「從管理看 AI」AWS機(jī)器學(xué)習(xí)與日常業(yè)務(wù)：從概念到現(xiàn)實(shí)的探索之旅

從管理看AI

“The AI&Machine Learning Imperative”提供了來(lái)自數(shù)據(jù)科學(xué)和人工智能領(lǐng)域的領(lǐng)先學(xué)者和實(shí)踐者的新見(jiàn)解?！禩he Executive Guide》分為7期內(nèi)容發(fā)布，探討了管理人員和公司如何通過(guò)聚集合適的人才，加強(qiáng)領(lǐng)導(dǎo)能力和重塑組織戰(zhàn)略來(lái)克服挑戰(zhàn)并發(fā)現(xiàn)機(jī)遇。

本系列為AWS撰寫(xiě)并發(fā)表在MIT上的文章

在此次問(wèn)答中，Amazon Web Services（AWS）機(jī)器學(xué)習(xí)解決方案實(shí)驗(yàn)室副總裁Michelle K.Lee分享了多個(gè)機(jī)器學(xué)習(xí)應(yīng)用場(chǎng)景，講述其中的四大核心實(shí)現(xiàn)挑戰(zhàn)，同時(shí)提出幾項(xiàng)重要建議。

●關(guān)于Michelle K.Lee

作為AWS機(jī)器學(xué)習(xí)解決方案實(shí)驗(yàn)室副總裁，Michelle K.Lee領(lǐng)導(dǎo)著這一全球業(yè)務(wù)機(jī)構(gòu)，致力于幫助AWS客戶發(fā)現(xiàn)高價(jià)值機(jī)器學(xué)習(xí)用例并指導(dǎo)其具體實(shí)施。

之前，她曾擔(dān)任美國(guó)商務(wù)部知識(shí)產(chǎn)權(quán)局副局長(zhǎng)、美國(guó)專利商標(biāo)局局長(zhǎng)、谷歌高管、Fenwick&West律師事務(wù)所合伙人以及惠普研究實(shí)驗(yàn)室與麻省理工學(xué)院人工智能實(shí)驗(yàn)室負(fù)責(zé)人等職務(wù)。她擁有麻省理工學(xué)院電子工程學(xué)士與碩士學(xué)位，以及斯坦福大學(xué)法學(xué)院法學(xué)博士學(xué)位。

您能概括談?wù)勅斯ぶ悄埽ˋI）與機(jī)器學(xué)習(xí)（ML）如何推動(dòng)數(shù)字化轉(zhuǎn)型浪潮嗎？

Q&A

Lee：AI與機(jī)器學(xué)習(xí)已經(jīng)從純技術(shù)理論迅速發(fā)展為主流實(shí)踐方案。很長(zhǎng)一段時(shí)間，這些技術(shù)一直只是少數(shù)大型科技企業(yè)與核心學(xué)術(shù)研究人員的專利；但隨著三大主要進(jìn)步的實(shí)現(xiàn)，這一切開(kāi)始發(fā)生變化。

首先是計(jì)算機(jī)性能的增強(qiáng)，第二是數(shù)據(jù)存儲(chǔ)成本的下降，第三則是云計(jì)算的全面普及。機(jī)器學(xué)習(xí)需要強(qiáng)大的計(jì)算機(jī)以瀏覽大量易于訪問(wèn)的數(shù)據(jù)。在AWS等先驅(qū)廠商的云服務(wù)加持之下，如今的AI與機(jī)器學(xué)習(xí)已經(jīng)不再是少數(shù)科技巨頭與學(xué)術(shù)研究人員的專屬，幾乎每個(gè)人都可以使用強(qiáng)大的計(jì)算機(jī)訪問(wèn)實(shí)現(xiàn)ML所必需的海量數(shù)據(jù)。

結(jié)果就是，幾乎各個(gè)行業(yè)（金融、零售、農(nóng)業(yè)、醫(yī)療保健、制造業(yè)等等）都有機(jī)會(huì)享受到機(jī)器學(xué)習(xí)的最新進(jìn)展。如今，在與企業(yè)高管交流時(shí)，他們的問(wèn)題不再是“我為什么該在企業(yè)中采用機(jī)器學(xué)習(xí)技術(shù)？”而是“我該如何采用機(jī)器學(xué)習(xí)技術(shù)，又如何才能獲得成功？”

