แมชชีนเลิร์นนิงในคลาวด์ช่วยให้ธุรกิจสร้างสรรค์นวัตกรรม
ในทศวรรษที่ผ่านมา แมชชีนเลิร์นนิงได้กลายเป็นเทคโนโลยีที่คุ้นเคยสำหรับการปรับปรุงประสิทธิภาพและความถูกต้องของกระบวนการ เช่น คำแนะนำ การคาดการณ์ซัพพลายเชน การพัฒนาแชทบอท การค้นหารูปภาพและข้อความ และระบบอัตโนมัติ ฟังก์ชันการบริการลูกค้า เป็นต้น แมชชีนเลิร์นนิงในปัจจุบันแพร่หลายมากขึ้น ส่งผลกระทบต่อทุกกลุ่มตลาดและอุตสาหกรรม รวมถึงการผลิต แพลตฟอร์ม SaaS การดูแลสุขภาพ การจอง และการกำหนดเส้นทางการสนับสนุนลูกค้า งานการประมวลผลภาษาธรรมชาติ (NLP) เช่น การประมวลผลเอกสารอัจฉริยะ และแม้แต่บริการอาหาร
พิจารณากรณีของ Domino’s Pizza ซึ่งใช้เครื่องมือการเรียนรู้ของเครื่องที่สร้างขึ้นเพื่อปรับปรุงประสิทธิภาพในการผลิตพิซซ่า “Domino’s มีโครงการชื่อ Project 3/10 ซึ่งมีเป้าหมายเพื่อให้พิซซ่าพร้อมสำหรับรถกระบะภายในสามนาทีของการสั่งซื้อ หรือให้ส่งภายใน 10 นาทีของคำสั่ง” ดร. บราติน ซาฮา รองประธานและผู้จัดการทั่วไปกล่าว ของบริการแมชชีนเลิร์นนิงสำหรับ Amazon AI “ถ้าคุณต้องการบรรลุเป้าหมายเหล่านั้น คุณต้องสามารถคาดการณ์ได้เมื่อสั่งพิซซ่าเข้ามา พวกเขาใช้แบบจำลองการเรียนรู้ของเครื่องทำนายเพื่อให้บรรลุเป้าหมายนั้น”
การเพิ่มขึ้นล่าสุดของ การเรียนรู้ของเครื่องในอุตสาหกรรมที่หลากหลายได้รับแรงผลักดันจากการปรับปรุงในด้านเทคโนโลยีอื่นๆ Saha กล่าว—ไม่น้อยไปกว่านั้นคือพลังการประมวลผลที่เพิ่มขึ้นในศูนย์ข้อมูลบนคลาวด์
“ในช่วงไม่กี่ปีที่ผ่านมา” Saha อธิบาย “จำนวนการประมวลผลทั้งหมดที่เป็นปัญหาการเรียนรู้ของเครื่องได้เพิ่มขึ้นเป็นสองเท่าเกือบทุกสี่เดือน มากกว่ากฎของมัวร์ 5 ถึง 6 เท่า ด้วยเหตุนี้ ฟังก์ชันมากมายที่มนุษย์สามารถทำได้เพียงครั้งเดียว เช่น การตรวจจับวัตถุหรือการทำความเข้าใจคำพูด กำลังถูกดำเนินการโดยคอมพิวเตอร์และโมเดลการเรียนรู้ของเครื่อง”
“ที่ AWS ทุกสิ่งที่เราทำนั้นได้ผลจากลูกค้าและค้นหาวิธีที่เราลดจุดบอดของลูกค้า และวิธีที่เราทำให้พวกเขาทำการเรียนรู้ด้วยเครื่องได้ง่ายขึ้น ที่ด้านล่างสุดของบริการแมชชีนเลิร์นนิง เรากำลังสร้างนวัตกรรมบนโครงสร้างพื้นฐานแมชชีนเลิร์นนิง เพื่อให้เราสามารถทำให้ลูกค้าทำแมชชีนเลิร์นนิงราคาถูกลง และลูกค้าทำแมชชีนเลิร์นนิงเร็วขึ้น เรามีนวัตกรรม AWS สองรายการ หนึ่งคือ Inferentia และอีกอันคือ Trainium”
กรณีการใช้งานแมชชีนเลิร์นนิงในปัจจุบันที่ช่วยให้บริษัทต่างๆ เพิ่มประสิทธิภาพคุณค่าของข้อมูลเพื่อทำงานและปรับปรุงผลิตภัณฑ์เป็นเพียงจุดเริ่มต้นเท่านั้น Saha กล่าว
“แมชชีนเลิร์นนิงกำลังจะแพร่หลายมากขึ้น บริษัทต่างๆ จะเห็นว่าพวกเขาสามารถเปลี่ยนแปลงวิธีการดำเนินธุรกิจโดยพื้นฐานได้ พวกเขาจะเห็นว่าพวกเขากำลังเปลี่ยนแปลงพื้นฐานประสบการณ์ของลูกค้า และพวกเขาจะยอมรับการเรียนรู้ของเครื่อง”
แสดงบันทึกและข้อมูลอ้างอิง
โครงสร้างพื้นฐานการเรียนรู้ของเครื่อง AWS
การถอดเสียงฉบับเต็ม
Laurel Ruma: จาก MIT Technology Review ฉันชื่อ Laurel Ruma นี่คือ Business Lab การแสดงที่ช่วยให้ผู้นำธุรกิจเข้าใจเทคโนโลยีใหม่ๆ ที่ออกมาจากห้องทดลองและเข้าสู่ตลาด
หัวข้อของเราในวันนี้คือการเรียนรู้ของเครื่องในระบบคลาวด์ ในทุกอุตสาหกรรม การรวบรวมข้อมูลที่เพิ่มขึ้นแบบทวีคูณต้องการวิธีวิเคราะห์ข้อมูลที่รวดเร็วและแปลกใหม่ แต่ยังเรียนรู้จากข้อมูลดังกล่าวเพื่อการตัดสินใจทางธุรกิจที่ดีขึ้น นี่คือวิธีที่แมชชีนเลิร์นนิงในคลาวด์ช่วยขับเคลื่อนนวัตกรรมสำหรับองค์กร ตั้งแต่สตาร์ทอัพไปจนถึงผู้เล่นรุ่นเก่า
คำสองคำสำหรับคุณ: นวัตกรรมข้อมูล แขกของฉันคือ Dr. Bratin Saha รองประธานและผู้จัดการทั่วไปของบริการแมชชีนเลิร์นนิงสำหรับ Amazon AI เขาดำรงตำแหน่งผู้บริหารที่ NVIDIA และ Intel Business Lab ในตอนนี้จัดทำขึ้นร่วมกับ AWS ยินดีต้อนรับ Bratin.
