram, objekta noteikšana vai runas izpratne, tiek veiktas ar datoriem un mašīnmācīšanās modeļiem.

Uzņēmumā AWS viss, ko mēs darām, darbojas no klienta un izdomā, kā mēs varam samazināt viņu sāpju punktus un kā mēs viņiem atvieglojam mašīnmācīšanos. Mašīnmācīšanās pakalpojumu kaudzes apakšā mēs ieviešam jauninājumus mašīnmācīšanās infrastruktūrā, lai klientiem varētu lētāk veikt mašīnmācīšanos un klientiem ātrāk veikt mašīnmācīšanos. Šeit mums ir divi AWS jauninājumi. Viens ir Inferentia, bet otrs ir Trainium.

Pašreizējie mašīnmācīšanās lietošanas gadījumi, kas palīdz uzņēmumiem optimizēt savu datu vērtību, lai veiktu uzdevumus un uzlabotu produktus, ir tikai sākums, saka Saha.

Mašīnmācība tikai kļūs arvien izplatītāka. Uzņēmumi redzēs, ka spēj būtiski pārveidot savu uzņēmējdarbības veidu. Viņi redzēs, ka būtiski pārveido klientu pieredzi, un izmantos mašīnmācīšanos.

Rādīt piezīmes un atsauces

AWS mašīnmācīšanās infrastruktūra

Pilns atšifrējums

Laurela Ruma : No MIT Technology Review es esmu Laurel Ruma. Šī ir Business Lab, izrāde, kas palīdz uzņēmumu vadītājiem izprast jaunas tehnoloģijas, kas nāk no laboratorijas un nonāk tirgū.

Mūsu šodienas tēma ir mašīnmācīšanās mākonī. Visās nozarēs eksponenciālais datu vākšanas pieaugums prasa ātrākus un jaunus veidus, kā analizēt datus, bet arī mācīties no tiem, lai pieņemtu labākus biznesa lēmumus. Tādā veidā mašīnmācība mākonī palīdz veicināt inovācijas uzņēmumiem, sākot no jaunizveidotiem uzņēmumiem līdz mantotajiem spēlētājiem.

Divi vārdi jums: datu inovācija. Mans viesis ir Dr. Bratin Saha, Amazon AI mašīnmācības pakalpojumu viceprezidents un galvenais vadītājs. Viņš ir ieņēmis vadošus amatus NVIDIA un Intel. Šī Business Lab epizode tiek veidota sadarbībā ar AWS. Laipni lūdzam, Bratin.

Bratins Saha : Paldies, ka esat, Laurel. Ir lieliski būt šeit.

Laurels: Vai jūs varētu sniegt dažus piemērus tam, kā AWS klienti izmanto mašīnmācīšanos, lai atrisinātu savas biznesa problēmas?

Bratin : Sāksim ar definīciju tam, ko mēs saprotam ar mašīnmācību. Mašīnmācīšanās ir process, kurā dators un algoritms var izmantot datus, parasti vēsturiskos datus, lai izprastu modeļus, un pēc tam izmantot šo informāciju, lai prognozētu nākotni. Uzņēmumi ir izmantojuši mašīnmācīšanos, lai veiktu dažādas darbības, piemēram, personalizētu ieteikumus, uzlabotu piegādes ķēdes prognozēšanu, izveidotu tērzēšanas robotus, izmantotu to veselības aprūpē utt.

Piemēram, Autodesk varēja izmantot mašīnmācīšanās infrastruktūru, kas mums ir saviem tērzēšanas robotiem, lai gandrīz piecas reizes uzlabotu to spēju apstrādāt pieprasījumus. Viņi varēja izmantot uzlabotos tērzēšanas robotus, lai mēnesī atbildētu vairāk nekā 100 000 klientu jautājumu.

Tad ir Nerd Wallet. Nerd Wallet ir personīgo finanšu jaunuzņēmums, kas nav personalizējis ieteikumus, ko viņi sniedza klientiem, pamatojoties uz klienta vēlmēm. Viņi tagad izmanto AWS mašīnmācīšanās pakalpojumus, lai pielāgotu ieteikumus tam, ko persona patiesībā vēlas redzēt, un tas ir ievērojami uzlabojis viņu uzņēmējdarbību.

