原標題：“云、數、智三位一體”難在哪？亞馬遜云科技讓難題有解

這幾年，關于“云(Cloud)、數（Bigdata）、智（Artificial Intelligence）”三位一體的說法絡繹不絕，不管是ABC還是CBA，各大云服務商都希望充分利用云計算這個平臺，將各種復雜的數據處理技術、機器學習技術等進行融合，以方便用戶更好地洞察數據價值來驅動數字化轉型。

但理想很豐滿、現實卻比較骨感。云數智的融合絕非易事。一方面，從組織架構、人員能力、項目實施和工具支撐層面上，云數智融合的需求正在不斷增加；另一方面，很多用戶受制于歷史原因、真實環(huán)境、團隊能力等因素，使得云數智融合普遍存在著很大的障礙。

如何打破這種局面？

近日，亞馬遜云科技推出“云、數、智三位一體”的大數據與機器學習融合服務組合，真正從用戶真實問題與需求出發(fā)，推進大數據和機器學習的融合，加速企業(yè)機器學習規(guī)?；穆涞亍?/p>

三大挑戰(zhàn)不容回避

IDC預測，到2022年，60%的中國1000強公司將在所有關鍵業(yè)務的橫向職能中擴大使用AI/ML，如營銷、法務、人力資源、采購和供應鏈、物流等。Gartner也預測，到2024年，75%的企業(yè)將把機器學習技術用于生產，為企業(yè)業(yè)務賦能。

隨著機器學習等AI技術在企業(yè)數字化轉型中的深入應用，使得數據驅動型的應用場景開始大量誕生。與此同時，也帶來對于基礎數據服務的需求，甚至在對企業(yè)數字化轉型方方面面產生影響。亞馬遜云科技大中華區(qū)產品部總經理陳曉建直言，企業(yè)要想重塑數據洞察，一定會將數據和只能進行融合、統(tǒng)一，從而更加高效地圍繞數據構建和實施項目，使得數據在兩者之間無縫流轉，成員快速具備相關能力，推動公司企業(yè)數字化轉型邁向新的高度。

如果從企業(yè)數字化轉型的真實需求分析，云數智融合已經是迫在眉睫。首先，在組織架構層面，分散在各個部門的機器學習實踐需要加速走向整合，并與大數據項目進行統(tǒng)一協(xié)調、資源配置；其次，從人員能力層面看，大數據從業(yè)者具備承接機器學習相關項目的需求，機器學習從業(yè)者則需要掌大數據處理能力；第三，從項目實施層面看，企業(yè)越來越多數據驅動型的業(yè)務場景需要融合大數據和機器學習兩者的能力；最后，需要面向大數據技術和機器學習技術構建統(tǒng)一的開發(fā)平臺和技術基礎，或者對已有大數據平臺改造增加機器學習相關場景或者能力，或者重新構建一個面向兩者的通用平臺。

在亞馬遜云科技看來，在很多企業(yè)的真實情況中，企業(yè)的數據分析和機器學習融合卻絕非易事，普遍存在著三大問題：

• 其一、由于企業(yè)數字化發(fā)展的歷史原因，大數據和機器學習通常存在不同的團隊，分而治之的方式使得數據和技術處于孤島狀態(tài)，制約了敏捷迭代。
• 其二、很多傳統(tǒng)企業(yè)往往是有好算法、卻不具備處理處理海量數據規(guī)模的能力，使得企業(yè)空有好算法，無法對算法進行大量數據輸入迭代與優(yōu)化，從而使得算法模型效果與實際業(yè)務目標相差甚遠。
• 其三、模型在企業(yè)的實驗環(huán)節(jié)效果良好，一到真實業(yè)務場景中卻不盡人意，大部分企業(yè)的數據分析人員對業(yè)務參與度低，而真實的業(yè)務場景遠比實驗環(huán)境復雜。

“最開始很少有用戶會考慮將大數據和機器學習放在一起，通常采取的是分開獨立建設。”陳曉建補充道，“以如今應用廣泛的推薦系統(tǒng)為例，經常會用到用戶屬性進行大數據分析，通常是以文本的方式；但機器學習必須要轉成特定格式才行，一旦標簽體系比較復雜，這又是機器學習團隊所不具備的能力。”

面對上述普遍挑戰(zhàn)，亞馬遜云科技的理念是從用戶需求出發(fā)，反向打造出廣泛和深入的服務，打通大數據和機器學習兩個領域的數據治理底層服務，在云中構建起統(tǒng)一的數據基礎底座，實現大數據與機器學習之間的互相賦能，為企業(yè)數字化轉提供新動力。