ดร. Bratin Saha: ขอบคุณที่มีฉันลอเรล มันเยี่ยมมากที่ได้มาอยู่ที่นี่
ลอเรล: จากด้านบน คุณช่วยยกตัวอย่างวิธีที่ลูกค้า AWS ใช้แมชชีนเลิร์นนิงเพื่อแก้ปัญหาทางธุรกิจของพวกเขาได้ไหม
Bratin: มาเริ่มกันที่คำจำกัดความของสิ่งที่เราหมายถึงการเรียนรู้ของเครื่อง แมชชีนเลิร์นนิงเป็นกระบวนการที่คอมพิวเตอร์และอัลกอริธึมสามารถใช้ข้อมูล ซึ่งมักจะเป็นข้อมูลในอดีต เพื่อทำความเข้าใจรูปแบบ แล้วใช้ข้อมูลนั้นเพื่อคาดการณ์เกี่ยวกับอนาคต ธุรกิจต่างๆ ได้ใช้แมชชีนเลิร์นนิงเพื่อทำสิ่งต่างๆ มากมาย เช่น คำแนะนำส่วนบุคคล การปรับปรุงการคาดการณ์ซัพพลายเชน การสร้างแชทบ็อต ใช้ในการดูแลสุขภาพ และอื่นๆ
ตัวอย่างเช่น Autodesk สามารถใช้โครงสร้างพื้นฐานการเรียนรู้ของเครื่องที่เรามีสำหรับแชทบอทเพื่อปรับปรุงความสามารถในการจัดการคำขอได้เกือบห้าครั้ง พวกเขาสามารถใช้แชทบอทที่ปรับปรุงแล้วเพื่อตอบคำถามของลูกค้ามากกว่า 100,000 คำถามต่อเดือน
จากนั้นก็มี Nerd Wallet Nerd Wallet คือสตาร์ทอัพด้านการเงินส่วนบุคคลที่ไม่ได้ปรับแต่งคำแนะนำที่พวกเขามอบให้กับลูกค้าตามความต้องการของลูกค้า ตอนนี้พวกเขากำลังใช้บริการแมชชีนเลิร์นนิงของ AWS เพื่อปรับแต่งคำแนะนำให้เข้ากับสิ่งที่บุคคลต้องการเห็น ซึ่งช่วยปรับปรุงธุรกิจของพวกเขาอย่างมีนัยสำคัญ
จากนั้นเราก็มีลูกค้าอย่าง Thomson Reuters Thomson Reuters เป็นหนึ่งในผู้ให้บริการคำตอบที่น่าเชื่อถือที่สุดในโลก พร้อมด้วยทีมผู้เชี่ยวชาญ พวกเขาใช้แมชชีนเลิร์นนิงในการขุดข้อมูลเพื่อเชื่อมต่อและจัดระเบียบข้อมูลเพื่อให้ตอบคำถามได้ง่ายขึ้น
ในภาคการเงิน เราพบเห็นมามากมาย การดูดซึมในแอปพลิเคชันการเรียนรู้ของเครื่อง ตัวอย่างเช่น บริษัทหนึ่งเป็นผู้ให้บริการชำระเงิน สามารถสร้างรูปแบบการตรวจจับการฉ้อโกงได้ในเวลาเพียง 30 นาที
เหตุผลที่ฉันจะยกตัวอย่างมากมายให้คุณเห็นว่า การเรียนรู้ของเครื่องกำลังแพร่หลาย มันข้ามภูมิศาสตร์ ข้ามกลุ่มตลาด และถูกใช้โดยบริษัททุกประเภท ฉันมีตัวอย่างอื่นๆ ที่ฉันต้องการแชร์เพื่อแสดงให้เห็นว่าแมชชีนเลิร์นนิงส่งผลต่ออุตสาหกรรมเช่น การผลิต การจัดส่งอาหาร และอื่นๆ อย่างไร
ตัวอย่างเช่น Domino’s Pizza มีโครงการชื่อ Project 3/10 ซึ่งพวกเขาต้องการให้พิซซ่าพร้อมสำหรับการรับภายในสามนาทีของการสั่งซื้อหรือให้ส่งภายใน 10 นาที คำสั่ง. หากคุณต้องการบรรลุเป้าหมายเหล่านั้น คุณต้องสามารถคาดการณ์ได้เมื่อสั่งพิซซ่าเข้ามา พวกเขาใช้แบบจำลองการเรียนรู้ของเครื่องเพื่อดูประวัติการสั่งซื้อ จากนั้นพวกเขาก็ใช้โมเดลแมชชีนเลิร์นนิงที่ได้รับการฝึกอบรมเกี่ยวกับประวัติการสั่งซื้อนั้น จากนั้นพวกเขาก็สามารถใช้ข้อมูลนั้นเพื่อคาดการณ์ว่าคำสั่งซื้อจะมาถึงเมื่อใด และพวกเขาสามารถปรับใช้สิ่งนี้กับร้านค้าจำนวนมาก และพวกเขาก็สามารถบรรลุเป้าหมายได้
การเรียนรู้ด้วยเครื่องมี เป็นที่แพร่หลายในการดำเนินธุรกิจของลูกค้าของเรา เริ่มนำมาใช้ในแทบทุกอุตสาหกรรม เรามีลูกค้ามากกว่าหลายแสนรายที่ใช้บริการแมชชีนเลิร์นนิงของเรา Amazon SageMaker หนึ่งในบริการแมชชีนเลิร์นนิงของเราเป็นหนึ่งในบริการที่เติบโตเร็วที่สุดในประวัติศาสตร์ AWS
Laurel: สรุปได้ว่าลูกค้าสามารถใช้บริการแมชชีนเลิร์นนิงเพื่อแก้ปัญหาต่างๆ ได้ ปัญหาระดับสูงบางอย่างอาจเป็นเครื่องมือแนะนำ การค้นหารูปภาพ การค้นหาข้อความ และการบริการลูกค้า แต่หลังจากนั้นก็เพื่อปรับปรุงคุณภาพของผลิตภัณฑ์ด้วย
