「从管理看 AI」AWS机器学习与日常业务：从概念

小提示：您能找到这篇{「从管理看 AI」AWS机器学习与日常业务：从概念}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的「从管理看 AI」AWS机器学习与日常业务：从概念内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

< ">从管理看AI

< ">“The AI&Machine Learning Imperative”提供了来自数据科学和人工智能领域的领先学者和实践者的新见解。《The Executive Guide》分为7期内容发布，探讨了管理人员和公司如何通过聚集合适的人才，加强领导能力和重塑组织战略来克服挑战并发现机遇。

< ">< color: rgb(247, 150, 70);">本系列为AWS撰写并发表在MIT上的文章

< ">在此次问答中，< color: rgb(247, 150, 70);">Amazon Web Services（AWS）机器学习解决方案实验室副总裁Michelle K.Lee分享了多个机器学习应用场景，讲述其中的< color: rgb(247, 150, 70);">四大核心实现挑战，同时提出几项重要建议。

< ">< color: rgb(247, 150, 70);">●关于Michelle K.Lee

< ">

< ">作为AWS机器学习解决方案实验室副总裁，Michelle K.Lee领导着这一全球业务机构，致力于< color: rgb(247, 150, 70);">帮助AWS客户发现高价值机器学习用例并指导其具体实施。

< ">之前，她曾担任< color: rgb(247, 150, 70);">美国商务部知识产权局副局长、美国专利商标局局长、谷歌高管、Fenwick&West律师事务所合伙人以及< color: rgb(247, 150, 70);">惠普研究实验室与麻省理工学院人工智能实验室负责人等职务。她拥有< color: rgb(247, 150, 70);">麻省理工学院电子工程学士与硕士学位，以及< color: rgb(247, 150, 70);">斯坦福大学法学院法学博士学位。

< ">< background-color: rgb(247, 150, 70); color: rgb(255, 255, 255);">您能概括谈谈人工智能（AI）与机器学习（ML）如何推动数字化转型浪潮吗？

Q&A

< ">< color: rgb(247, 150, 70);">Lee：AI与机器学习已经从纯技术理论迅速发展为主流实践方案。很长一段时间，这些技术一直只是少数大型科技企业与核心学术研究人员的专利；但随着三大主要进步的实现，这一切开始发生变化。

< ">首先是< color: rgb(247, 150, 70);">计算机性能的增强，第二是< color: rgb(247, 150, 70);">数据存储成本的下降，第三则是< color: rgb(247, 150, 70);">云计算的全面普及。机器学习需要强大的计算机以浏览大量易于访问的数据。在AWS等先驱厂商的云服务加持之下，如今的AI与机器学习已经不再是少数科技巨头与学术研究人员的专属，几乎每个人都可以使用强大的计算机访问实现ML所必需的海量数据。

< ">结果就是，几乎各个行业（金融、零售、农业、医疗保健、制造业等等）都有机会享受到机器学习的最新进展。如今，在与企业高管交流时，他们的问题不再是“我为什么该在企业中采用机器学习技术？”而是“我该如何采用机器学习技术，又如何才能获得成功？”

您能否聊聊使用ML技术进行预估、预测以及决策的具体业务实例？

< ">< color: rgb(247, 150, 70);">Q&A

< ">< color: rgb(247, 150, 70);">Lee：达美乐披萨目前正在使用Amazon Personalize预测购买行为，而后通过数字渠道（包括大受欢迎的移动端应用）向客户提供个性化促销信息与通告。因此，相较于以往向每个人发送完全相同的短信宣传文本，如今ML能够帮助企业在合适的时间向客户发出最有可能激起其兴趣、促进购买行为的内容。

< ">Intuit则使用ML驱动型预测功能，预估特定日期或时间段内的呼叫中心来电需求，借此保证在线客服充足可用。

< ">在医疗保健领域，我们正帮助企业更快、更好地做出决策。我们看到了从消极护理到预测护理的转变，包括使用预测模型加速新药与疗法的研究与发现等。作为< color: rgb(247, 150, 70);">全球规模最大的上市医疗IT厂商，Cerner公司使用Amazon SageMaker构建起一套解决方案，使研究人员能够查询匿名患者数据记录，借此< color: rgb(247, 150, 70);">在实际临床表现出现的15个月之前抢先预防充血性心力衰竭。他们还使用Amazon Transcribe Medical，通过虚拟语音到文本抄写员帮助医生从繁琐的记事任务中解脱出来，帮助医生将更多精力放在与患者的交互当中。

< ">总部位于西雅图的物流企业Convoy通过使用机器学习技术，更高效地将货送卡车驾驶员与需要运送货物的托运人匹配起来，< color: rgb(247, 150, 70);">不仅颠覆了整个卡车运输行业的业务模式，更降低了成本并加快了配送速度。结果就是，卡车司机可以根据自己的时间安排规划更多配送批次，而需要运输货物的托运人则通过机器学习解决方案与司机们轻松联络。