Tad mums ir tādi klienti kā Thomson Reuters. Thomson Reuters ir viens no pasaulē uzticamākajiem atbilžu sniedzējiem ar ekspertu komandām. Viņi izmanto mašīnmācīšanos, lai iegūtu datus, lai izveidotu savienojumu un sakārtotu informāciju, lai viņiem būtu vieglāk sniegt atbildes uz jautājumiem.

Finanšu sektorā mēs esam redzējuši lielu mašīnmācīšanās lietojumprogrammu ieviešanu. Viens uzņēmums, piemēram, ir maksājumu pakalpojumu sniedzējs, spēja izveidot krāpšanas atklāšanas modeli tikai 30 minūtēs.

Iemesls, kāpēc es sniedzu jums tik daudz piemēru, ir parādīt, kā mašīnmācība kļūst plaši izplatīta. To izmanto visās ģeogrāfiskajās vietās, tirgus segmentos un to izmanto visu veidu uzņēmumi. Man ir daži citi piemēri, ar kuriem vēlos dalīties, lai parādītu, kā mašīnmācīšanās ietekmē arī tādas nozares kā ražošana, pārtikas piegāde utt.

Piemēram, uzņēmumam Domino's Pizza bija projekts ar nosaukumu Project 3/10, kurā viņi vēlējās, lai pica būtu gatava saņemšanai trīs minūšu laikā pēc pasūtījuma vai lai tā tiktu piegādāta 10 minūšu laikā pēc pasūtījuma. Ja vēlaties sasniegt šos mērķus, jums ir jāspēj paredzēt, kad tiks saņemts picas pasūtījums. Viņi izmanto mašīnmācīšanās modeļus, lai aplūkotu pasūtījumu vēsturi. Pēc tam viņi izmanto mašīnmācīšanās modeli, kas tika apmācīts par šo pasūtījumu vēsturi. Pēc tam viņi varēja to izmantot, lai paredzētu, kad tiks saņemts pasūtījums, un viņi varēja to izvietot daudzos veikalos, un viņi varēja sasniegt mērķus.

Mašīnmācība ir kļuvusi plaši izplatīta mūsu klientu uzņēmējdarbībā. To sāk pieņemt praktiski visās nozarēs. Mums ir vairāk nekā vairāki simti tūkstošu klientu, kas izmanto mūsu mašīnmācības pakalpojumus. Viens no mūsu mašīnmācīšanās pakalpojumiem Amazon SageMaker ir bijis viens no visstraujāk augošajiem pakalpojumiem AWS vēsturē.

Laurels : Atgādinot, klienti var izmantot mašīnmācīšanās pakalpojumus, lai atrisinātu vairākas problēmas. Dažas no augsta līmeņa problēmām varētu būt ieteikumu dzinējs, attēlu meklēšana, teksta meklēšana un klientu apkalpošana, bet pēc tam arī paša produkta kvalitātes uzlabošana.

Man patīk Domino picas piemērs. Ikviens saprot, kā var darboties picu bizness. Bet, ja mērķis ir pēc iespējas ātrāk pārvērst picas, lai palielinātu klientu apmierinātību, Domino's bija jāatrodas vietā, kur vākt datus, jāspēj analizēt šos vēsturiskos datus par to, kad tika saņemti pasūtījumi, cik ātri viņi tos apmainīja. pasūtījumi, cik bieži cilvēki pasūtīja to, ko viņi pasūtīja utt. Tas bija tas, uz ko balstījās prognozēšanas modelis, vai ne?

Bratin : Jā. Jūs uzdevāt jautājumu par to, kā mēs domājam par mašīnmācīšanās pakalpojumiem. Ja paskatās uz AWS mašīnmācīšanās steku, mēs par to domājam kā par trīsslāņu pakalpojumu. Apakšējais slānis ir mašīnmācīšanās infrastruktūra.

Ar to es domāju, ka tad, kad jums ir modelis, jūs apmācāt modeli kaut ko paredzēt. Tad prognozes ir vieta, kur jūs darāt šo lietu, ko sauc par secinājumu. Apakšējā slānī mēs nodrošinām visoptimizētāko infrastruktūru, lai klienti varētu izveidot savas mašīnmācīšanās sistēmas.

Tad tam virsū ir slānis, kur klienti nāk un mums saka: 'Vai jūs zināt, ko?' Es tikai vēlos koncentrēties uz mašīnmācību. Es nevēlos veidot mašīnmācības infrastruktūru. Šeit parādās Amazon SageMaker.

