來自瑞典的Dafgards是一家冷凍披薩制造商，保質(zhì)保量的生產(chǎn)出符合標準的披薩是他們的首要目標，一旦尺寸不合格、配料不齊全或是奶酪含量不達標的披薩流入市場，消費者就會對食品廠家的品牌失去信任——因此產(chǎn)品檢測環(huán)節(jié)尤為關(guān)鍵。

傳統(tǒng)的人工檢測方法顯然效率低下，而且容易出現(xiàn)錯檢、漏檢現(xiàn)象，Dafgards希望能夠利用當下非常火熱的機器學(xué)習(xí)技術(shù)解決這一問題，然而在真正實際應(yīng)用的時候，才發(fā)現(xiàn)機器學(xué)習(xí)方案的部署是一項非常復(fù)雜且昂貴的工作，需要很多專業(yè)人才，期間涉及大量試錯，僅靠自身難如登天。

許多和Dafgards類似的制造商都會遇到相同的問題——如何降低“門檻”，讓機器學(xué)習(xí)更易用并拓展到更加廣闊的使用者、應(yīng)用場景和行業(yè)，是亞馬遜云服務(wù)(AWS)始終追求的目標。所以在近日舉行的亞馬遜re:Invent大會上，我們能夠看到AWS為了讓機器學(xué)習(xí)不再那么“可望而不可及”而做出的許多創(chuàng)新。

客戶的需求是唯一的“指南針”

在設(shè)計新方案或開發(fā)新工具的時候，客戶需求是AWS唯一的“指南針”。通過與客戶的深入交流，AWS發(fā)現(xiàn)制造業(yè)當前的挑戰(zhàn)主要集中在兩大方向。

第一，如何保證產(chǎn)品的質(zhì)量？無論是忘了加奶酪的披薩，還是表面出現(xiàn)劃痕的手機，亦或是螺絲沒有擰緊的汽車……一個看起來毫不起眼的缺陷或瑕疵，輕則致使企業(yè)的商譽和財產(chǎn)遭受損失，重則甚至?xí)?dǎo)致傷亡事故的發(fā)生。用機器替代人眼進行產(chǎn)品質(zhì)量檢測是大勢所趨，關(guān)鍵在于如何低成本、自動、快速且準確地對圖像和視頻進行視覺異常檢測。

Amazon Lookout for Vision為客戶提供了一種高精度、低成本的異常檢測解決方案，可以通過機器學(xué)習(xí)技術(shù)每小時處理數(shù)千張圖像以發(fā)現(xiàn)缺陷和異常，例如機器部件的裂紋、面板上的凹痕、不規(guī)則的形狀或產(chǎn)品上的顏色錯誤等等……

在說明這項服務(wù)的優(yōu)勢時，AWS全球機器學(xué)習(xí)副總裁Swami Sivasubramanian(簡稱Swami)舉了個通俗易懂的例子：以Dafgards為例，如果沒有Amazon Lookout for Vision，這家冷凍披薩制造商需要雇傭數(shù)個計算機視覺方面的專業(yè)人員，然后開發(fā)、訓(xùn)練并部署相應(yīng)的模型，至少花費數(shù)月才能完成這項工作。如今，Dafgards只需將30個合格披薩餅產(chǎn)品的圖像輸入AWS提供的基礎(chǔ)模型，就能獲得一個可以快速、準確判斷披薩餅是否合格的機器學(xué)習(xí)模型。

類似的，AWS Panorama通過計算機視覺改善工業(yè)運營和工作場所安全。其中，AWS Panorama一體機是一個硬件設(shè)備，將它連接到工業(yè)場所的網(wǎng)絡(luò)中，它就可以自動識別攝像頭數(shù)據(jù)流，與工業(yè)攝像頭進行交互；AWS Panorama軟件開發(fā)套件（SDK），則能方便工業(yè)相機制造商在新相機中嵌入計算機視覺功能。

除了質(zhì)量，制造業(yè)客戶最關(guān)心的第二個問題莫過于如何降低成本？在制造過程中，任何計劃外的停機都可能會給企業(yè)帶來高昂的成本代價。雖然設(shè)備的故障不可避免，但用預(yù)測性維護來代替?zhèn)鹘y(tǒng)的被動維護/預(yù)防性維護顯然是一個不錯的主意。