您能否聊聊使用ML技術(shù)進(jìn)行預(yù)估、預(yù)測(cè)以及決策的具體業(yè)務(wù)實(shí)例？

Q&A

Lee：達(dá)美樂(lè)披薩目前正在使用Amazon Personalize預(yù)測(cè)購(gòu)買(mǎi)行為，而后通過(guò)數(shù)字渠道（包括大受歡迎的移動(dòng)端應(yīng)用）向客戶提供個(gè)性化促銷信息與通告。因此，相較于以往向每個(gè)人發(fā)送完全相同的短信宣傳文本，如今ML能夠幫助企業(yè)在合適的時(shí)間向客戶發(fā)出最有可能激起其興趣、促進(jìn)購(gòu)買(mǎi)行為的內(nèi)容。

Intuit則使用ML驅(qū)動(dòng)型預(yù)測(cè)功能，預(yù)估特定日期或時(shí)間段內(nèi)的呼叫中心來(lái)電需求，借此保證在線客服充足可用。

在醫(yī)療保健領(lǐng)域，我們正幫助企業(yè)更快、更好地做出決策。我們看到了從消極護(hù)理到預(yù)測(cè)護(hù)理的轉(zhuǎn)變，包括使用預(yù)測(cè)模型加速新藥與療法的研究與發(fā)現(xiàn)等。作為全球規(guī)模最大的上市醫(yī)療IT廠商，Cerner公司使用Amazon SageMaker構(gòu)建起一套解決方案，使研究人員能夠查詢匿名患者數(shù)據(jù)記錄，借此在實(shí)際臨床表現(xiàn)出現(xiàn)的15個(gè)月之前搶先預(yù)防充血性心力衰竭。他們還使用Amazon Transcribe Medical，通過(guò)虛擬語(yǔ)音到文本抄寫(xiě)員幫助醫(yī)生從繁瑣的記事任務(wù)中解脫出來(lái)，幫助醫(yī)生將更多精力放在與患者的交互當(dāng)中。

總部位于西雅圖的物流企業(yè)Convoy通過(guò)使用機(jī)器學(xué)習(xí)技術(shù)，更高效地將貨送卡車駕駛員與需要運(yùn)送貨物的托運(yùn)人匹配起來(lái)，不僅顛覆了整個(gè)卡車運(yùn)輸行業(yè)的業(yè)務(wù)模式，更降低了成本并加快了配送速度。結(jié)果就是，卡車司機(jī)可以根據(jù)自己的時(shí)間安排規(guī)劃更多配送批次，而需要運(yùn)輸貨物的托運(yùn)人則通過(guò)機(jī)器學(xué)習(xí)解決方案與司機(jī)們輕松聯(lián)絡(luò)。

美國(guó)橄欖球聯(lián)盟（NFL）又是另一行業(yè)中的典型示例。NFL使用其歷史數(shù)據(jù)（例如過(guò)往賽季數(shù)據(jù)）開(kāi)發(fā)出一組下一代數(shù)據(jù)統(tǒng)計(jì)與ML模型。以此為基礎(chǔ)，當(dāng)球迷們?cè)陔娨暽嫌^看比賽時(shí)，NFL能夠及時(shí)在屏幕上顯示出當(dāng)前球員成功達(dá)陣或者實(shí)施攔截的概率統(tǒng)計(jì)數(shù)據(jù)。這些近實(shí)時(shí)預(yù)測(cè)極大增強(qiáng)了粉絲們的觀看體驗(yàn)，同時(shí)也讓ML模型與現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)得到充分結(jié)合。

這些例子確實(shí)振奮人心。但對(duì)于經(jīng)驗(yàn)不足的企業(yè)，他們?cè)撊绾闻袛嘧约旱降仔璨恍枰獧C(jī)器學(xué)習(xí)技術(shù)？

Q&A

Lee：我相信，每家組織都能夠從機(jī)器學(xué)習(xí)身上獲得收益。

反過(guò)來(lái)講，什么樣的企業(yè)無(wú)法通過(guò)數(shù)據(jù)驅(qū)動(dòng)帶來(lái)的更強(qiáng)客戶需求預(yù)測(cè)能力，或者提升供應(yīng)鏈及庫(kù)存需求管理能力而受益？什么樣的企業(yè)無(wú)法通過(guò)改善服務(wù)與產(chǎn)品個(gè)性化、進(jìn)而帶來(lái)收入增長(zhǎng)而受益？什么樣的企業(yè)無(wú)法通過(guò)將勞動(dòng)密集型客戶服務(wù)中心轉(zhuǎn)為自動(dòng)化管道而受益？包括通過(guò)在線評(píng)論、社交媒體甚至是來(lái)自客戶呼叫中心的記錄，快速評(píng)估客戶對(duì)于企業(yè)本身、運(yùn)營(yíng)績(jī)效乃至產(chǎn)品的信心，這一切收益都不可能將特定企業(yè)排除在外。