ฉันชอบ ตัวอย่าง Domino’s Pizza ทุกคนเข้าใจดีว่าธุรกิจพิซซ่าทำงานอย่างไร แต่ถ้าเป้าหมายคือเปลี่ยนพิซซ่าให้เร็วที่สุด เพื่อเพิ่มความพึงพอใจของลูกค้า Domino ต้องอยู่ในที่สำหรับรวบรวมข้อมูล สามารถวิเคราะห์ข้อมูลในอดีตว่าออเดอร์เข้ามาได้เร็วแค่ไหน คำสั่งซื้อ ความถี่ที่ผู้คนสั่งสิ่งที่พวกเขาสั่ง ฯลฯ นั่นคือสิ่งที่รูปแบบการทำนายขึ้นอยู่กับใช่ไหม
Bratin: ใช่. คุณถามคำถามว่าเราคิดอย่างไรเกี่ยวกับบริการการเรียนรู้ของเครื่อง หากคุณดูที่สแต็คการเรียนรู้ของเครื่องของ AWS เราจะมองว่าเป็นบริการแบบสามชั้น ชั้นล่างสุดคือโครงสร้างพื้นฐานของการเรียนรู้ของเครื่อง
สิ่งที่ฉันหมายถึงคือเมื่อคุณมีโมเดล คุณกำลังฝึกโมเดลให้คาดเดาอะไรบางอย่าง จากนั้นการคาดคะเนเป็นที่ที่คุณทำสิ่งนี้เรียกว่าการอนุมาน ที่ชั้นล่างสุด เรามีโครงสร้างพื้นฐานที่ปรับให้เหมาะสมที่สุด เพื่อให้ลูกค้าสามารถสร้างระบบการเรียนรู้ด้วยเครื่องของตนเองได้
จากนั้นจะมีชั้นที่ลูกค้ามาบอกเราว่า ” รู้อะไรไหม ฉันแค่ต้องการเน้นที่แมชชีนเลิร์นนิง ฉันไม่ต้องการสร้างโครงสร้างพื้นฐานของแมชชีนเลิร์นนิง” นี่คือที่มาของ Amazon SageMaker
จากนั้นมีเลเยอร์อยู่ด้านบน ซึ่งเราเรียกว่าบริการ AI ซึ่งเรามีโมเดลที่ผ่านการฝึกอบรมมาแล้วซึ่งสามารถใช้งานได้หลายอย่าง case.
ดังนั้นเราจึงพิจารณาการเรียนรู้ของเครื่องเป็นสามชั้น ลูกค้าต่างใช้บริการในชั้นต่างๆ กัน ตามสิ่งที่พวกเขาต้องการ ตามประเภทของความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลที่พวกเขามีอยู่ และตามประเภทของการลงทุนที่พวกเขาต้องการ
อื่นๆ ส่วนหนึ่งของมุมมองของเรากลับไปที่สิ่งที่คุณกล่าวถึงในตอนเริ่มต้น ซึ่งเป็นข้อมูลและนวัตกรรม แมชชีนเลิร์นนิงเป็นพื้นฐานเกี่ยวกับการรับข้อมูลเชิงลึกจากข้อมูล และการใช้ข้อมูลเชิงลึกเหล่านั้นเพื่อคาดการณ์อนาคต จากนั้นคุณใช้การคาดการณ์เหล่านั้นเพื่อหามูลค่าทางธุรกิจ
ในกรณีของ Domino’s Pizza มีข้อมูลรอบรูปแบบการสั่งซื้อในอดีตที่สามารถใช้ในการทำนายรูปแบบการสั่งซื้อในอนาคต มูลค่าทางธุรกิจมีการปรับปรุงการบริการลูกค้าโดยเตรียมคำสั่งซื้อให้ทันเวลา อีกตัวอย่างหนึ่งคือ Freddy’s Frozen Custard ซึ่งใช้การเรียนรู้ของเครื่องเพื่อปรับแต่งเมนู ด้วยเหตุนี้ พวกเขาสามารถได้รับยอดขายเพิ่มขึ้นเป็นเลขสองหลัก ดังนั้นจึงเป็นเรื่องของการมีข้อมูล แล้วจึงใช้การเรียนรู้ของเครื่องเพื่อให้ได้ข้อมูลเชิงลึกจากข้อมูลนั้น เมื่อคุณได้รับข้อมูลเชิงลึกจากข้อมูลนั้นแล้ว คุณจะใช้ข้อมูลเชิงลึกเหล่านั้นเพื่อขับเคลื่อนผลลัพธ์ทางธุรกิจที่ดีขึ้น สิ่งนี้ย้อนกลับไปในสิ่งที่คุณกล่าวถึงในตอนเริ่มต้น: คุณเริ่มต้นด้วยข้อมูล จากนั้นคุณใช้การเรียนรู้ของเครื่องเพื่อสร้างสรรค์สิ่งใหม่
Laurel: องค์กรมีความท้าทายอะไรบ้างในการเริ่มต้นเส้นทางการเรียนรู้ของเครื่อง
Bratin: สิ่งแรกคือการรวบรวมข้อมูลและทำให้แน่ใจว่ามีโครงสร้างที่ดี—ข้อมูลที่สะอาด—ซึ่งไม่มีความผิดปกติมากนัก . จากนั้น เนื่องจากโดยทั่วไปแล้ว โมเดลการเรียนรู้ของเครื่องจะดีขึ้นหากคุณสามารถฝึกโมเดลด้วยข้อมูลได้มากขึ้นเรื่อยๆ คุณจึงต้องรวบรวมข้อมูลจำนวนมหาศาลต่อไป เรามักจะเห็นลูกค้าสร้าง Data Lake ในระบบคลาวด์ เช่นใน Amazon S3 เป็นต้น ดังนั้น ขั้นตอนแรกคือการรับข้อมูลของคุณตามลำดับ จากนั้นจึงสร้าง Data Lake ในระบบคลาวด์ที่คุณสามารถใช้เพื่อป้อนนวัตกรรมที่อิงตามข้อมูลของคุณ
ขั้นตอนต่อไปคือการได้รับ โครงสร้างพื้นฐานที่เหมาะสมในสถานที่ นั่นคือที่ที่ลูกค้าบางคนพูดว่า “ดูสิ ฉันต้องการเพียงแค่สร้างโครงสร้างพื้นฐานทั้งหมดด้วยตัวเอง” แต่ลูกค้าส่วนใหญ่พูดว่า “ดูสิ ฉันแค่อยากจะสามารถใช้บริการที่มีการจัดการได้เพราะฉันไม่ต้องการ ต้องลงทุนสร้างโครงสร้างพื้นฐานและบำรุงรักษาโครงสร้างพื้นฐาน” เป็นต้น