然而，這需要企業(yè)雇傭熟練的技術(shù)人員和數(shù)據(jù)科學(xué)家從頭構(gòu)建復(fù)雜的解決方案，同時需要針對用例識別和購買正確類型的傳感器，并將它們連接至IoT網(wǎng)關(guān)。然后，公司必須測試監(jiān)測系統(tǒng)，并將數(shù)據(jù)傳輸?shù)奖镜鼗蛟粕线M行處理。只有這樣，數(shù)據(jù)科學(xué)家才能構(gòu)建機器學(xué)習(xí)模型來分析數(shù)據(jù)模式和異常情況，或者在檢測到異常時創(chuàng)建警報系統(tǒng)——這個過程對大多數(shù)企業(yè)來說都太過復(fù)雜了。

新的AWS機器學(xué)習(xí)服務(wù)則可提供眾多幫助：Amazon Monitron和Amazon Lookout for Equipment通過機器學(xué)習(xí)支持預(yù)測性維護。Amazon Monitron面向沒有建立傳感器網(wǎng)絡(luò)的客戶，提供由傳感器、網(wǎng)關(guān)和機器學(xué)習(xí)服務(wù)組成的端到端機器監(jiān)控系統(tǒng)，檢測異常并預(yù)測何時需要維護工業(yè)設(shè)備；Amazon Lookout for Equipment面向已經(jīng)擁有傳感器、但不希望自己構(gòu)建機器學(xué)習(xí)模型的客戶，由AWS為其構(gòu)建模型并返回預(yù)測結(jié)果，檢測異常設(shè)備行為。由此，制造企業(yè)可以輕量地擁有先進的預(yù)測性維護解決方案。

Amazon Monitron Starter Kit

AWS最新發(fā)布的五項用于工業(yè)領(lǐng)域的機器學(xué)習(xí)服務(wù)（Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一體機、AWS Panorama SDK和Amazon Lookout for Vision），也是AWS首次推出的開箱即用的工業(yè)領(lǐng)域機器學(xué)習(xí)解決方案。據(jù)悉，目前已經(jīng)使用AWS工業(yè)領(lǐng)域機器學(xué)習(xí)服務(wù)的客戶和合作伙伴包括Axis、凌華科技、BP、德勤、Fender芬達、GE醫(yī)療和西門子交通等等。

為不同水平的客戶提供不同的工具

AWS在為客戶提供機器學(xué)習(xí)服務(wù)時，不僅會根據(jù)不同客戶的具體需求，還會考慮到它們自身的技術(shù)水平，并據(jù)此劃分了三層服務(wù)。

我們不妨用一個形象的比喻來說明這三個層級：如果一個人本身就是經(jīng)驗豐富的大廚，那么我們只用為其提供廚具和原料，他就能原創(chuàng)一道驚艷的菜式；如果一個人只是稍微有點兒廚房經(jīng)驗，那我們還得為其提供詳細的菜譜進行指導(dǎo)；如果一個人完全就是個廚房小白，那我們不如直接給其提供現(xiàn)成的“料理包”，讓他稍微加熱一下就能享用美味。

對應(yīng)到AWS，就是要打造包羅萬象的工具箱，賦能每一位AI工作者。用AWS大中華區(qū)云服務(wù)產(chǎn)品管理總經(jīng)理顧凡的話來說就是：right tool for the right job（為每一項工作都提供一個趁手的工具）。

在工具集的底層，面向那些技術(shù)能力超強并希望將人工智能和機器學(xué)習(xí)作為自己的核心競爭力的客戶。AWS為他們提供了強大的算力、全面的算力選擇以及豐富的機器學(xué)習(xí)框架選擇。具體而言，AWS支持主流的機器學(xué)習(xí)框架，客戶還可以通過容器部署的方式，自帶機器學(xué)習(xí)框架；AWS可以提供基于英偉達、英特爾、AMD、賽靈思等芯片廠商的最新處理器的強大算力，同時還通過自主設(shè)計的處理器，極大地降低機器學(xué)習(xí)的算力成本。

在工具集的中間層，面向那些技術(shù)能力較強的客戶，他們有大量的數(shù)據(jù)可以進行機器學(xué)習(xí)模型訓(xùn)練，有一定的算法人才，不想花精力管理基礎(chǔ)設(shè)施，只想專注于自己的應(yīng)用和業(yè)務(wù)創(chuàng)新。AWS的Amazon SageMaker為他們提供了首個全托管的機器學(xué)習(xí)集成開發(fā)環(huán)境，并為這個開發(fā)環(huán)境不斷增加新功能，從數(shù)據(jù)準備、到模型訓(xùn)練、參數(shù)調(diào)優(yōu)與模型迭代、到模型部署、模型質(zhì)量監(jiān)控，在整個過程中最大限度地提高他們開展機器學(xué)習(xí)的效率，降低他們開展機器學(xué)習(xí)的門檻。