< ">美国橄榄球联盟（NFL）又是另一行业中的典型示例。NFL使用其历史数据（例如过往赛季数据）开发出一组下一代数据统计与ML模型。以此为基础，当球迷们在电视上观看比赛时，NFL能够及时在屏幕上显示出当前球员成功达阵或者实施拦截的概率统计数据。这些近实时预测极大增强了粉丝们的观看体验，同时也让ML模型与现场实时数据得到充分结合。

< ">< background-color: rgb(247, 150, 70); color: rgb(255, 255, 255);">这些例子确实振奋人心。但对于经验不足的企业，他们该如何判断自己到底需不需要机器学习技术？

< ">< color: rgb(247, 150, 70);">Q&A

< ">< color: rgb(247, 150, 70);">Lee：我相信，每家组织都能够从机器学习身上获得收益。

< ">反过来讲，什么样的企业无法通过数据驱动带来的更强客户需求预测能力，或者提升供应链及库存需求管理能力而受益？什么样的企业无法通过改善服务与产品个性化、进而带来收入增长而受益？什么样的企业无法通过将劳动密集型客户服务中心转为自动化管道而受益？包括通过在线评论、社交媒体甚至是来自客户呼叫中心的记录，快速评估客户对于企业本身、运营绩效乃至产品的信心，这一切收益都不可能将特定企业排除在外。

< ">我曾有幸管理过美国专利商标局，这是一家政府机构，在200多年的发展历程中一直采用相同的专利申请审查方式。但凭借着人工智能与计算机科学背景，我意识到在新的时代之下，我们有理由使用数据与数据分析技术提高所颁发专利的质量与一致性。因此，我开始在专利局实施这项技术。我想说的是，如果一家拥有200年历史的政府机构都有使用机器学习技术的机会，那么大多数企业也完全可以做到——唯一的问题，就是您是否愿意敞开接纳的胸怀。

从业务角度看，人们对于ML技术是否存在误解？

Q&A

< ">< color: rgb(247, 150, 70);">Lee：肯定是有的，而最大的误解可能是，很多企业认为自己距离顶尖ML应用，就差一支数据科学家团队。实际上，要想建立起成功的机器学习实现方案，需要综合考量诸多代运营多少钱一个月因素。

< ">是的，数据科学家团队或者顾问确实非常重要。但同样重要的是，< color: rgb(247, 150, 70);">大家需要为企业确定并选择正确的机器学习应用场景，保证其能够解决一项实际且足够重大的问题。这个问题应该具有可衡量的投资回报率。另外，< color: rgb(247, 150, 70);">您还需要拥有支撑机器学习模型构建、训练与测试所必需的数据。最后，还要< color: rgb(247, 150, 70);">让机器学习项目拥有来自高层团队的支持，保证其不仅属于科学实验，同时也能以业务问题实际解决方案的姿态被纳入业务流程。

如今的企业需要什么样的ML专家？

Q&A

< ">< color: rgb(247, 150, 70);">Lee：具体来讲，ML专家又分为数据科学家/数据分析师、数据工程师、软件开发人员以及技术项目经理等职位。不同职位对应着不同的技能，而企业需要解决的核心问题在于通过技能分析找出现有差距。数据分析与机器学习（至少就目前的形式来看）仍然属于相对年轻的学科，因此具备这些技能的人员仍然比较有限。这意味着企业可能无法建立起面面俱到的技能团队，所以< color: rgb(247, 150, 70);">培训现有员工队伍可能是个更具可行性的选项。

< ">< color: rgb(247, 150, 70);">在Amazon，我们采取聘用新人与培养现有员工双管齐下的方式。Amazon还建立起机器学习大学，投入六年多时间培训我们的工程师。去年，我们开始将相关内容免费提供给客户乃至更为广泛的公众。截至目前，已经有< color: rgb(247, 150, 70);">超过10万名开发人员在Amazon资源的支持下开启了自己的机器学习探索之旅。

企业在采用ML的过程中，可能面临哪些常见挑战？

< ">< color: rgb(247, 150, 70);">Q&A

< ">< color: rgb(247, 150, 70);">Lee：我们已经了解到，领导者要想成功采用机器学习技术所需要解决的< color: rgb(247, 150, 70);">四大关键挑战：数据策略、迈出第一步、机器学习技能空白以及极为耗时的无差别繁重工作。最后一项挑战又涉及多种具体内容，例如构建自有基础设施与工具以进行数据聚合、访问、清洗乃至建模等等。在这方面，企业实际上可使用充分运用现有服务（例如Amazon的数据湖产品，通过Amazon SageMaker帮助实现ML模型的构建与部署，使用Amazon Rekognition支持计算机视觉，使用Translate进行语言翻译，或者选择Amazon Comprehend完成自然语言处理等）。