ต่อไปคือการเลือกกรณีธุรกิจ หากคุณไม่เคยทำการเรียนรู้ด้วยเครื่องมาก่อนคุณต้องการ เพื่อเริ่มต้นกับกรณีธุรกิจที่นำไปสู่ผลลัพธ์ทางธุรกิจที่ดี บ่อยครั้ง สิ่งที่สามารถเกิดขึ้นกับการเรียนรู้ของเครื่องคือการเห็นว่ามันเจ๋ง ทำการสาธิตที่ยอดเยี่ยมจริงๆ แต่สิ่งเหล่านั้นไม่ได้แปลเป็นผลลัพธ์ทางธุรกิจ ดังนั้น คุณจึงเริ่มการทดลองและคุณ ไม่ได้รับการสนับสนุนที่คุณต้องการจริงๆ
สุดท้ายคุณต้องมีความมุ่งมั่นเพราะการเรียนรู้ของเครื่องเป็นกระบวนการที่ทำซ้ำได้มาก คุณกำลังฝึกโมเดล โมเดลแรกที่คุณฝึกอาจไม่ ได้ผลลัพธ์ที่คุณต้องการ มีกระบวนการทดลองและทำซ้ำที่คุณต้องผ่าน ew เดือนเพื่อให้ได้ผลลัพธ์ ดังนั้น การรวมทีมและให้การสนับสนุนที่พวกเขาต้องการจึงเป็นส่วนสุดท้าย
ถ้าฉันต้องใส่สิ่งนี้ในแง่ของลำดับขั้นตอน การมีข้อมูลและ วัฒนธรรมข้อมูล ในกรณีส่วนใหญ่ ลูกค้าต้องเลือกใช้บริการที่มีการจัดการเพื่อสร้างและฝึกโมเดลของตนในระบบคลาวด์ เพียงเพราะว่าคุณได้รับพื้นที่เก็บข้อมูลง่ายขึ้นมากและประมวลผลได้ง่ายขึ้นมาก ประการที่สามคือการเลือกกรณีการใช้งานที่จะมีมูลค่าทางธุรกิจ เพื่อให้บริษัทของคุณรู้ว่านี่คือสิ่งที่คุณต้องการปรับใช้ในวงกว้าง และสุดท้าย ให้อดทนและเต็มใจที่จะทดลองและทำซ้ำ เพราะมักจะต้องใช้เวลาเล็กน้อยในการรับข้อมูลที่จำเป็นในการฝึกโมเดลให้ดีและรับมูลค่าทางธุรกิจ
Laurel: ใช่แล้ว เพราะมันไม่ใช่สิ่งที่เกิดขึ้นในชั่วข้ามคืน
Bratin: มันไม่ได้เกิดขึ้นในชั่วข้ามคืน
Laurel: บริษัทเตรียมการใช้ประโยชน์จากข้อมูลอย่างไร? เพราะอย่างที่คุณบอก นี่เป็นกระบวนการสี่ขั้นตอน แต่คุณยังต้องมีความอดทนในตอนท้ายจึงจะทำซ้ำและทดลองได้ ตัวอย่างเช่น คุณมีแนวคิดเกี่ยวกับวิธีที่บริษัทต่างๆ สามารถคิดเกี่ยวกับข้อมูลของตนในลักษณะที่ทำให้พวกเขาพร้อมที่จะเห็นความสำเร็จได้ดีขึ้น บางทีอาจด้วยการทดลองครั้งแรก และอาจต้องผจญภัยอีกเล็กน้อยเมื่อลองใช้ชุดข้อมูลอื่นๆ หรือวิธีอื่นๆ ของการเข้าถึงข้อมูล?
Bratin: ใช่ บริษัทมักจะเริ่มต้นด้วยกรณีการใช้งานที่พวกเขามีประวัติการมีข้อมูลที่ดี สิ่งที่ฉันหมายถึงโดยประวัติการมีข้อมูลที่ดีคือพวกเขามีบันทึกการทำธุรกรรมที่ทำขึ้นและบันทึกส่วนใหญ่ถูกต้อง ตัวอย่างเช่น คุณไม่มีรายการบันทึกที่ว่างเปล่าจำนวนมาก
โดยปกติ เราพบว่าระดับของข้อมูลครบถ้วนแตกต่างกันไปตามส่วนต่างๆ ของบริษัท คุณเริ่มต้นด้วยส่วนของบริษัทที่วัฒนธรรมข้อมูลเป็นที่แพร่หลายมากขึ้น คุณเริ่มต้นจากที่นั่นเพื่อให้คุณมีบันทึกธุรกรรมในอดีตที่คุณเก็บไว้ คุณต้องการมีข้อมูลที่ค่อนข้างหนาแน่นเพื่อใช้ฝึกโมเดลของคุณ
Laurel
- : เหตุใดจึงเป็นเวลาที่เหมาะสมสำหรับบริษัทต่างๆ ในการเริ่มคิดเกี่ยวกับการนำการเรียนรู้ของเครื่องไปใช้ในระบบคลาวด์
Bratin: ฉันคิดว่าตอนนี้มีปัจจัยมาบรรจบกัน หนึ่งคือการเรียนรู้ของเครื่องในช่วงห้าปีที่ผ่านมาได้เริ่มต้นขึ้นจริงๆ นั่นเป็นเพราะปริมาณการประมวลผลที่เพิ่มขึ้นอย่างรวดเร็วมาก หากคุณย้อนกลับไปสู่การปฏิวัติไอที การปฏิวัติด้านไอทีนั้นถูกขับเคลื่อนโดยกฎของมัวร์ ภายใต้กฎของมัวร์ การคำนวณจะเพิ่มเป็นสองเท่าทุกๆ 18 เดือน