2020年6月4日，中科創(chuàng)達率先宣布，已經(jīng)將Amazon SageMaker集成到了自家ADC系統(tǒng)中，讓制造業(yè)客戶可以在工業(yè)生產(chǎn)中輕松獲得AI質(zhì)檢能力。

最后，在工具集的頂層，面向技術(shù)能力相對薄弱的客戶，他們有一定的數(shù)據(jù)，但沒有算法人才，他們希望在業(yè)務(wù)場景中直接引入人工智能。AWS為他們提供開箱即用的人工智能服務(wù)，目前已經(jīng)涵蓋機器視覺、語音文字轉(zhuǎn)換、機器對話、文本處理、電商業(yè)務(wù)、客服、企業(yè)內(nèi)信息搜索、開發(fā)與運維、工業(yè)AI等方面。

機器學(xué)習(xí)就是AWS的下一個金礦

遙想2016年，AWS只在當年發(fā)布了三個機器學(xué)習(xí)服務(wù)；與之相比，最近三年，AWS每年新增的服務(wù)和功能超過200個——這一方面說明了相關(guān)技術(shù)正在從概念走向成熟，另一方面也說明了以制造業(yè)為代表的千行百業(yè)的客戶需求正在爆發(fā)。

Swami在亞馬遜re:Invent大會上發(fā)表機器學(xué)習(xí)和人工智能主題演講時表示：“機器學(xué)習(xí)是我們這一代人能遇到最具顛覆性的技術(shù)之一，目前已經(jīng)有超過10萬客戶在使用AWS的機器學(xué)習(xí)服務(wù)，很多客戶已經(jīng)將機器學(xué)習(xí)用于其核心業(yè)務(wù)?！?/p>

BP是一家全球性能源企業(yè)，為客戶提供運輸用燃料，熱能和光能，潤滑油以及用于制造油漆、服裝、包裝物等日常用品的石化產(chǎn)品。BP在全球擁有18,000個服務(wù)站和74,000多名員工。BP美國首席技術(shù)官Grant Matthews說：“我們位于bpx的工程團隊正與AWS緊密合作，以構(gòu)建一個物聯(lián)網(wǎng)和云平臺，助力BP持續(xù)提高運營效率。作為這項工作的一部分，我們也在探索通過計算機視覺輔助提高安全性和工作人員安全。我們希望利用計算機視覺實現(xiàn)卡車自動化進出工廠，確認它們已完成正確的訂單。此外，我們還在監(jiān)控人員距離、設(shè)置動態(tài)禁區(qū)和檢測石油泄漏等方面看到了通過計算機視覺輔助保護工人安全的可能性。AWS Panorama創(chuàng)新地實現(xiàn)了在單一硬件平臺上以直觀的用戶體驗提供所有這些解決方案。我們的團隊非常高興與AWS一起使用這項新技術(shù)，并期望解決許多新的用例?！?/p>

GE醫(yī)療是全球領(lǐng)先的醫(yī)療技術(shù)和數(shù)字解決方案的創(chuàng)新者，致力于開發(fā)、制造和分銷診斷成像劑、放射性藥物、CT和MRI機器等醫(yī)療診斷設(shè)備、以及由其Edison數(shù)字醫(yī)療智能平臺支持的智能設(shè)備。“今天，我們通過人工檢驗醫(yī)療設(shè)備的質(zhì)量。為了提升我們的品牌并為醫(yī)療保健專業(yè)人員提供值得信任的一流產(chǎn)品，我們很高興能夠通過Amazon Lookout for Vision探索以編程方式提高GE醫(yī)療日本工廠產(chǎn)品缺陷檢測的速度、一致性和準確性的可能性，短期內(nèi)還可能應(yīng)用于全球其他區(qū)域的工廠中。”GE醫(yī)療日本工廠經(jīng)理、產(chǎn)線運營官和總經(jīng)理Kozaburo Fujimoto說。

從這些落地的事例可以看出——毫無疑問，機器學(xué)習(xí)就是AWS的下一個金礦。
編輯：hfy