機器學習建模曾經是一項較為復雜的任務，一般只有優秀的數學家才能勝任。但是AWS和其他幾家公司正試圖讓企業也能使用這項技術。
亞馬遜機器學習是一個提供可視化工具和應用向導的AWS云服務，它能夠幫助開發人員為機器學習用例進行建模。至此，使用簡單API通過應序進行預測就變成了一件相對簡單的事情了。亞馬遜和它的一些競爭對手正在這一原本需要特殊編程和數學技能的挑戰性領域進行比賽，以便讓幾乎任何人都可以使用這項技術。
“信息分析是每一家企業在2016年都計劃要做的事，”一家總部位于紐約市的AWS托管服務合作伙伴企業Logicworks公司的高級副總裁兼CTO Jason McKay說。“亞馬遜機器學習是AWS將原本復雜、昂貴、通常也是緩慢的應用通過使用他們自己團隊開發的工具變成更易于和便于使用的服務產品的又一例證。”
這些服務所采用的算法都是亞馬遜公司數據科學家和亞馬遜電子商務業務長期以來一直在內部使用的，一家總部位于加州Santa Monica的AWS咨詢合作伙伴CorpInfo公司的云解決方案架構師Laith Al-Saadoon解釋說。這些算法每天都支持著數十億美元的實時和批量操作預測業務。
這項服務采用了一種所用即所付的付費方式，因此也就沒有前期許可或使用承諾之類的限制。用戶可以根據實際資源請求來支付費用，從而避免必須做出硬件或軟件的承諾，Saadoon指出。根據他的估計，學習曲線變化應當是較為平緩的。只要管理員或數據分析師理解AWS的生態系統——例如Kinesis、Redshift和關系型數據庫服務——學習曲線就很少會出現比較陡峭的情況。IT團隊可以通過使用亞馬遜機器學習加快探索和試驗的步伐，從而縮短產品上市時間，他補充說。
機器學習用例與競爭
機器學習——特別是亞馬遜機器學習，比傳統分析方法更邁進了一步，因為它更側重于預測和潛在指令性結果。亞馬遜機器學習并不如其他的一些機器學習選項那樣成熟。例如，訓練數據集的容量被限制在100GB以下，而實際批量預測數據集則被限制在1TB以下。
當然，也有很多替代選擇。也許最有名的是IBM公司的Watson Analytics，它通過一個簡單的“對話”界面提供了數據可視化和預測分析功能。微軟公司的Azure機器學習工作室提供了可適應多種機器學習用例的現成示例庫。無論如何， Saadoon都對亞馬遜的這款產品情有獨鐘并表示，該產品的使用僅受到用戶想象力的限制。
例如，大多數機構都希望更好地理解客戶在他們網站上的各種用戶行為，從而優化用戶的訪問體驗或吸引用戶的關注。機器學習和預測分析可以使用簡單存儲服務（S3）或Redshift來分析點擊流數據，并對如用戶更愿意點擊哪里這樣的問題進行針對性的分析。根據這些概率數據，管理員或數據分析師就可以把這些點擊推向一個優選的最終狀態，例如指向收銀臺。
亞馬遜機器學習還可用于推薦引擎應用。“很多垂直行業都可從中受益，例如有個APP可向客戶推薦可訪問哪家餐廳，”Saadoon說。在這個例子中，用戶可以輸入她的年齡、性別和位置等信息，然后機器學習服務就可以將其數據與類似人群進行比較，從那些個體和類似數據中提取適合該類人群的業務。這一過程可以被廣泛用于客戶決策。
挪威的一位博主Arne Sund在他的博文中寫了許多亞馬遜機器學習有趣用例中的一個，將該服務應用于天氣預測——或者至少預測某個城市的當地溫度。他指出，Oslo的天氣模式通常來自于西方，他的訓練數據集中囊括了來自于諸如Stavanger和Bergen等城市的觀察結果。在使用歷史數據進行機器學習之后，Sund發現這項服務能夠根據新數據來分析產生一個對所在城市溫度大致精確的預測。
“使用亞馬遜機器學習服務并使用真實生活數據來對其進行測試是非常有趣一件事，”Sund在一篇博文中寫道。
小小的應用障礙
現在，用于分析的數據需要駐留在AWS資源中，Saadoon指出，“這是亞馬遜機器學習所面臨的一個挑戰；它只能與S3相連進行對象存儲，使用Redshift作文數據倉庫以及提供傳統SQL關系型數據庫功能的關系型數據庫服務。”
但是，更愿意使用其他數據源的數據分析師可以使用亞馬遜彈性MapReduce和一個開源機器學習系統（例如Apache Spark）。“你可以使用這一組合連接到幾乎所有的Hadoop數據源，”他說。
建立亞馬遜機器學習是非常簡單的，Saadoon說。對于最終用戶來說，他們甚至能夠使用API進行自然語言查詢。
京公網安備 11010502049343號