Turklāt tam ir slānis, ko mēs saucam par AI pakalpojumiem, kur mums ir iepriekš apmācīti modeļi, kurus var izmantot daudzos lietošanas gadījumos.

Tātad, mēs aplūkojam mašīnmācīšanos kā trīs slāņus. Dažādi klienti izmanto pakalpojumus dažādos līmeņos, pamatojoties uz to, ko viņi vēlas, pamatojoties uz datu zinātnes pieredzi un to, kādus ieguldījumus viņi vēlas veikt.

Otra mūsu skatījuma daļa attiecas uz to, ko jūs minējāt sākumā, proti, dati un inovācijas. Mašīnmācīšanās pamatā ir ieskatu gūšana no datiem un šo atziņu izmantošana, lai prognozētu nākotni. Pēc tam jūs izmantojat šīs prognozes, lai iegūtu biznesa vērtību.

Domino's Pizza gadījumā ir dati par vēsturiskajiem pasūtījumu modeļiem, kurus var izmantot, lai prognozētu turpmākos pasūtījumu modeļus. Biznesa vērtība ir klientu apkalpošanas uzlabošana, savlaicīgi sagatavojot pasūtījumus. Vēl viens piemērs ir Freddy's Frozen Custard, kas izmantoja mašīnmācīšanos, lai pielāgotu izvēlnes. Tā rezultātā viņi varēja iegūt divciparu pieaugumu pārdošanas apjomā. Tātad patiesībā runa ir par datu esamību un pēc tam mašīnmācības izmantošanu, lai gūtu ieskatu no šiem datiem. Kad esat guvis ieskatu no šiem datiem, varat izmantot šos ieskatus, lai sasniegtu labākus biznesa rezultātus. Tas attiecas uz to, ko minējāt sākumā: jūs sākat ar datiem un pēc tam izmantojat mašīnmācīšanos, lai papildus tiem ieviestu jauninājumus.

Laurels : Kādi ir daži no izaicinājumiem organizācijām, uzsākot mašīnmācības braucienus?

Bratin : Pirmā lieta ir apkopot datus un pārliecināties, ka tie ir labi strukturēti — tīri dati — un tiem nav daudz anomāliju. Tā kā mašīnmācīšanās modeļi parasti kļūst labāki, ja varat tos apmācīt, izmantojot arvien vairāk datu, jums ir jāturpina vākt milzīgus datu apjomus. Mēs bieži redzam, ka klienti mākonī veido datu ezerus, piemēram, Amazon S3. Tātad pirmais solis ir sakārtot savus datus un pēc tam potenciāli izveidot datu ezerus mākonī, ko varat izmantot, lai barotu savus uz datiem balstītos jauninājumus.

Nākamais solis ir izveidot pareizo infrastruktūru. Šeit daži klienti saka: 'Es gribu pats izveidot visu infrastruktūru', bet lielākā daļa klientu saka: 'Es tikai vēlos izmantot pārvaldītu pakalpojumu, jo es nevēlos to darīt. jāiegulda infrastruktūras veidošanā un infrastruktūras uzturēšanā utt.

Nākamais ir izvēlēties biznesa lietu. Ja jūs iepriekš neesat veicis mašīnmācīšanos, tad vēlaties sākt ar biznesa piemēru, kas noved pie laba biznesa rezultāta. Bieži vien tas, kas var notikt ar mašīnmācību, ir tas, ka redzat, ka tas ir forši, izveidojiet dažas patiešām lieliskas demonstrācijas, taču tās nepārvēršas uzņēmējdarbības rezultātos, tāpēc jūs sākat eksperimentus un nesaņemat vajadzīgo atbalstu.

Visbeidzot, jums ir nepieciešama apņemšanās, jo mašīnmācīšanās ir ļoti iteratīvs process. Jūs apmācāt modeli. Pirmā trenētā modele var nesniegt vēlamos rezultātus. Jums ir jāiziet eksperimentu un atkārtojumu process, un var paiet daži mēneši, lai iegūtu rezultātus. Tātad komandas izveidošana un nepieciešamā atbalsta sniegšana ir pēdējā daļa.