ในช่วงสองสามปีที่ผ่านมา จำนวนการคำนวณทั้งหมดเพิ่มขึ้นเป็นสองเท่าเกือบทุกสี่เดือน มากกว่ากฎของมัวร์ถึงห้าเท่า จำนวนความคืบหน้าที่เราเห็นในช่วงสี่ถึงห้าปีที่ผ่านมานั้นน่าทึ่งมาก ด้วยเหตุนี้ ฟังก์ชันมากมายที่มนุษย์สามารถทำได้เพียงครั้งเดียว เช่น การตรวจจับวัตถุหรือการทำความเข้าใจคำพูด กำลังถูกดำเนินการโดยคอมพิวเตอร์และโมเดลการเรียนรู้ของเครื่อง ด้วยเหตุนี้ ความสามารถมากมายจึงถูกปลดปล่อยออกมา นั่นคือสิ่งที่นำไปสู่การเพิ่มขึ้นอย่างมากในการประยุกต์ใช้แมชชีนเลิร์นนิง—คุณสามารถใช้สำหรับการปรับเปลี่ยนในแบบของคุณ คุณสามารถใช้ในการดูแลสุขภาพและการเงิน คุณสามารถใช้สำหรับงานต่างๆ เช่น การทำนายการเลิกรา การตรวจจับการฉ้อโกง และอื่นๆ
เหตุผลหนึ่งที่ตอนนี้เป็นเวลาที่ดีในการเริ่มต้นการเรียนรู้ด้วยเครื่องในระบบคลาวด์ก็คือความคืบหน้าจำนวนมหาศาลในช่วงไม่กี่ปีที่ผ่านมาซึ่งได้ปลดปล่อยความสามารถใหม่เหล่านี้ที่ไม่เคยมีมาก่อน เป็นไปได้
เหตุผลที่สองคือบริการแมชชีนเลิร์นนิงจำนวนมากที่สร้างขึ้นในระบบคลาวด์ทำให้ผู้คนจำนวนมากขึ้นสามารถเข้าถึงแมชชีนเลิร์นนิงได้ แม้ว่าคุณจะดูเมื่อสี่ถึงห้าปีที่แล้ว แมชชีนเลิร์นนิงเป็นสิ่งที่มีเพียงผู้ปฏิบัติงานที่เชี่ยวชาญเท่านั้นที่สามารถทำได้ และมีเพียงไม่กี่บริษัทที่สามารถทำได้เพราะพวกเขามีผู้เชี่ยวชาญ วันนี้ เรามีลูกค้ามากกว่าหนึ่งแสนรายที่ใช้บริการแมชชีนเลิร์นนิงของเรา นั่นบอกคุณว่าแมชชีนเลิร์นนิงได้รับการทำให้เป็นประชาธิปไตยในวงกว้าง ดังนั้นอีกหลายบริษัทจึงสามารถเริ่มใช้แมชชีนเลิร์นนิงและเปลี่ยนแปลงธุรกิจของตนได้
แล้วเหตุผลที่สามก็คือคุณ มีความสามารถที่น่าทึ่งซึ่งเป็นไปได้ในขณะนี้ และคุณมีเครื่องมือบนคลาวด์ที่ทำให้ความสามารถเหล่านี้เป็นประชาธิปไตย วิธีที่ง่ายที่สุดในการเข้าถึงเครื่องมือเหล่านี้และความสามารถเหล่านี้คือผ่านระบบคลาวด์ เพราะในขั้นแรก ให้รากฐานของการประมวลผลและข้อมูล แมชชีนเลิร์นนิงเป็นหัวใจหลักในการประมวลผลข้อมูลจำนวนมาก ในระบบคลาวด์ คุณจะเข้าถึงการประมวลผลล่าสุดได้ คุณจ่ายตามจริง และไม่ต้องลงทุนจำนวนมากล่วงหน้าเพื่อตั้งค่าฟาร์มคำนวณ คุณยังได้รับพื้นที่เก็บข้อมูลทั้งหมด ความปลอดภัย ความเป็นส่วนตัว และการเข้ารหัส และอื่นๆ—โครงสร้างพื้นฐานหลักทั้งหมดที่จำเป็นสำหรับการเรียนรู้ของเครื่อง
Laurel: ดังนั้น Bratin AWS สร้างสรรค์นวัตกรรมเพื่อช่วยองค์กรด้วยการเรียนรู้ของเครื่อง การฝึกโมเดล และการอนุมานอย่างไร
Bratin: ที่ AWS ทุกสิ่งที่เราดำเนินการคืนมาจากลูกค้าและค้นหาวิธีที่เราลดจำนวนของพวกเขา จุดปวดและวิธีที่เราทำให้การเรียนรู้ของเครื่องง่ายขึ้นสำหรับพวกเขา ที่ด้านล่างสุดของบริการแมชชีนเลิร์นนิง เรากำลังสร้างนวัตกรรมบนโครงสร้างพื้นฐานแมชชีนเลิร์นนิง เพื่อให้เราสามารถทำให้ลูกค้าทำแมชชีนเลิร์นนิงราคาถูกลง และลูกค้าทำแมชชีนเลิร์นนิงเร็วขึ้น เรามีนวัตกรรม AWS สองรายการ หนึ่งคือ Inferentia และอีกอันคือ Trainium ชิปเหล่านี้เป็นชิปแบบกำหนดเองที่เราออกแบบที่ AWS ซึ่งสร้างมาเพื่อการอนุมานโดยเฉพาะ ซึ่งเป็นกระบวนการคาดการณ์ของแมชชีนเลิร์นนิงและสำหรับการฝึกอบรม Inferentia ในปัจจุบันมีอินสแตนซ์การอนุมานต้นทุนต่ำที่สุดในคลาวด์ และเมื่อ Trainium พร้อมให้บริการในปลายปีนี้ จะให้บริการอินสแตนซ์การฝึกอบรมที่มีประสิทธิภาพและคุ้มค่าที่สุดในระบบคลาวด์
วันนี้เรามีลูกค้าจำนวนมากที่ใช้ Inferentia Autodesk ใช้ Inferentia เพื่อโฮสต์โมเดลแชทบอท และสามารถปรับปรุงค่าใช้จ่ายและเวลาแฝงได้เกือบห้าเท่า Airbnb มีเจ้าของที่พักมากกว่าสี่ล้านคนที่ต้อนรับแขกมากกว่า 900 ล้านคนในเกือบทุกประเทศ Airbnb เห็นอัตราการส่งข้อมูลที่ดีขึ้นสองเท่าโดยใช้อินสแตนซ์ Inferentia ซึ่งหมายความว่าพวกเขาสามารถให้บริการตามคำขอการสนับสนุนลูกค้าได้เกือบสองเท่ามากกว่าที่พวกเขาจะทำได้ บริษัทอื่นชื่อ Sprinklr พัฒนาแพลตฟอร์มประสบการณ์ลูกค้า SaaS และมีแพลตฟอร์มการจัดการประสบการณ์ลูกค้าแบบรวมศูนย์ที่ขับเคลื่อนด้วย AI พวกเขาสามารถปรับใช้โมเดลการประมวลผลภาษาธรรมชาติใน Inferentia และพวกเขาเห็นการปรับปรุงประสิทธิภาพที่สำคัญเช่นกัน