< ">对企业来说，采用机器学习的头号难题往往与数同程旅游据有关。为了在机器学习项目中取得成功，企业需要制定一项数据策略，借此识别自身当前拥有的数据、数据的存储位置、谁在控制数据，并选定能够支持企业全面、顺畅使用数据的最佳位置。此外，< color: rgb(247, 150, 70);">企业还应面向未来考虑数据收集方向，并以此为基础制定明确的数据收集计划。

< ">如果没有数据策略，企业雇用的ML科学家将不得不耗费大量时间处理数据管理与清洗方面的工作；更糟糕的是，由于缺乏解决重大问题的资源，他们可能被困在原地、逐渐陷入沮丧与消极。为此，企业需要指派IT团队打破现有数据孤岛，以安全且合规的方式收集正确数据。

< ">第二项挑战在于，我们该如何迈出第一步。虽然每家企业都能在机器学习中找到适合自己的改善机会，但也有相当一部分业务问题没办法靠机器学习解决。为此，选择结果可进行明确量化的高价值应用场景就非常关键，但这同时也颇具难度。关于机器学习能做到什么，目前存在着诸多误解与炒作。因此，AWS创建了机器学习解决方案实验室，旨在与客户并肩工作、倾听他们的业务问题、确定他们最具价值的ML应用场景，并协助、指导他们的具体实施工作。对于我们的各项业务，Amazon都结合广泛的行业与业务用例积累下极具深度与广度的经验及专业知识。

< ">第三大挑战在于技能短缺。需要再次强调，人工智能的快速增长导致数据科学家与机器学习专家处于严重短缺状态。企业可能无法雇用到自己需要的全部数据科学家，因此不妨专注于对现有员工的培养，同时辅以对外部人才的聘用。

< ">第四大挑战，主要体现为不少企业误以为自己需要从零开始构建所有解决方案。相反，< color: rgb(247, 150, 70);">AWS等云平台能够提供完善的数据访问与机器学习模型开发、测试及部署类工具/基础设施。在这些工具及服务的支持之下，您可以专注于打造与业务独特性相关的增值贡献，例如与所在领域及行业紧密相关的专业知识/特殊见解，借此真正将ML转化为提高业务效率的力量。

要实现ML成功，组织需要什么样的文化？

< ">< color: rgb(247, 150, 70);">Q&A

< ">< color: rgb(247, 150, 70);">Lee：机器学习需要一种文化层面的转变，而这种转变需要从高层开始，自上而下进行推动。作为领导者，最重要的一点就是向企业阐明机器学习的优先级，并鼓励团队成员不断探索如何使用机器学习更好地解决业务问题。同样的，相当一部分业务问题无法通过机器学习获得最优解。总之，明确且持续地跟进这一问题，将成为决定ML项目成败的关键。

< ">< color: rgb(247, 150, 70);">十年之前，Amazon领导团队就曾全面征求过内部管理层的意见，希望了解运营研究团队、配送中心、人力资源乃至法律部门计划如何在自己的业务区间之内使用机器学习技术。作为一项基本前提，Amazon不接受拒绝机器学习技术的答案，这也迫使各个部门开始考虑如何运用ML改善自身业务，并据此制定出目标实现计划。时至今日，Amazon旗下的每一项业务职能都在机器学习的加持之下得到不同程度的改善。

您认为业务主管是否有必要了解ML技术？

Q&A

< ">< color: rgb(247, 150, 70);">Lee：机器学习目前仍处于起步阶段，但也积累到了一定的历史与发展经验。当然，通往机器学习成功的道路不可能一帆风顺，要求组织充分利用合作伙伴的力量加以推动。

< ">我们已经成功帮助众多组织——从< color: rgb(247, 150, 70);">达美乐披萨到< color: rgb(247, 150, 70);">NFL、再到< color: rgb(247, 150, 70);">Cerner与< color: rgb(247, 150, 70);">NASA——成功实现了机器学习发展目标。

< ">尽管我们一直致力于帮助客户识别并部署其高价值ML应用场景，但我们也希望激发出客户主动运用并拓展ML力量的能力。为此，我们建立起< color: rgb(247, 150, 70);">AWS Machine Learning Embark计划，其中涵盖引导客户确定最佳应用场景的研讨会与交流活动，同时也将为技术及业务领导者提供机器学习培训方案。这一切的目标只有一个：让组织内各个层级的人员都开始思考，“机器学习如何改善或解决国航飞机起火危机事件公关当前的实际业务问题？”