Ja man tas būtu jāsaprot darbību secībā, ir svarīgi, lai būtu dati un datu kultūra. Vairumā gadījumu ir svarīgi, lai klienti izvēlētos izmantot pārvaldītu pakalpojumu, lai izveidotu un apmācītu savus modeļus mākonī, jo jums ir daudz vienkāršāk iegūt krātuvi un daudz vieglāk veikt aprēķinus. Trešais ir izvēlēties lietošanas gadījumu, kam būs biznesa vērtība, lai jūsu uzņēmums zinātu, ka tas ir kaut kas, ko vēlaties izmantot plašā mērogā. Visbeidzot, esiet pacietīgs un gatavs eksperimentēt un atkārtot, jo bieži vien ir nepieciešams nedaudz laika, lai iegūtu datus, kas nepieciešami, lai labi apmācītu modeļus un faktiski iegūtu biznesa vērtību.

Laurels : Pareizi, jo tas nenotiek vienas nakts laikā.

Bratin : Tas nenotiek vienas nakts laikā.

Laurels : Kā uzņēmumi gatavojas izmantot datus? Jo, kā jūs teicāt, šis ir četru posmu process, taču beigās jums joprojām ir jābūt pacietīgam, lai būtu iteratīvs un eksperimentāls. Piemēram, vai jums ir idejas par to, kā uzņēmumi var domāt par saviem datiem tā, lai tie būtu labāk sagatavoti, lai gūtu panākumus, iespējams, ar savu pirmo eksperimentu, un pēc tam, iespējams, ir mazliet vairāk piedzīvojumu, izmēģinot citas datu kopas vai citus veidus par tuvošanos datiem?

Bratin : Jā. Uzņēmumi parasti sāk ar lietošanas gadījumu, kad tiem ir bijuši labi dati. Ar labu datu vēsturi es domāju to, ka viņiem ir ieraksti par veiktajiem darījumiem un lielākā daļa ierakstu ir precīzi. Piemēram, jums nav daudz tukšu ierakstu darījumu.

Parasti mēs esam redzējuši, ka datu brieduma līmenis dažādās uzņēmuma daļās atšķiras. Jūs sākat ar uzņēmuma daļu, kurā datu kultūra ir daudz izplatītāka. Sāciet no turienes, lai jums būtu saglabāto vēsturisko darījumu ieraksts. Jūs patiešām vēlaties iegūt diezgan blīvus datus, ko izmantot, lai apmācītu savus modeļus.

Laurels : Kāpēc uzņēmumiem tagad ir īstais laiks sākt domāt par mašīnmācības izvietošanu mākonī?

Bratin : Es domāju, ka šobrīd notiek dažādu faktoru saplūšana. Viens no tiem ir tas, ka pēdējo piecu gadu laikā mašīnmācība patiešām ir sākusies. Tas ir tāpēc, ka pieejamo aprēķinu apjoms ir palielinājies ļoti strauji. Atgriežoties pie IT revolūcijas, IT revolūciju virzīja Mūra likums. Saskaņā ar Mūra likumu aprēķins dubultojas ik pēc 18 mēnešiem.

Dažu pēdējo gadu laikā kopējais aprēķinu apjoms ir dubultojies gandrīz ik pēc četriem mēnešiem. Tas ir piecas reizes vairāk nekā Mūra likums. Progresa apjoms, ko esam redzējuši pēdējo četru līdz piecu gadu laikā, ir patiešām pārsteidzoši. Tā rezultātā daudzas funkcijas, kuras kādreiz varēja veikt tikai cilvēki, piemēram, objekta noteikšana vai runas izpratne, tiek veiktas ar datoriem un mašīnmācīšanās modeļiem. Tā rezultātā tiek atbrīvotas daudzas iespējas. Tas ir izraisījis šo milzīgo mašīnmācīšanās pielietojamības pieaugumu — jūs varat to izmantot personalizēšanai, varat to izmantot veselības aprūpē un finansēs, varat to izmantot tādiem uzdevumiem kā kavēšanās prognozēšana, krāpšanas atklāšana utt.

Viens no iemesliem, kāpēc tagad ir piemērots laiks, lai sāktu mašīnmācīšanos mākonī, ir tikai milzīgais progress pēdējos gados, kas atbrīvo šīs jaunās iespējas, kas iepriekš nebija iespējamas.