แม้แต่ภายในทีม Alexa ของเราสามารถย้ายการอนุมานจาก GPU ไปยัง Inferentia ระบบที่ทำงานบนพื้นฐาน และพวกเขาเห็นว่าต้นทุนเพิ่มขึ้นมากกว่า 50% เนื่องจากระบบที่ใช้ Inferentia เหล่านี้ ดังนั้นเราจึงมีสิ่งนั้นอยู่ที่เลเยอร์ต่ำสุดของโครงสร้างพื้นฐาน ยิ่งไปกว่านั้น เรามีบริการที่มีการจัดการ ซึ่งเรากำลังสร้างนวัตกรรมเพื่อให้ลูกค้ามีประสิทธิผลมากขึ้น นั่นคือที่ที่เรามี SageMaker Studio ซึ่งเป็น IDE แรกของโลก ที่นำเสนอเครื่องมือต่างๆ เช่น ตัวแก้ไขจุดบกพร่องและตัวสร้างโปรไฟล์ และความสามารถในการอธิบาย และเครื่องมืออื่นๆ เช่น เครื่องมือเตรียมข้อมูลภาพ ที่ทำให้ลูกค้ามีประสิทธิผลมากขึ้น เหนือสิ่งอื่นใด เรามีบริการ AI ที่เราจัดเตรียมโมเดลที่ได้รับการฝึกอบรมไว้ล่วงหน้าสำหรับกรณีการใช้งาน เช่น การค้นหาและการประมวลผลเอกสาร—Kendra สำหรับการค้นหา ข้อความสำหรับการประมวลผลเอกสาร การจดจำภาพและวิดีโอ—ที่ซึ่งเรากำลังสร้างสรรค์สิ่งใหม่ๆ เพื่อให้ลูกค้าง่ายขึ้น เพื่อจัดการกับกรณีการใช้งานเหล่านี้ทันที
Laurel : แน่นอนว่ามีประโยชน์บางประการสำหรับบริการแมชชีนเลิร์นนิงในระบบคลาวด์ เช่น การบริการลูกค้าที่ดีขึ้น คุณภาพที่ดีขึ้น และหวังว่าจะได้กำไรเพิ่มขึ้น แต่ตัวบ่งชี้ประสิทธิภาพหลักใดที่มีความสำคัญต่อความสำเร็จของโครงการการเรียนรู้ของเครื่อง และ เหตุใดตัวชี้วัดเหล่านี้จึงมีความสำคัญ
Bratin: พวกเราคือ ทำงานกลับจากลูกค้า ทำงานกลับจากจุดปวดตามสิ่งที่ลูกค้าบอกเรา และการประดิษฐ์ในนามของลูกค้าเพื่อดูว่าเราจะสามารถสร้างสรรค์สิ่งใหม่ ๆ เพื่อให้พวกเขาทำการเรียนรู้ด้วยเครื่องได้ง่ายขึ้นได้อย่างไร ส่วนหนึ่งของการเรียนรู้ของเครื่องดังที่ได้กล่าวมาแล้วคือการคาดคะเน บ่อยครั้ง ต้นทุนสูงในการเรียนรู้ของเครื่องในแง่ของโครงสร้างพื้นฐานอยู่ในการอนุมาน นั่นคือเหตุผลที่เราเปิดตัว Inferentia ซึ่งเป็นอินสแตนซ์การเรียนรู้ของเครื่องที่คุ้มค่าที่สุดในระบบคลาวด์ในปัจจุบัน ดังนั้น เรากำลังสร้างสรรค์นวัตกรรมในระดับฮาร์ดแวร์
เรายังเปิดตัว Tranium นั่นจะเป็นอินสแตนซ์การฝึกอบรมที่ทรงพลังและคุ้มค่าที่สุดในระบบคลาวด์ ดังนั้นเราจึงเริ่มคิดค้นนวัตกรรมที่เลเยอร์โครงสร้างพื้นฐาน เพื่อให้เราสามารถให้การประมวลผลที่คุ้มค่าที่สุดแก่ลูกค้า
ต่อไป เรามาดูจุดอ่อนของสิ่งที่ต้องทำ สร้างบริการ ML คุณต้องการบริการรวบรวมข้อมูล คุณต้องมีวิธีการตั้งค่าโครงสร้างพื้นฐานแบบกระจาย คุณต้องมีวิธีการตั้งค่าระบบการอนุมาน และสามารถปรับขนาดได้โดยอัตโนมัติ และอื่นๆ เราคิดมามากแล้วเกี่ยวกับวิธีสร้างโครงสร้างพื้นฐานและนวัตกรรมนี้กับลูกค้า
จากนั้นเราก็ดูกรณีการใช้งานบางกรณี ดังนั้น สำหรับกรณีการใช้งานเหล่านี้จำนวนมาก ไม่ว่าจะเป็นการค้นหา การจดจำและการตรวจจับวัตถุ หรือการประมวลผลเอกสารอัจฉริยะ เรามีบริการที่ลูกค้าสามารถใช้ได้โดยตรง และเรายังคงสร้างสรรค์สิ่งใหม่ๆ ในนามของพวกเขาต่อไป ฉันแน่ใจว่าเราจะมีคุณลักษณะอีกมากมายในปีนี้ และต่อไปเพื่อดูว่าเราจะทำให้ลูกค้าของเราใช้การเรียนรู้ของเครื่องได้ง่ายขึ้นได้อย่างไร
ลอเรล: ตัวบ่งชี้ประสิทธิภาพหลักใดที่มีความสำคัญต่อความสำเร็จของโครงการการเรียนรู้ของเครื่อง เราได้พูดคุยกันเล็กน้อยเกี่ยวกับวิธีที่คุณต้องการปรับปรุงการบริการลูกค้าและคุณภาพ และแน่นอนว่าเพิ่มผลกำไร แต่การกำหนด KPI ให้กับโมเดลการเรียนรู้ของเครื่อง นั้นแตกต่างออกไปเล็กน้อย และทำไมมันถึงสำคัญนัก
