亞馬遜開辟了一條通往人工智能下一個前沿的道路

亞馬遜公司(Amazon.com Inc.)有時不會出現(xiàn)在人工智能領(lǐng)域的頂級領(lǐng)導(dǎo)者名單上，而谷歌公司(Google Inc.)、微軟公司(Micros of t Corp.)、Face book Inc.)和IBM公司(IBM Corp.)將會發(fā)生變化。

亞馬遜首席執(zhí)行官杰夫·貝佐斯最近在給股東的年度信中透露，他認為機器學習，AI的分支機構(gòu)教計算機學習，而不是明確的編程，這是他公司未來的關(guān)鍵。

特別是，像今天其他人工智能領(lǐng)導(dǎo)者一樣，亞馬遜專注于深度學習神經(jīng)網(wǎng)絡(luò)，其目的是以原始方式模仿大腦的學習方式。 在過去的幾年里，深度學習導(dǎo)致了語音和圖像識別的巨大進步，使從亞馬遜的Alexa語音助理到谷歌的自動駕駛汽車的一切都成為可能。

正如Bezos所指出的，亞馬遜的一些工作是顯而易見的，比如Alexa、其Prime Air遞送無人機和亞馬遜Go商店，它們使用機器學習來丟棄結(jié)帳線。 其他機器學習工作是幕后的，動力需求預(yù)測，產(chǎn)品建議等等，這就是貝佐斯期望它產(chǎn)生最大影響的地方。

下一步是使用AmazonWe bServices云，通過降低使用它的成本和摩擦，將機器學習傳播給開發(fā)人員。 去年秋天，亞馬遜開始通過新的服務(wù)，如Alexa的腸子Lex，使開發(fā)人員可以通過其云訪問其機器學習，以創(chuàng)建會話接口，如機器人，以及Polly，將文本轉(zhuǎn)化為語音和Rekognition，用于圖像分析和相關(guān)任務(wù)。

貝佐斯說：“客戶已經(jīng)在各地開發(fā)強大的系統(tǒng)，從早期疾病檢測到提高作物產(chǎn)量。 ”“看這個空間。 還有更多。

亞馬遜的創(chuàng)始人不僅僅是追逐最新的熱門趨勢。 機器學習服務(wù)可能對幫助亞馬遜在日益激烈的云計算戰(zhàn)爭中抵御競爭對手至關(guān)重要，因為谷歌和微軟等公司希望在西雅圖在線零售巨頭上立足。 事實上，很明顯，亞馬遜希望成為未來智能應(yīng)用時代的主要技術(shù)供應(yīng)商。

CBInsights在一份新報告中表示：“亞馬遜的下一個支柱可能是人工智能，”與其主要的免費運輸服務(wù)和AWS本身一樣重要。 “亞馬遜比以往任何時候都更渴望成為一家平臺公司。

根據(jù)Gartner等人的計算，它有一條路可以在云機學習產(chǎn)品上趕上微軟和谷歌。 上周在舊金山舉行的AWS開發(fā)商峰會上，該公司宣布了新的更新和功能，旨在開始糾正這種情況。

為了深入研究亞馬遜的機器學習計劃，硅ANGLE在開發(fā)人員會議上與亞馬遜網(wǎng)絡(luò)服務(wù)公司亞馬遜A I副總裁SwamiSivasubramanian進行了交談。 這是經(jīng)過編輯的對話版本：

Q：告訴我亞馬遜在機器學習方面的工作范圍。

A：有三層。 頂級應(yīng)用程序，如Lex、Polly和Rekognition，都是預(yù)先訓練的深度學習模型，應(yīng)用程序編程接口，適用于那些不想了解深度學習的應(yīng)用程序開發(fā)人員，但希望構(gòu)建能夠聽到、說話或看到的智能應(yīng)用程序。

下一層是API平臺服務(wù)，如AmazonMachine Learning，以及EMR[Elastic Map Reduce，用于分析大量數(shù)據(jù)]等各個部分，這些服務(wù)迎合了那些想要在Red Shift[AWS的數(shù)據(jù)倉庫]或關(guān)系數(shù)據(jù)庫中的數(shù)據(jù)之上構(gòu)建自己的機器學習模型的人。 下一層我的團隊做的是圍繞深度學習框架和機器學習算法。