我曾有幸管理過(guò)美國(guó)專利商標(biāo)局，這是一家政府機(jī)構(gòu)，在200多年的發(fā)展歷程中一直采用相同的專利申請(qǐng)審查方式。但憑借著人工智能與計(jì)算機(jī)科學(xué)背景，我意識(shí)到在新的時(shí)代之下，我們有理由使用數(shù)據(jù)與數(shù)據(jù)分析技術(shù)提高所頒發(fā)專利的質(zhì)量與一致性。因此，我開(kāi)始在專利局實(shí)施這項(xiàng)技術(shù)。我想說(shuō)的是，如果一家擁有200年歷史的政府機(jī)構(gòu)都有使用機(jī)器學(xué)習(xí)技術(shù)的機(jī)會(huì)，那么大多數(shù)企業(yè)也完全可以做到——唯一的問(wèn)題，就是您是否愿意敞開(kāi)接納的胸懷。

從業(yè)務(wù)角度看，人們對(duì)于ML技術(shù)是否存在誤解？

Q&A

Lee：肯定是有的，而最大的誤解可能是，很多企業(yè)認(rèn)為自己距離頂尖ML應(yīng)用，就差一支數(shù)據(jù)科學(xué)家團(tuán)隊(duì)。實(shí)際上，要想建立起成功的機(jī)器學(xué)習(xí)實(shí)現(xiàn)方案，需要綜合考量諸多因素。

是的，數(shù)據(jù)科學(xué)家團(tuán)隊(duì)或者顧問(wèn)確實(shí)非常重要。但同樣重要的是，大家需要為企業(yè)確定并選擇正確的機(jī)器學(xué)習(xí)應(yīng)用場(chǎng)景，保證其能夠解決一項(xiàng)實(shí)際且足夠重大的問(wèn)題。這個(gè)問(wèn)題應(yīng)該具有可衡量的投資回報(bào)率。另外，您還需要擁有支撐機(jī)器學(xué)習(xí)模型構(gòu)建、訓(xùn)練與測(cè)試所必需的數(shù)據(jù)。最后，還要讓機(jī)器學(xué)習(xí)項(xiàng)目擁有來(lái)自高層團(tuán)隊(duì)的支持，保證其不僅屬于科學(xué)實(shí)驗(yàn)，同時(shí)也能以業(yè)務(wù)問(wèn)題實(shí)際解決方案的姿態(tài)被納入業(yè)務(wù)流程。

如今的企業(yè)需要什么樣的ML專家？

Q&A

Lee：具體來(lái)講，ML專家又分為數(shù)據(jù)科學(xué)家/數(shù)據(jù)分析師、數(shù)據(jù)工程師、軟件開(kāi)發(fā)人員以及技術(shù)項(xiàng)目經(jīng)理等職位。不同職位對(duì)應(yīng)著不同的技能，而企業(yè)需要解決的核心問(wèn)題在于通過(guò)技能分析找出現(xiàn)有差距。數(shù)據(jù)分析與機(jī)器學(xué)習(xí)（至少就目前的形式來(lái)看）仍然屬于相對(duì)年輕的學(xué)科，因此具備這些技能的人員仍然比較有限。這意味著企業(yè)可能無(wú)法建立起面面俱到的技能團(tuán)隊(duì)，所以培訓(xùn)現(xiàn)有員工隊(duì)伍可能是個(gè)更具可行性的選項(xiàng)。

在Amazon，我們采取聘用新人與培養(yǎng)現(xiàn)有員工雙管齊下的方式。Amazon還建立起機(jī)器學(xué)習(xí)大學(xué)，投入六年多時(shí)間培訓(xùn)我們的工程師。去年，我們開(kāi)始將相關(guān)內(nèi)容免費(fèi)提供給客戶乃至更為廣泛的公眾。截至目前，已經(jīng)有超過(guò)10萬(wàn)名開(kāi)發(fā)人員在Amazon資源的支持下開(kāi)啟了自己的機(jī)器學(xué)習(xí)探索之旅。

