【AWS re:Invent 2019】AI Head Joel Minnick:機器學習是各行各業都不能錯過的科技

像金融產業現在運用機器學習已經相當成熟了,但現在像農業、運動與製造業,也都有很顯著或很有趣的應用發生。
評論
Photo Credit:INSIDE/Chris攝影
Photo Credit:INSIDE/Chris攝影
評論

在這次 AWS re:Invent 年會上,AWS 發布了大幅降低 AI 使用門檻的服務「SageMaker Studio」。這次我們也專訪到 AI Product Marketing Head Joel Minnick,來談談機器學習對各行各業的可能性。以下為訪談紀錄:

我覺得數位轉型最重要的就是如何讓客戶積極擁抱機器學習,讓機器學習可以被更廣泛使用,這也是 AWS 過去三年所努力的方向,我們一直在想如何降低機器學習得入手門檻。因此在 AI 表層方面,AWS 現在已經有很多功能讓大家使用,不管顧客完全不懂機器學習還是只懂一點點,現在都可以用更快速的速度,透過機器學習的模型讓自己的事業更有效率。

放到今天的發表會,就是 SageMaker Studio 這件事,它是一站式的 IDE 機器學習服務,讓客戶用機器學習時更加簡便。過去兩年 AWS 在發展 AI 時比較關注基礎架構的部分,而現在則更關注顧客在運行 AI 的整體體驗。

機器學習是誰都不能錯過,各行各業都應該使用的科技。像金融產業現在已經相當成熟了,但現在像農業、運動與製造業,也都有很顯著或很有趣的應用發生。

IMG_20191204_085718
▲ Joel 認為機器學習是誰都不能錯過,各行各業都應該使用的科技。Photo Credit:INSIDE/Chris攝影

我舉些例子,我們現在已經跟醫療科技公司合作鑽研早期預測、治療的領域,像現在已經做出可以提前 15 個月預測出心臟病的模型,這對預防治療有非常好的效果。

第二個例子是F1賽車。F1 可說是產生數據點最多的運動之一,包括每個車裡的零件、賽度角度、外在環境,每秒甚至可以產生 20 億個數據點。這麼龐大的數據量就是機器學習派得用場的時候了,我們透過機器學習讓大家瞭解兩件事,第一是賽車的進站策略,F1 每次進站保養維修是攸關勝負的關鍵,什麼時候進站?該換胎嗎?這些都可以用機器學習分析的資料佐證。第二則是在播報比賽的時候,機器學習可以依照每位車手的數據,預估哪台賽車在什麼時間可以超過另一輛,然後解說的時候,主播也能把資料跳出來,跟觀眾詳細解釋為什麼車手可以超車。

AWS_F1
▲ F1 現在跟 AWS 合作用機器學習來播報賽況。Photo Credit:截自 AWS YouTube 頻道

再來分享幾個例子,NASA 現在規劃登陸水星登陸計畫,在設計新的登陸艇時就是跟 AWS 的 AI 合作。過去沒有機器學習的時代,科學家們得一遍又一遍地進行模擬水星環境進行模擬測試,這相當費時費力,而且最後設計出的機型在功能間常常有所取捨。但現在有了 AI 支援,很快就能找出功能兼具的最適化登陸器,節省大量時間與成本,大大提升效率。

另一個好例子就是挪威的乳業公司,這間公司跟眾多農場合作,產量高達幾十萬奶牛。這麼大的公司,還有沒有讓奶牛獲得最好照顧,得到更好品質牛奶的空間呢?我們也用機器學習分析幾百個資料點,對不同農場各自分析出讓奶牛最舒適的生長方案。這個案例我自己非常喜歡,它證明了沒有任何一個產業是機器學習無法幫上忙的。

話說回來,AWS 想讓所有產業都能用 AI 這件事,最大體現的地方就是今天所推出的 SageMaker Autopilot。過去客戶在進行機器學習的時候,要自行整理數據、訓練模型,當然這可以找專業的 AI 團隊來幫忙。但如果你不懂 AI,那這個過程某種程度上是一個「黑箱」。

客戶或數據科學家這時也擔心,也不能確定是不是日後重新訓練可以跑出一樣的結果,但 Autopliot 提取客戶數據後,可以跑出幾個不同模型,讓客戶自己選擇再才部署。比如說第一個模型的準確率超過 90%,但它需要 3 秒鐘才能判別,另一個模型準確只有 85% 卻只要 4 分之一秒就能識別。有的時候客戶的需求是時間反而比準確率重要,這都可以按照他們的需求選擇。

生成模型的過程是完全透明的。顧客在 Autopilot 訓練出的任何模型都會在SageMaker Notebook 自動生成詳細的過程紀錄,顧客、科學家可以深入了解其創建方式的細節,根據需要對其進行優化,將來也都可以隨時把模型訓練出來。

延伸閱讀:




精選熱門好工作

iOS 工程師

FunNow
臺北市.台灣

獎勵 NT$15,000

後端工程師 (Back-End Developer)

FunNow
臺北市.台灣

獎勵 NT$15,000

Web Developer

PicCollage 拼貼趣
臺北市.台灣

獎勵 NT$15,000