我團隊中的一群科學家正在研究核心深度學習框架。 在AWS，我們非常開放地支持所有的深度學習框架，如從Apache MXNet到TensorFlow到Caffe到Theano等等。

Swami Subramanian，亞馬遜A I在AWS的負責人(資料來源：Linked In)

Q：大體上來說，你想在這里完成什么？

A：我們的目標是使人工智能基本民主化，使每個開發(fā)人員都能訪問人工智能。 在很大程度上，即使在今天建立人工智能，它在許多情況下需要一個博士學位。 D.在機器學習中真正做好..

我們希望能夠建立新的智能應(yīng)用程序，這些應(yīng)用程序?qū)嶋H上可以做人類已經(jīng)能夠做的事情，比如能夠看到、聽到、說話或理解。 我們使企業(yè)和企業(yè)能夠在他們存儲在AWS中的數(shù)據(jù)之上做出智能決策。

Q：我們在哪里能看到這些行動？

A：Netflix已經(jīng)建立了一個推薦引擎，使用深度學習向客戶展示他們應(yīng)該看什么。 Pinterest在圖像識別方面也是如此。 我們使用亞馬遜內(nèi)部的機器學習來實現(xiàn)和物流，所以當你點擊一個訂單來購買東西時，機器人使用計算機視覺和深度學習來知道選擇和發(fā)送它。 我們還使用它來增強現(xiàn)有的產(chǎn)品，例如X-Ray，這是一個很酷的亞馬遜即時視頻功能，使用計算機視覺和深度學習，所以當你凍結(jié)一個框架時，它告訴你誰是框架中的所有演員。

我們也在用它來創(chuàng)造新的產(chǎn)品系列。 現(xiàn)在大家都認識亞歷克莎了。 我兩歲的時候和亞歷克莎說話，就像房子里的真人一樣。 隨著亞馬遜的去，這項技術(shù)為一些無結(jié)賬的體驗提供了動力，我們實際上可以看到誰在走過去拿東西或把它放下。

Q：亞馬遜最近在談?wù)撊斯ぶ悄軙r表現(xiàn)得更明顯，但谷歌、微軟、Face book等似乎得到了更多的關(guān)注。 你想改變嗎？

A：在亞馬遜，我們傾向于更多地關(guān)注對客戶重要的事情。 例如，我們說，“這是一種無結(jié)帳的零售體驗，可以幫助顧客更快地購物。”我們不會說，“嘿，看看這個，這是一個很棒的深度學習東西，順便說一句，它可能是有用的。”亞歷克莎也是這樣。 我自己也很感激作為一名科學家，但我更喜歡它，因為我的家人喜歡和亞歷克莎說話。

也就是說，亞馬遜多年來一直在大力投資機器學習和人工智能，我們在科學界非常公開，做出了我們的貢獻，并對此持開放態(tài)度。 我們今年收到了亞馬遜的多份意見書、研究論文等等。 在MXNet中，我們已經(jīng)完成了35%的代碼提交貢獻。

Q：是什么改變了，使深度學習算法，已經(jīng)大約20年或更長時間，工作這么好今天？

A：三件事。 現(xiàn)在，我們有能力以廉價的方式存儲所有這些數(shù)據(jù)，而不必向這些存儲供應(yīng)商支付大量的錢。 第二，進入專業(yè)化計算.. GPU[圖形處理單元]和FPGA[現(xiàn)場可編程門陣列]芯片已經(jīng)解鎖和加速了這些應(yīng)用。 最后一個方面是，一旦這些東西被構(gòu)建和訓練，我們就更容易使用預(yù)先配置的模板來運行分布式培訓基礎(chǔ)設(shè)施，只要一次單擊就可以擴展到數(shù)百個GPU。 由于云的作用，你現(xiàn)在可以編程的簡單性已經(jīng)大大改變了。