企業(yè)在采用ML的過(guò)程中，可能面臨哪些常見(jiàn)挑戰(zhàn)？

Q&A

Lee：我們已經(jīng)了解到，領(lǐng)導(dǎo)者要想成功采用機(jī)器學(xué)習(xí)技術(shù)所需要解決的四大關(guān)鍵挑戰(zhàn)：數(shù)據(jù)策略、邁出第一步、機(jī)器學(xué)習(xí)技能空白以及極為耗時(shí)的無(wú)差別繁重工作。最后一項(xiàng)挑戰(zhàn)又涉及多種具體內(nèi)容，例如構(gòu)建自有基礎(chǔ)設(shè)施與工具以進(jìn)行數(shù)據(jù)聚合、訪問(wèn)、清洗乃至建模等等。在這方面，企業(yè)實(shí)際上可使用充分運(yùn)用現(xiàn)有服務(wù)（例如Amazon的數(shù)據(jù)湖產(chǎn)品，通過(guò)Amazon SageMaker幫助實(shí)現(xiàn)ML模型的構(gòu)建與部署，使用Amazon Rekognition支持計(jì)算機(jī)視覺(jué)，使用Translate進(jìn)行語(yǔ)言翻譯，或者選擇Amazon Comprehend完成自然語(yǔ)言處理等）。

對(duì)企業(yè)來(lái)說(shuō)，采用機(jī)器學(xué)習(xí)的頭號(hào)難題往往與數(shù)據(jù)有關(guān)。為了在機(jī)器學(xué)習(xí)項(xiàng)目中取得成功，企業(yè)需要制定一項(xiàng)數(shù)據(jù)策略，借此識(shí)別自身當(dāng)前擁有的數(shù)據(jù)、數(shù)據(jù)的存儲(chǔ)位置、誰(shuí)在控制數(shù)據(jù)，并選定能夠支持企業(yè)全面、順暢使用數(shù)據(jù)的最佳位置。此外，企業(yè)還應(yīng)面向未來(lái)考慮數(shù)據(jù)收集方向，并以此為基礎(chǔ)制定明確的數(shù)據(jù)收集計(jì)劃。

如果沒(méi)有數(shù)據(jù)策略，企業(yè)雇用的ML科學(xué)家將不得不耗費(fèi)大量時(shí)間處理數(shù)據(jù)管理與清洗方面的工作；更糟糕的是，由于缺乏解決重大問(wèn)題的資源，他們可能被困在原地、逐漸陷入沮喪與消極。為此，企業(yè)需要指派IT團(tuán)隊(duì)打破現(xiàn)有數(shù)據(jù)孤島，以安全且合規(guī)的方式收集正確數(shù)據(jù)。

第二項(xiàng)挑戰(zhàn)在于，我們?cè)撊绾芜~出第一步。雖然每家企業(yè)都能在機(jī)器學(xué)習(xí)中找到適合自己的改善機(jī)會(huì)，但也有相當(dāng)一部分業(yè)務(wù)問(wèn)題沒(méi)辦法靠機(jī)器學(xué)習(xí)解決。為此，選擇結(jié)果可進(jìn)行明確量化的高價(jià)值應(yīng)用場(chǎng)景就非常關(guān)鍵，但這同時(shí)也頗具難度。關(guān)于機(jī)器學(xué)習(xí)能做到什么，目前存在著諸多誤解與炒作。因此，AWS創(chuàng)建了機(jī)器學(xué)習(xí)解決方案實(shí)驗(yàn)室，旨在與客戶并肩工作、傾聽(tīng)他們的業(yè)務(wù)問(wèn)題、確定他們最具價(jià)值的ML應(yīng)用場(chǎng)景，并協(xié)助、指導(dǎo)他們的具體實(shí)施工作。對(duì)于我們的各項(xiàng)業(yè)務(wù)，Amazon都結(jié)合廣泛的行業(yè)與業(yè)務(wù)用例積累下極具深度與廣度的經(jīng)驗(yàn)及專業(yè)知識(shí)。

第三大挑戰(zhàn)在于技能短缺。需要再次強(qiáng)調(diào)，人工智能的快速增長(zhǎng)導(dǎo)致數(shù)據(jù)科學(xué)家與機(jī)器學(xué)習(xí)專家處于嚴(yán)重短缺狀態(tài)。企業(yè)可能無(wú)法雇用到自己需要的全部數(shù)據(jù)科學(xué)家，因此不妨專注于對(duì)現(xiàn)有員工的培養(yǎng)，同時(shí)輔以對(duì)外部人才的聘用。