如何做到雙劍合璧

不難看出，雖然市場上提出云數智三位一體的云服務商不在少數，但是真正能夠在技術、產品層面實現有效融合的不錯。因為很多幾乎都是產品表面上的集成，缺乏統(tǒng)一融合的數據治理底座，以及大數據與機器學習之間高效充分的雙向互動。

亞馬遜云科技認為，大數據與機器學習要想真正實現融合，必須具備三大核心能力：一、統(tǒng)一的數據共享，讓數據資產化、打破數據孤島；二、統(tǒng)一的權限管控，讓數據在不同的業(yè)務系統(tǒng)中高效流動；三、統(tǒng)一的開發(fā)及流程編排，從端到端實現大數據和機器學習任務的融合，提升整體開發(fā)效率。

亞馬遜云科技大中華區(qū)產品部總經理陳曉建

“統(tǒng)一的治理底座可以實現如數據治理、數據權限、數據開發(fā)、數據工作流、可視化等；而大數據與機器學習高效充分的雙向互動，則可以互為支撐、互為因果，形成正向循環(huán)，最終為企業(yè)級發(fā)展提供新動力?！标悤越ㄑa充道。

事實上，高效融合意味著云服務商需要將涉及到大數據、機器學習的大量產品、功能在技術、業(yè)務邏輯等層面實現深度的融合，對于云服務商的產品與技術能力極為考驗。亞馬遜云科技大中華區(qū)產品部技術專家團隊總監(jiān)王曉野介紹，亞馬遜云科技已經有針對性的服務與工具，來實現大數據與機器學習的高效融合。

首先，亞馬遜云科技在云中構建統(tǒng)一的數據治理底座，實現大數據和機器學習的數據共享，數據權限的統(tǒng)一管控，以及兩者統(tǒng)一的開發(fā)和流程編排。

例如，Amazon Lake Formation諸多新功能實現了數據網格跨部門的數據資產共享和基于單元格的最細粒度的權限控制機制；Amazon SageMaker Studio則可以一站式地完成數據開發(fā)、模型開發(fā)及相關的生產任務，該服務基于多種專門構建的服務，如交互式查詢服務Amazon Athena、云上大數據平臺Amazon Elastic MapReduce （Amazon EMR）、云數據倉庫服務AmazonRedshift、Amazon SageMaker等，為大數據和機器學習提供統(tǒng)一的開發(fā)平臺。

“統(tǒng)一的數據治理底座不僅讓大數據和機器學習高效融合，還減少大數據和機器學習重復構建的工作，大幅降低成本?！蓖鯐砸氨硎镜?。

其次，亞馬遜云科技提供多種靈活可擴展、專門構建的大數據服務，幫助客戶進行復雜的數據加工及處理，應對數據規(guī)模的動態(tài)變化，優(yōu)化數據質量。正所謂，巧婦難為無米之炊，機器學習項目成功的關鍵是對復雜的數據進行加工和準備。亞馬遜云科技以Amazon Redshift、Amazon Managed Streaming for Apache Kafka （AmazonMSK）和 Amazon EMR 為代表的無服務器分析能力，可以讓客戶無需配置、擴展或管理底層基礎設施，即可輕松地處理任何規(guī)模的數據，為機器學習項目提供兼具性能和成本效益的特征數據準備。

“Amazon Athena能夠對支持多種開源框架的大數據平臺，包括Amazon EMR、高性能關系數據庫Amazon Aurora、NoSQL數據庫服務Amazon DynamoDB、Amazon Redshift等多種數據源，對這些數據源進行聯邦查詢，快速完成機器學習建模的數據加工?！蓖鯐砸把a充道。

最后，亞馬遜云科技讓數據分析技術更加低門檻，讓業(yè)務人員也有自住式訓練機器學習模型進行探索創(chuàng)新的能力。例如，在日常分析工具中集成機器學習模型預測能力，其中深度集成機器學習Amazon SageMaker模型預測能力的Amazon QuickSight 、在分析結果中添加基于模型預測的Amazon Athena ML，可幫助用戶使用熟悉的技術，甚至通過自然語言來使用機器學習。

毫無疑問，亞馬遜云科技多年以來在幫助全球數十萬的用戶通過利用大數據和AI技術的基礎上，深刻洞察到大數據與機器學習的融合所帶來的價值、作用，這對于更多行業(yè)用戶降低上云用數賦智的門檻大有裨益，也將成為眾多行業(yè)用戶深入開展數字化和智能化轉型的關鍵。

“亞馬遜云科技還通過數據科學實驗室、機器學習實驗室和機器學習專業(yè)服務等一系列定制化措施，幫助企業(yè)在云上實現數智融合，重塑數據洞察。”陳曉建最后表示道。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。