Q：亞馬遜的工作在多大程度上側(cè)重于應(yīng)用現(xiàn)有技術(shù)，而不是提出新的算法或技術(shù)？

A：我們在這些領(lǐng)域做了基礎(chǔ)創(chuàng)新研究-語音識別、自然語言理解、視覺理解。 如果你在十年前把時鐘推回來.我們必須在深度學習技術(shù)中推動邊界，以獲得我們想要真正把它放在客戶手中的準確性。 就像Alexa一樣，盡管它很受歡迎，我們不得不在這些算法之上發(fā)明新的算法，以獲得我們想要的客戶體驗。 或者使用AmazonGo，我們必須在深度學習和計算機視覺方面顯著提高藝術(shù)水平。

我們也在這里做核心引擎的基礎(chǔ)研究，比如深度學習框架.. 我們有一個團隊，致力于深度學習引擎，努力繼續(xù)擴大系統(tǒng)規(guī)模。 我們的客戶有一些他們想要處理的數(shù)據(jù)-圖像、視頻等等。 可伸縮性將是未來幾年的關(guān)鍵區(qū)別之一，因為您需要處理的數(shù)據(jù)量繼續(xù)增加。

Q：你的機器學習模型也能在云網(wǎng)絡(luò)的邊緣工作嗎，比如自動駕駛汽車，它們迫不及待地要回中央云了嗎？

A：我們相信，為云構(gòu)建的模型也可以在邊緣運行。 我們建立的深度學習模型可以在傳統(tǒng)的計算機環(huán)境中運行，也可以在EC2[AWS的彈性計算云服務(wù)]或Lambda[AWS的臨時計算服務(wù)]中運行。 Greengrass[允許離線操作和本地處理數(shù)據(jù)而不需要云服務(wù)的軟件]是在邊緣設(shè)備中運行的一個很好的環(huán)境。 我的團隊移植了一個MXNet深度學習模型，它可以識別表中的對象，這些對象可以在RaspberryPI相機上運行[里面有一臺微型、廉價的計算機]。

其目標是將有一個混合模式，其中一些深度學習模型將運行在快速用例的邊緣，一些在云中運行更復(fù)雜的用例。 亞歷克莎就是這樣做的。 這就是為什么我們看到這種新的混合部署模式在未來可能更有趣。

Q：機器學習下一步是什么？

A：我女兒兩歲了，大約一個左右，她看到兩個西紅柿后認出了西紅柿是什么。 她不需要一千個西紅柿來展示。 這正是我認為深度學習處于起步階段的原因。 實際上，有一些技術(shù)存在于今天，在那里你可以用非常有限的數(shù)據(jù)來提高深度學習模型的準確性。

我們對這些東西做了很多試驗。 有時人們不需要絕對的準確性。 即使像視覺搜索這樣的東西，人們也愿意以較低的準確性生活，只要他們能夠得到更好的覆蓋。

所以還有很多事情要做。 如果是亞馬遜的第一天，在機器學習中，我們剛剛醒來，甚至還沒有喝過一杯咖啡。

顯示您對我們的任務(wù)的支持，我們的一鍵訂閱我們的優(yōu)管頻道（下面）。 我們擁有的用戶越多，你就越能向你推薦相關(guān)的企業(yè)和新興技術(shù)內(nèi)容。 謝謝！

支持我們的使命：>；>；>；SUBS CRIBE NOW>；>；>；到我們的優(yōu)管頻道。

我們還想告訴你我們的使命，以及你如何幫助我們完成它。 硅谷媒體公司的商業(yè)模式是基于內(nèi)容的內(nèi)在價值，而不是廣告。 與許多在線出版物不同，我們沒有付費墻或經(jīng)營橫幅廣告，因為我們希望保持我們的新聞開放，沒有影響或需要追逐流量。 硅谷的新聞、報道和評論-以及我們硅谷工作室的現(xiàn)場、未經(jīng)剪輯的視頻和CUBE的環(huán)球視頻團隊-需要大量的艱苦工作、時間和金錢。 保持高質(zhì)量需要贊助商的支持，他們與我們的無廣告新聞內(nèi)容的愿景一致。

如果您喜歡這里的報道，視頻采訪和其他無廣告內(nèi)容，請花點時間查看我們的贊助商支持的視頻內(nèi)容樣本，推特您的支持，并繼續(xù)回到硅安格爾。