Bratin: เพื่อมอบหมาย KPI คุณต้องแก้ไขจากกรณีการใช้งานของคุณ สมมติว่าคุณต้องการใช้การเรียนรู้ของเครื่องเพื่อลดการฉ้อโกง KPI โดยรวมของคุณคือ การตรวจจับการฉ้อโกงที่ลดลงคืออะไร? หรือสมมติว่าคุณต้องการใช้เพื่อลดการปั่น คุณกำลังดำเนินธุรกิจ ลูกค้าของคุณกำลังมา แต่มีลูกค้าจำนวนหนึ่งกำลังเลิกกิจการ คุณต้องการเริ่มต้นด้วย ฉันจะลดการเลิกของลูกค้าได้อย่างไร? ดังนั้น คุณเริ่มต้นด้วย KPI ระดับบนสุด ซึ่งเป็นผลลัพธ์ทางธุรกิจที่คุณต้องการบรรลุ และวิธีปรับปรุงผลลัพธ์ทางธุรกิจนั้น
มาดูตัวอย่างการทำนายความปั่นป่วนกัน . ในท้ายที่สุด สิ่งที่เกิดขึ้นคือคุณมีโมเดลการเรียนรู้ของเครื่องที่ใช้ข้อมูลและจำนวนการฝึกอบรมที่จำเป็นสำหรับการคาดการณ์ว่าลูกค้ารายใดจะเลิกใช้ ที่เดือดลงไปถึงความถูกต้องของแบบจำลอง ถ้านายแบบบอกว่าคนจะปั่น 100 คน จะปั่นจริงกี่คน? นั่นจึงกลายเป็นคำถามเกี่ยวกับความถูกต้อง จากนั้นคุณยังต้องดูว่าโมเดลการเรียนรู้ของเครื่องตรวจพบกรณีทั้งหมดได้ดีเพียงใด
ดังนั้นคุณภาพที่คุณกำลังมองหามีสองด้าน หนึ่งคือ สิ่งที่แบบจำลองทำนาย มีกี่สิ่งที่เกิดขึ้นจริง? สมมุติว่าโมเดลนี้ทำนายว่าลูกค้า 100 รายนี้กำลังจะเลิกรา มีกี่คนที่ปั่นจริง? และสมมุติว่า 95 อันปั่นป่วนจริงๆ ดังนั้น คุณมีความแม่นยำ 95% ตรงนั้น อีกแง่มุมหนึ่งคือ สมมติว่าคุณกำลังดำเนินธุรกิจนี้และมีลูกค้า 1,000 ราย สมมุติว่าในปีหนึ่งๆ มี 200 คนเลิกกัน โมเดลที่ทำนายไว้ว่าจะปั่นป่วนจริง ๆ จาก 200 ตัวนั้นมีกี่ตัว? นั่นเรียกว่าการเรียกคืน ซึ่งเมื่อพิจารณาจากชุดทั้งหมดแล้ว โมเดลการเรียนรู้ของเครื่องจะสามารถทำนายได้เท่าใด โดยพื้นฐานแล้ว คุณเริ่มต้นจากเมตริกธุรกิจนี้ ซึ่งเป็นผลลัพธ์ที่ฉันต้องการได้รับ จากนั้นคุณสามารถแปลงเป็นเมตริกความแม่นยำของแบบจำลองในแง่ของความแม่นยำ ซึ่งเป็นแบบจำลองในการทำนายบางสิ่งที่แม่นยำเพียงใด แล้วเรียกคืน ซึ่งเป็นแบบจำลองที่ละเอียดถี่ถ้วนหรือครอบคลุมเพียงใดในการตรวจจับทุกสถานการณ์
ดังนั้น ในระดับสูง สิ่งเหล่านี้คือสิ่งที่คุณต้องการ แล้วคุณจะลงไปที่ตัวชี้วัดระดับล่าง โมเดลต่างๆ กำลังทำงานบนอินสแตนซ์บางอย่างในการประมวลผลบางส่วน: ต้นทุนโครงสร้างพื้นฐานคืออะไร และฉันจะลดต้นทุนเหล่านั้นได้อย่างไร ตัวอย่างเช่น บริการเหล่านี้ถูกใช้เพื่อรับมือกับไฟกระชากในช่วง Prime Day หรือ Black Friday เป็นต้น ถ้าอย่างนั้น คุณจะไปที่เมตริกระดับล่างๆ เหล่านั้น ซึ่งก็คือ ฉันสามารถรับมือกับการเข้าชมที่เพิ่มขึ้นอย่างรวดเร็วได้หรือไม่ เป็นชุด KPI ที่มีลำดับชั้นจริงๆ เริ่มต้นด้วยตัววัดทางธุรกิจ ลงไปที่ตัววัดแบบจำลอง แล้วลงไปที่ตัววัดโครงสร้างพื้นฐาน
Laurel: เมื่อคุณนึกถึงแมชชีนเลิร์นนิงในคลาวด์ในอีก 3-5 ปีข้างหน้า คุณเห็นอะไร สิ่งที่คุณคิดเกี่ยวกับ? ตอนนี้บริษัทต่างๆ สามารถทำอะไรได้บ้างเพื่อเตรียมพร้อมสำหรับสิ่งที่จะเกิดขึ้น
Bratin: ฉันคิดว่าสิ่งที่จะเกิดขึ้นคือการเรียนรู้ของเครื่องจะแพร่หลายมากขึ้น เพราะสิ่งที่จะเกิดขึ้นคือลูกค้าจะเห็นว่าพวกเขาสามารถเปลี่ยนแปลงวิธีการทำธุรกิจได้อย่างพื้นฐาน บริษัทต่างๆ จะเห็นว่าโดยพื้นฐานแล้วพวกเขากำลังเปลี่ยนแปลงประสบการณ์ของลูกค้า และจะเปิดรับการเรียนรู้ของเครื่อง เราได้เห็นแล้วว่าที่ Amazon เช่นกัน—เรามีประวัติศาสตร์อันยาวนานในการลงทุนในแมชชีนเลิร์นนิง เราทำสิ่งนี้มากว่า 20 ปี และเราได้เปลี่ยนวิธีการให้บริการลูกค้าด้วย amazon.com หรือ Alexa หรือ Amazon Go, Prime และตอนนี้กับ AWS ซึ่งเราได้นำความรู้นี้ไป ได้รับในช่วงสองทศวรรษที่ผ่านมาของการปรับใช้แมชชีนเลิร์นนิงในวงกว้างและกำลังเปิดให้ลูกค้าของเราใช้งานได้ในขณะนี้ ฉันคิดว่าเราจะเห็นการเรียนรู้ของเครื่องเร็วขึ้นมาก