Otrs iemesls ir tas, ka daudzi mašīnmācības pakalpojumi, kas tiek veidoti mākonī, padara mašīnmācību pieejamu daudz lielākam skaitam cilvēku. Pat ja paskatās pirms četriem līdz pieciem gadiem, mašīnmācība bija kaut kas tāds, ko varēja darīt tikai ļoti pieredzējuši praktiķi, un tikai daži uzņēmumi varēja darīt, jo tiem bija speciālisti. Šobrīd mums ir vairāk nekā simts tūkstoši klientu, kas izmanto mūsu mašīnmācīšanās pakalpojumus. Tas liecina, ka mašīnmācība lielā mērā ir demokratizēta, lai daudzi uzņēmumi varētu sākt izmantot mašīnmācīšanos un pārveidot savu biznesu.

Tad nāk trešais iemesls, proti, jums ir pārsteidzošas iespējas, kas tagad ir iespējamas, un jums ir mākoņdatošanas rīki, kas šīs iespējas demokratizē. Vienkāršākais veids, kā piekļūt šiem rīkiem un šīm iespējām, ir mākonī, jo, pirmkārt, tas nodrošina skaitļošanas un datu pamatu. Mašīnmācība savā būtībā ir saistīta ar lielu datu aprēķinu. Mākonī varat piekļūt jaunākajam skaitļojumam. Jūs maksājat, kā jums iet, un jums nav jāveic lieli sākotnējie ieguldījumi, lai izveidotu skaitļošanas fermas. Jūs saņemat arī visu krātuvi, drošību, privātumu un šifrēšanu un tā tālāk — visu galveno infrastruktūru, kas nepieciešama, lai sāktu mašīnmācīšanos.

Laurels : Tātad, Bratin, kā AWS ievieš jauninājumus, lai palīdzētu organizācijām ar mašīnmācību, modeļu apmācību un secinājumiem?

Bratin : AWS viss, ko mēs darām, darbojas no klienta un izdomā, kā mēs varam samazināt viņu sāpju punktus un kā atvieglot mašīnmācīšanos. Mašīnmācīšanās pakalpojumu kaudzes apakšā mēs ieviešam jauninājumus mašīnmācīšanās infrastruktūrā, lai klientiem varētu lētāk veikt mašīnmācīšanos un klientiem ātrāk veikt mašīnmācīšanos. Šeit mums ir divi AWS jauninājumi. Viens ir Inferentia, bet otrs ir Trainium. Šīs ir pielāgotas mikroshēmas, kuras mēs izstrādājām AWS un kuras ir īpaši izstrādātas secinājumu veikšanai, kas ir mašīnmācīšanās prognožu veidošanas process, un apmācībai. Mūsdienās Inferentia nodrošina zemāko izmaksu secinājumu gadījumus mākonī. Un Trainium, kad tas būs pieejams vēlāk šogad, nodrošinās jaudīgākos un izmaksu ziņā efektīvākos apmācību gadījumus mākonī.

Mums šodien ir vairāki klienti, kas izmanto Inferentia. Autodesk izmanto Inferentia, lai mitinātu savus tērzēšanas robotu modeļus, un tie spēja uzlabot izmaksas un latentumus gandrīz piecas reizes. Airbnb ir vairāk nekā četri miljoni saimnieku, kas uzņem vairāk nekā 900 miljonus viesu gandrīz katrā valstī. Izmantojot Inferentia gadījumus, Airbnb redzēja caurlaidspējas uzlabojumu divas reizes, kas nozīmē, ka viņi varēja apkalpot gandrīz divreiz vairāk klientu atbalsta pieprasījumu, nekā tas būtu bijis citādi. Cits uzņēmums Sprinklr izstrādā SaaS klientu pieredzes platformu, un tiem ir AI vadīta vienota klientu pieredzes pārvaldības platforma. Viņi varēja izmantot dabiskās valodas apstrādes modeļus Inferentiā, un viņi arī pamanīja ievērojamus veiktspējas uzlabojumus.