第四大挑戰(zhàn)，主要體現(xiàn)為不少企業(yè)誤以為自己需要從零開(kāi)始構(gòu)建所有解決方案。相反，AWS等云平臺(tái)能夠提供完善的數(shù)據(jù)訪問(wèn)與機(jī)器學(xué)習(xí)模型開(kāi)發(fā)、測(cè)試及部署類工具/基礎(chǔ)設(shè)施。在這些工具及服務(wù)的支持之下，您可以專注于打造與業(yè)務(wù)獨(dú)特性相關(guān)的增值貢獻(xiàn)，例如與所在領(lǐng)域及行業(yè)緊密相關(guān)的專業(yè)知識(shí)/特殊見(jiàn)解，借此真正將ML轉(zhuǎn)化為提高業(yè)務(wù)效率的力量。

要實(shí)現(xiàn)ML成功，組織需要什么樣的文化？

Q&A

Lee：機(jī)器學(xué)習(xí)需要一種文化層面的轉(zhuǎn)變，而這種轉(zhuǎn)變需要從高層開(kāi)始，自上而下進(jìn)行推動(dòng)。作為領(lǐng)導(dǎo)者，最重要的一點(diǎn)就是向企業(yè)闡明機(jī)器學(xué)習(xí)的優(yōu)先級(jí)，并鼓勵(lì)團(tuán)隊(duì)成員不斷探索如何使用機(jī)器學(xué)習(xí)更好地解決業(yè)務(wù)問(wèn)題。同樣的，相當(dāng)一部分業(yè)務(wù)問(wèn)題無(wú)法通過(guò)機(jī)器學(xué)習(xí)獲得最優(yōu)解?？傊鞔_且持續(xù)地跟進(jìn)這一問(wèn)題，將成為決定ML項(xiàng)目成敗的關(guān)鍵。

十年之前，Amazon領(lǐng)導(dǎo)團(tuán)隊(duì)就曾全面征求過(guò)內(nèi)部管理層的意見(jiàn)，希望了解運(yùn)營(yíng)研究團(tuán)隊(duì)、配送中心、人力資源乃至法律部門(mén)計(jì)劃如何在自己的業(yè)務(wù)區(qū)間之內(nèi)使用機(jī)器學(xué)習(xí)技術(shù)。作為一項(xiàng)基本前提，Amazon不接受拒絕機(jī)器學(xué)習(xí)技術(shù)的答案，這也迫使各個(gè)部門(mén)開(kāi)始考慮如何運(yùn)用ML改善自身業(yè)務(wù)，并據(jù)此制定出目標(biāo)實(shí)現(xiàn)計(jì)劃。時(shí)至今日，Amazon旗下的每一項(xiàng)業(yè)務(wù)職能都在機(jī)器學(xué)習(xí)的加持之下得到不同程度的改善。

您認(rèn)為業(yè)務(wù)主管是否有必要了解ML技術(shù)？

Q&A

Lee：機(jī)器學(xué)習(xí)目前仍處于起步階段，但也積累到了一定的歷史與發(fā)展經(jīng)驗(yàn)。當(dāng)然，通往機(jī)器學(xué)習(xí)成功的道路不可能一帆風(fēng)順，要求組織充分利用合作伙伴的力量加以推動(dòng)。

我們已經(jīng)成功幫助眾多組織——從達(dá)美樂(lè)披薩到NFL、再到Cerner與NASA——成功實(shí)現(xiàn)了機(jī)器學(xué)習(xí)發(fā)展目標(biāo)。

盡管我們一直致力于幫助客戶識(shí)別并部署其高價(jià)值ML應(yīng)用場(chǎng)景，但我們也希望激發(fā)出客戶主動(dòng)運(yùn)用并拓展ML力量的能力。為此，我們建立起AWS Machine Learning Embark計(jì)劃，其中涵蓋引導(dǎo)客戶確定最佳應(yīng)用場(chǎng)景的研討會(huì)與交流活動(dòng)，同時(shí)也將為技術(shù)及業(yè)務(wù)領(lǐng)導(dǎo)者提供機(jī)器學(xué)習(xí)培訓(xùn)方案。這一切的目標(biāo)只有一個(gè)：讓組織內(nèi)各個(gè)層級(jí)的人員都開(kāi)始思考，“機(jī)器學(xué)習(xí)如何改善或解決當(dāng)前的實(shí)際業(yè)務(wù)問(wèn)題？”