จากนั้นเราจะเห็นกรณีการใช้งานกว้างๆ มากมาย เช่น การประมวลผลเอกสารอัจฉริยะ การใช้กระดาษจำนวนมาก การประมวลผลจะกลายเป็นแบบอัตโนมัติ เนื่องจากขณะนี้โมเดลการเรียนรู้ของเครื่องสามารถสแกนเอกสารเหล่านั้นและอนุมานข้อมูลจากเอกสารเหล่านั้นได้—อนุมานข้อมูลเชิงความหมาย ไม่ใช่แค่เพียงไวยากรณ์ หากคุณนึกถึงกระบวนการที่เป็นกระดาษ ไม่ว่าจะเป็นการประมวลผลเงินกู้และการประมวลผลการจำนอง หลายๆ อย่างจะเป็นไปโดยอัตโนมัติ จากนั้น เรายังเห็นว่าธุรกิจต่างๆ มีประสิทธิภาพมากขึ้นในแง่ของการปรับเปลี่ยนในแบบของคุณ เช่น การคาดการณ์ การคาดการณ์ซัพพลายเชน การคาดการณ์อุปสงค์ และอื่นๆ
เราเห็นการใช้เครื่องจักรจำนวนมาก การเรียนรู้ด้านสุขภาพ เรามีลูกค้า เช่น GE ใช้บริการแมชชีนเลิร์นนิงสำหรับรังสีวิทยา พวกเขาใช้แมชชีนเลิร์นนิงเพื่อสแกนภาพรังสีวิทยาเพื่อพิจารณาว่าภาพใดที่ร้ายแรงกว่า ดังนั้น คุณจึงต้องการให้ผู้ป่วยมาก่อน เรายังมองเห็นศักยภาพและโอกาสในการใช้แมชชีนเลิร์นนิงในจีโนมิกส์เพื่อการแพทย์ที่แม่นยำ ดังนั้น ฉันคิดว่านวัตกรรมมากมายจะเกิดขึ้นกับแมชชีนเลิร์นนิงในการดูแลสุขภาพ
เราจะเห็นแมชชีนเลิร์นนิงจำนวนมากในการผลิต กระบวนการผลิตจำนวนมากจะมีประสิทธิภาพมากขึ้น เป็นอัตโนมัติ และปลอดภัยยิ่งขึ้นเนื่องจากการเรียนรู้ของเครื่อง
ดังนั้น ในอีก 5-10 ปีข้างหน้า ฉันเห็นว่าจะเลือกโดเมนใด เช่น กีฬา , NFL, NASCAR, Bundesliga ต่างก็ใช้บริการแมชชีนเลิร์นนิงของเรา NFL ใช้ Amazon SageMaker เพื่อมอบประสบการณ์ที่สมจริงยิ่งขึ้นให้กับแฟนๆ ผ่าน Next Gen Stats บุนเดสลีกาใช้บริการแมชชีนเลิร์นนิงของเราเพื่อคาดการณ์ช่วงต่างๆ และมอบประสบการณ์ที่สมจริงยิ่งขึ้น เช่นเดียวกับนาสคาร์ NASCAR มีประวัติข้อมูลมากมายจากเผ่าพันธุ์ของพวกเขา และพวกเขากำลังใช้ข้อมูลนั้นเพื่อฝึกแบบจำลองเพื่อมอบประสบการณ์ที่สมจริงยิ่งขึ้นแก่ผู้ชม เนื่องจากพวกเขาสามารถคาดการณ์ได้ง่ายกว่ามากว่าจะเกิดอะไรขึ้น ดังนั้น กีฬา, ความบันเทิง, บริการทางการเงิน, การดูแลสุขภาพ, การผลิต—ฉันคิดว่าเราจะเห็นการเรียนรู้ของเครื่องมากขึ้นและทำให้โลกนี้ฉลาดขึ้น มีสุขภาพดีขึ้น และปลอดภัยยิ่งขึ้น
Laurel: ช่างเป็นบทสนทนาที่ยอดเยี่ยมจริงๆ ขอบคุณมาก Bratin ที่มาร่วมงานกับเรา Business Lab.
Bratin: ขอขอบคุณ. ขอบคุณที่มีฉัน มันดีมากที่ได้คุยกับคุณ
ลอเรล: นั่นคือ Dr. Bratin Saha รองประธานและผู้จัดการทั่วไปของ Machine Learning Services สำหรับ Amazon AI ซึ่งฉันได้พูดคุยด้วยจากเมืองเคมบริดจ์ รัฐแมสซาชูเซตส์ ซึ่งเป็นบ้านของ MIT และ MIT Technology Review ที่มองเห็นแม่น้ำชาร์ลส์ แค่นั้นแหละสำหรับตอนนี้ของ Business Law ฉันเป็นเจ้าภาพของคุณ ลอเรล รูมา ฉันเป็นผู้อำนวยการ Insights แผนกเผยแพร่ที่กำหนดเองของ MIT Technology Review เราก่อตั้งขึ้นในปี พ.ศ. 2442 ที่สถาบันเทคโนโลยีแมสซาชูเซตส์ และคุณยังสามารถพบเราในรูปแบบภาพพิมพ์บนเว็บและในงานต่างๆ ในแต่ละปีทั่วโลก สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเราและงานแสดง โปรดตรวจสอบเว็บไซต์ของเราที่ technologyreview.com รายการนี้พร้อมให้บริการทุกที่ที่คุณได้รับพอดแคสต์ หากคุณชอบตอนนี้ เราหวังว่าคุณจะสละเวลาสักครู่เพื่อให้คะแนนและวิจารณ์เรา Business Lab เป็นผลงานของ MIT Technology Review ตอนนี้ผลิตโดย Collective Next ขอบคุณสำหรับการฟัง.