Pat iekšēji mūsu Alexa komanda varēja pārvietot savus secinājumus no GPU uz Inferentia balstītām sistēmām, un viņi redzēja vairāk nekā 50% izmaksu uzlabojumu, pateicoties šīm Inferentia balstītajām sistēmām. Tātad mums tas ir infrastruktūras zemākajā slānī. Papildus tam mums ir pārvaldīti pakalpojumi, kuros mēs ieviešam jauninājumus, lai klienti kļūtu daudz produktīvāki. Šeit mums ir SageMaker Studio, kas ir pasaulē pirmā IDE, kas piedāvā tādus rīkus kā atkļūdotāji un profilētāji un izskaidrojamību, kā arī virkni citu rīku, piemēram, vizuālo datu sagatavošanas rīku, kas padara klientus daudz produktīvākus. Turklāt mums ir mākslīgā intelekta pakalpojumi, kuros mēs piedāvājam iepriekš apmācītus modeļus izmantošanai, piemēram, meklēšanai un dokumentu apstrādei — Kendra meklēšanai, Textract dokumentu apstrādei, attēlu un video atpazīšanai — kur mēs ieviešam jauninājumus, lai klientiem atvieglotu darbu. lai risinātu šos lietošanas gadījumus jau no kastes.

Laurels : Tātad mašīnmācīšanās pakalpojumiem mākonī noteikti ir dažas priekšrocības, piemēram, uzlabots klientu serviss, uzlabota kvalitāte un, cerams, palielināta peļņa, taču kādi galvenie darbības rādītāji ir svarīgi mašīnmācīšanās projektu panākumiem un kāpēc šie konkrētie rādītāji ir tik svarīgi?

Bratin : Mēs strādājam no klienta, atgriežamies no sāpīgajiem punktiem, pamatojoties uz to, ko klienti mums saka, un izgudrojam klientu vārdā, lai noskaidrotu, kā mēs varam ieviest jauninājumus, lai viņiem būtu vieglāk veikt mašīnmācīšanos. Viena no mašīnmācības daļām, kā jau minēju, ir prognozes. Bieži vien lielās izmaksas par mašīnmācību infrastruktūras ziņā ir saistītas ar secinājumiem. Tāpēc mēs izstrādājām Inferentia, kas šodien ir visrentablākie mašīnmācīšanās gadījumi mākonī. Tātad, mēs ieviešam jauninājumus aparatūras līmenī.

Mēs arī paziņojām par Tranium. Tie būs visjaudīgākie un rentablākie apmācību gadījumi mākonī. Tāpēc mēs vispirms ieviešam jauninājumus infrastruktūras līmenī, lai varētu nodrošināt klientiem visrentablāko aprēķinu.

Tālāk mēs apskatījām problēmas, kas saistītas ar ML pakalpojuma izveidi. Jums ir nepieciešami datu vākšanas pakalpojumi, jums ir nepieciešams veids, kā iestatīt izkliedētu infrastruktūru, jums ir nepieciešams veids, kā iestatīt secinājumu sistēmu un spēt to automātiski mērogot, un tā tālāk. Mēs esam daudz domājuši par to, kā šo infrastruktūru un inovācijas veidot ap klientiem.

Pēc tam mēs esam izskatījuši dažus lietošanas gadījumus. Tāpēc daudziem šādiem lietošanas gadījumiem, neatkarīgi no tā, vai tā ir meklēšana vai objektu atpazīšana un noteikšana, vai vieda dokumentu apstrāde, mums ir pakalpojumi, kurus klienti var izmantot tieši. Un mēs turpinām ieviest jauninājumus viņu vārdā. Esmu pārliecināts, ka šogad un nākamgad mēs izstrādāsim daudz vairāk funkciju, lai noskaidrotu, kā mēs varam atvieglot mūsu klientiem mašīnmācības izmantošanu.

Laurels : Kādi galvenie darbības rādītāji ir svarīgi mašīnmācīšanās projektu panākumiem? Mēs nedaudz runājām par to, kā jums patīk uzlabot klientu apkalpošanu un kvalitāti, un, protams, palielināt peļņu, taču, lai piešķirtu KPI mašīnmācīšanās modelim, tas ir kaut kas nedaudz atšķirīgs. Un kāpēc tie ir tik svarīgi?

Bratin : lai piešķirtu KPI, jums ir jāatgriežas no lietošanas gadījuma. Tātad, pieņemsim, ka vēlaties izmantot mašīnmācīšanos, lai samazinātu krāpšanu. Jūsu kopējais KPI ir šāds: kāds bija krāpšanas atklāšanas samazinājums? Vai arī pieņemsim, ka vēlaties to izmantot, lai samazinātu pārvietošanos. Jūs vadāt biznesu, nāk jūsu klienti, bet zināms skaits no tiem kuļ. Pēc tam vēlaties sākt ar to, kā es varu samazināt savu klientu skaitu par dažiem procentiem? Tātad, sāciet ar augstākā līmeņa KPI, kas ir biznesa rezultāts, kuru vēlaties sasniegt, un to, kā panākt šī biznesa rezultāta uzlabojumu.

