「機器學習」夯什麼?企業4招快速部署法,即刻轉型踏上創新戰隊

「機器學習」夯什麼?企業4招快速部署法,即刻轉型踏上創新戰隊
Photo Credit: Shutterstock
我們想讓你知道的是

AI經常一起被討論的「兄弟檔」機器學習(Machine Learning)及深度學習(Deep Learning),許多人對這三者的概念,不曉得如何在既有商業模式及IT架構下,運用機器學習快速掌握AI金礦。AWS將於3月27日舉辦線上研討會,深入說明AWS機器學習的實踐方式及最新的AI服務應用。

立即報名:3月27日 AWS線上研討會「加速你的機器學習之旅 – AWS最新技術與應用」

這幾年人工智慧(AI)已成為各行各業的「共同話題」,不論是科技大廠企圖在市場佈局拔得頭籌;抑或新創公司耕耘垂直領域,AI儼然是全球數位轉型的浪潮下,企業寄望保持競爭力的解囊。

AI經常一起被討論的「兄弟檔」機器學習(Machine Learning)及深度學習(Deep Learning),許多人很容易混淆這三者的概念,甚至企業決策者或開發工程師,也是知其意,卻不曉得如何在既有商業模式和IT架構下,運用機器學習快速掌握AI金礦。

我們與機器學習的距離,Netflix的推薦清單為何都不一樣?
AWS_ML
Photo Credit: Shutterstock

首先釐清AI與ML、DL之間的關聯,想像有三個同心圓,最外圈是AI、中間是ML、最內圈是DL。他們之間的差別,簡言之,ML是AI的一個分支,也是實現AI的其中一個途徑;而DL則是從ML的基礎,再更深入執行、優化ML的技術及應用。

從AI到ML,釋放更多運算的潛能,機器在不需經過手動給特殊指令的前提下,憑藉機器本身具備的程式學習能力,不斷使用大量數據,進而持續提升運算出來結果的精準度。換言之,機器持續一連串自動學習過程,讓運算逐漸展現比以往更精準的成效。

解釋這麼多,有沒有更簡單的例子?事實上,我們日常生活,早就充滿ML的身影。從手機的助理功能、智慧音箱的語音辨識,到購物網站跳出「猜你會喜歡」的推播建議,都是藉助大量資料的投入、演算,最後跑出最符合個人化的指令需求。

更具體的ML案例從Facebook觀察,他們利用機器學習功能,無時無刻掌握、分析用戶平常按哪一類貼文讚,在哪些主題停留較長時間,進而演算出更貼近用戶偏好的個人化內容。又或是深受年輕人喜愛的Netflix,也是根據用戶對不同主題影音的觀看長度、停留率,讓ML分析大量複雜資料,所以不同帳號登入,推薦的影片清單自然都不一樣。

自動化到創新化,企業4步輕鬆部署感受ML威力

當然,台灣的中小企業,論IT規模、工程師人數都比不上Facebook、Netflix這樣的大企業,但仍有更快速又輕鬆的方式,從雲端展開ML嘗試之旅。如同Hotels.com副總裁兼資料科學長Matthew Fryer曾說:「AWS是我們精心挑選的ML平台,為開發人員帶來全新方式,協助我們打造世界級旅行平台。」

正因為AWS的信念是「讓機器學習掌握在每個開發人員手中」,所以中小企業的工程師,能夠直接在AWS雲端平台從預先已訓練的AI服務,選擇電腦視覺、語言、推薦或預測等項目。

AWS_ML
Photo Credit: Shutterstock

在雲端展開部署ML旅程,資料運算自動化是第一步起點,快速建立起ML模型,第二步優化數據以擴大價值,接著第三步是增加訓練ML新的功能特徵,擴大企業商業服務多元性,最後一步則是邁向持續創新,將企業掌握的獨特Know-How回饋給產業,帶動市場進步。

要從自動化到持續創新,企業必須經歷:組織擁護ML文化、洞察需要哪些數據、提升團隊技術能量、找尋關鍵商業痛點、持續規模化等五大流程。對一般企業可能覺得不易實現,然而,正因為AWS提供「Amazon SageMaker」這項全受管服務,讓開發人員、資料科學家,得以更快速、輕鬆部署及訓練ML模型。

除了快速導入效益,ML最關鍵在於使用歷史資料進行模型訓練及評估。因為不同資料組容易導致預測結果的有效性,經一段時間後影響模型品質。對此,「Amazon SageMaker」還提供「Model Monitor」模型監控功能,持續偵測模型品質,快速辨識問題並及早採取補救,透過稽核或再訓練模型。

加速邁開ML步伐,3大成功案例及寶藏全在研討會

除了相關功能認知,究竟企業在AWS雲端平台進行ML部署,切確帶來哪些商業服務的優勢呢?以下來自不同行業的3個案例,證明邁開ML佈局步伐,一點都不難。

案例一:台灣石油化工製造商Formosa Plastics

Formosa Plastics致力提供垂直整合塑料樹脂及石油化工產品,是台灣頂尖製造商。為了提升產品質量,決定藉助ML提升品質瑕疵偵測、降低人工成本。Formosa Plastics首選AWS作為探索ML的最佳夥伴,在AWS ML Solutions Lab,從定義商業使用、選擇ML模型到實際部署,獲得AWS大力支援。導入「Amazon SageMaker」之後,Formosa Plastics員工手動檢查時間大幅縮短50%,而且當生產條件變更後,仍能持續優化「SageMaker」模型。

案例二:台灣AI影像分析團隊Beseye

台灣 AI 影像分析團隊Beseye致力提供安全攝影機的人工智慧影像分析服務,獨家的骨幹分析技術,可深度分析場域中人群的行為及意義。藉助「Amazon EC2 P3」提升分析效能,同時透過CloudWatch與ASG等服務有效管理部署,讓Beseye的解決方案落地美國、英國及日本等十個國家。這項AI影像分析技術,目前廣泛應用在大型公共交通設施、大型零售店家、工廠生產線,克服當前人臉辨識無法解決的距離及角度限制等問題。

案例三:國際醫療設備大廠GE Healthcare

國際大廠GE Healthcare為了持續維持競爭力,期望透過ML協助醫院降低營運成本,讓病患獲得更妥善的照護。於是GE Healthcare攜手AWS,在「Amazon SageMaker」平台大規模部署ML解決方案。GE Healthcare與教學醫院合作建立一套演算資料庫,改善傳統X光攝影技術,藉由ML辨識X光片異常結果提升醫師的判斷。最終結果,82% 醫療決策者肯定ML資料庫改善醫護品質;63%受訪表示有效降低病患再次入院率。

看完上述企業成果,開發人員還能透過什麼方式,更快熟悉ML的導入? AWS將在2020年3月27日舉辦一場線上研討會:「加速你的機器學習之旅 – AWS 最新技術與應用」。更深入說明AWS機器學習實踐方式及最新的AI服務應用。另一方面,本次研討會也將邀請台灣 AI 影像分析團隊Beseye,分享他們的商業模式,以及如何善用「Amazon EC2 P3」提升分析效能等實務心得。

相信透過本次研討會,將呈現最廣泛、最深入的機器學習和AI服務說明。

更多AWS機器學習資訊:https://go.aws/2TVAY7a