Ņemsim churn prognozēšanas piemēru. Galu galā, jums ir mašīnmācīšanās modelis, kurā tiek izmantoti dati un apmācības apjoms, kas tam bija vajadzīgs, lai veiktu noteiktas prognozes, ap kuru klients mainīsies. Tātad tas attiecas uz modeļa precizitāti. Ja modele saka, ka atteiksies no 100 cilvēkiem, cik no viņiem patiesībā atteiksies? Tātad, tas kļūst par precizitātes jautājumu. Un tad vēlaties arī apskatīt, cik labi mašīnmācīšanās modelis atklāja visus gadījumus.

Tātad, jūs meklējat divus kvalitātes aspektus. Viens no tiem, ko modelis paredzēja, ir tas, cik daudzas no tām patiesībā notika? Pieņemsim, ka šis modelis paredzēja, ka šie 100 klienti samazināsies. Cik daudzi no tiem patiesībā kuļ? Un pieņemsim tikai, ka 95 no tiem faktiski sabrūk. Tātad jums ir 95% precizitāte. Otrs aspekts ir, pieņemsim, ka jūs vadāt šo uzņēmumu un jums ir 1000 klientu. Un, teiksim, kādā konkrētā gadā 200 no tiem saruka. Cik no tiem 200, kā prognozēja modelis, patiesībā tas samazināsies? To sauc par atsaukšanu, kas nozīmē, cik daudz mašīnmācības modelis spēj paredzēt, ņemot vērā kopējo kopu? Tātad būtībā jūs sākat no šīs uzņēmējdarbības metrikas, kas ir rezultāts, kuru es vēlos iegūt, un pēc tam varat to pārvērst modeļa precizitātes rādītājos precizitātes izteiksmē, proti, cik precīzs bija modelis noteiktu lietu prognozēšanā. un pēc tam atcerieties, cik izsmeļošs vai visaptverošs bija modelis visu situāciju noteikšanā.

Tātad augstā līmenī šīs ir lietas, kuras jūs meklējat. Un tad jūs pāriesit uz zemāka līmeņa metriku. Modeļi darbojas noteiktos gadījumos ar noteiktiem skaitļošanas elementiem: kādas bija infrastruktūras izmaksas un kā šīs izmaksas samazināt? Šie pakalpojumi, piemēram, tiek izmantoti, lai apstrādātu pārspriegumu Prime Day vai Black Friday laikā un tā tālāk. Tātad, jūs nokļūstat zemākā līmeņa metrikā, proti, vai es varu izturēt satiksmes pieaugumu? Tā patiešām ir hierarhiska KPI kopa. Sāciet ar biznesa metriku, pārejiet pie modeļa rādītājiem un pēc tam pārejiet pie infrastruktūras rādītājiem.

Laurels : Ja domājat par mašīnmācīšanos mākonī nākamo trīs līdz piecu gadu laikā, ko jūs redzat? Ko jūs domājat par? Ko uzņēmumi var darīt tagad, lai sagatavotos tam, kas nāks?

Bratin : Es domāju, ka notiks tas, ka mašīnmācība kļūs arvien izplatītāka. Jo tas, kas notiks, ir tas, ka klienti redzēs, ka viņi spēj būtiski pārveidot veidu, kā veikt uzņēmējdarbību. Uzņēmumi redzēs, ka tie būtiski pārveido klientu pieredzi, un izmantos mašīnmācīšanos. Mēs to esam redzējuši arī Amazon — mums ir sena vēsture, veicot ieguldījumus mašīnmācībā. Mēs to darām vairāk nekā 20 gadus un esam mainījuši klientu apkalpošanas veidu, izmantojot vietni amazon.com vai Alexa vai Amazon Go, Prime. Un tagad ar AWS, kur esam izmantojuši šīs zināšanas, ko esam ieguvuši pēdējo divu desmitgažu laikā, plašā mērogā ieviešot mašīnmācīšanos, un tagad padarām tās pieejamas saviem klientiem. Tāpēc es domāju, ka mēs redzēsim daudz ātrāku mašīnmācības ieviešanu.

Tad mēs redzēsim daudzus plaša lietojuma gadījumus, piemēram, viedā dokumentu apstrāde, liela daļa uz papīra balstītas apstrādes kļūs automatizētas, jo mašīnmācīšanās modelis tagad spēj skenēt šos dokumentus un secināt no tiem informāciju — izsecināt semantisko informāciju, nevis tikai sintakse. Ja domājat par papīra procesiem, neatkarīgi no tā, vai tā ir aizdevumu apstrāde vai hipotēkas apstrāde, liela daļa no tiem tiks automatizēta. Pēc tam mēs arī redzam, ka uzņēmumi kļūst daudz efektīvāki attiecībā uz personalizāciju, piemēram, prognozēšanu, piegādes ķēdes prognozēšanu, pieprasījuma prognozēšanu un tā tālāk.

Mēs redzam lielu mašīnmācības ieviešanu veselības jomā. Mums ir klienti, piemēram, GE radioloģijā izmanto mašīnmācīšanās pakalpojumu. Viņi izmanto mašīnmācīšanos, lai skenētu radioloģiskos attēlus, lai noteiktu, kuri no tiem ir nopietnāki, un tāpēc jūs vēlaties savlaicīgi saņemt pacientus. Mēs arī redzam potenciālu un iespēju izmantot mašīnmācīšanos genomikā precīzās medicīnas vajadzībām. Tāpēc es domāju, ka daudz jauninājumu notiks ar mašīnmācību veselības aprūpē.

Mēs redzēsim daudz mašīnmācības ražošanā. Mašīnmācības dēļ daudzi ražošanas procesi kļūs efektīvāki, automatizēti un drošāki.

Tātad, es redzu, ka nākamajos 5–10 gados ir jāizvēlas jebkurš domēns — piemēram, sports, NFL, NASCAR, Bundeslīga, tie visi izmantos mūsu mašīnmācīšanās pakalpojumus. NFL izmanto Amazon SageMaker, lai sniegtu saviem faniem aizraujošāku pieredzi, izmantojot Next Gen Stats. Bundeslīga izmanto mūsu mašīnmācīšanās pakalpojumus, lai veiktu dažādas prognozes un sniegtu daudz iespaidīgāku pieredzi. Tas pats ar NASCAR. NASCAR ir daudz datu vēstures no sacīkstēm, un viņi to izmanto, lai apmācītu modeļus, lai sniegtu skatītājiem daudz iespaidīgāku pieredzi, jo viņi var daudz vieglāk paredzēt, kas notiks. Tātad sports, izklaide, finanšu pakalpojumi, veselības aprūpe, ražošana — es domāju, ka mēs redzēsim daudz vairāk mašīnmācīšanās un padarīsim pasauli par viedāku, veselīgāku un drošāku vietu.

Laurels : Cik lieliska saruna. Liels paldies, Bratin, ka pievienojāties mums Business Lab.

Bratin : Paldies. Paldies, ka esat mani. Bija patiešām patīkami ar tevi runāt.

Laurels : Tas bija Dr. Bratins Saha, Amazon AI mašīnmācības pakalpojumu viceprezidents un ģenerāldirektors, ar kuru es runāju no Kembridžas, Masačūsetsas štatā, MIT un MIT Technology Review mājas ar skatu uz Čārlza upi. Tas ir viss šajā Biznesa tiesību epizodē. Es esmu jūsu saimnieks Laurel Ruma. Es esmu Insights direktors, MIT Technology Review pielāgotās izdevējdarbības nodaļa. Mēs esam dibināti 1899. gadā Masačūsetsas Tehnoloģiju institūtā. Un jūs varat mūs atrast arī izdrukās tīmeklī un pasākumos katru gadu visā pasaulē. Lai iegūtu plašāku informāciju par mums un šovu, lūdzu, apmeklējiet mūsu vietni technologyreview.com. Šī pārraide ir pieejama visur, kur saņemat aplādes. Ja jums patīk šī sērija, mēs ceram, ka veltīsit brīdi, lai mūs novērtētu un atsauktu. Business Lab ir MIT Technology Review produkcija. Šo sēriju producēja Collective Next. Paldies par klausīšanos.

paslēpties