關于人工智能(AI)和 ML 為什么會不斷發(fā)展，有很多觀點。麥肯錫最近的一份報告將 ML 的工業(yè)化和應用 AI 確定為今年的主要趨勢之一。在本周 AWS re:Invent 大會的一次會議上，亞馬遜(AWS)人工智能和機器學習副總裁兼總經(jīng)理 BraTIn  概述了這家云巨頭看到的六大關鍵趨勢，這些趨勢有助于推動 2022 年及以后的創(chuàng)新和采用。

　　AWS 聲稱其 AI/ML 服務擁有超過 100.000 名客戶。這些服務分布在三個層級：ML 基礎設施服務，使組織能夠構建自己的模型;SageMaker，提供構建應用程序的工具;以及針對特定用例的專用服務，例如轉錄。

　　「機器學習已經(jīng)從一項小眾活動轉變?yōu)楣鹃_展業(yè)務不可或缺的一部分，」Saha 在會議期間說。

　　趨勢一：模型復雜性不斷提高

　　Saha 說，近年來 ML 模型的復雜性呈指數(shù)級增長。他對「指數(shù)」一詞的使用也不夸張。

　　衡量機器學習模型復雜程度的一種方法是計算其中的參數(shù)數(shù)量。Saha 解釋說，參數(shù)可以被認為是嵌入在 ML 模型中的值變量。Saha 說，2019 年，當時最先進的 ML 模型大約有 3 億個參數(shù)。快進到 2022 年，最好的模型現(xiàn)在已經(jīng)超過 5000 億。

　　「換句話說，在短短三年內(nèi)，機器學習模型的復雜程度增加了 1600 倍，」Saha 說。

　　這些龐大的模型現(xiàn)在通常被稱為基礎模型。使用基礎模型方法，可以使用海量數(shù)據(jù)集對 ML 模型進行一次訓練，然后針對各種不同的任務進行重復使用和調(diào)整。因此，企業(yè)可以通過更易于采用的方法從日益復雜的過程中受益。

　　「[基礎模型] 將機器學習的成本和工作量降低了一個數(shù)量級，」Saha 說。

　　趨勢二：數(shù)據(jù)增長

　　越來越多的數(shù)據(jù)和不同類型的數(shù)據(jù)被用于訓練 ML 模型。這是 Saha 確定的第二個關鍵趨勢。

　　組織現(xiàn)在正在構建經(jīng)過結構化數(shù)據(jù)源(如文本)以及非結構化數(shù)據(jù)類型(包括音頻和視頻)訓練的模型。能夠?qū)⒉煌臄?shù)據(jù)類型放入 ML 模型中，這導致 AWS 開發(fā)了多種服務來幫助訓練模型。

　　Saha 強調(diào)的一種此類工具是 SageMaker Data Wrangler，它可以幫助用戶使用一種使其適用于 ML 訓練的方法來處理非結構化數(shù)據(jù)。本周在 re:Invent 大會上，AWS 還在 SageMaker 中添加了對地理空間數(shù)據(jù)的新支持。

　　趨勢三：機器學習產(chǎn)業(yè)化

　　AWS 也看到了 ML 產(chǎn)業(yè)化的趨勢。這意味著 ML 工具和基礎架構更加標準化，使組織能夠更輕松地構建應用程序。

　　Saha 表示，ML 工業(yè)化很重要，因為它可以幫助組織實現(xiàn)開發(fā)自動化并使其更加可靠。隨著組織構建和部署更多模型，工業(yè)通用方法對于擴展至關重要。

　　「即使在亞馬遜內(nèi)部，我們也在使用 SageMaker 進行工業(yè)化和機器學習開發(fā)，」Saha 說。「例如，最復雜的 Alexa 語音模型現(xiàn)在正在 SageMaker 上進行訓練。」

　　趨勢四：針對特定用例的 ML 支持的應用程序

　　由于針對特定用例的專用應用程序，ML 也在增長。

　　Saha 表示，AWS 客戶已要求供應商自動化常見的 ML 用例。例如，AWS(和其他供應商)現(xiàn)在提供語音轉錄、翻譯、文本轉語音和異常檢測等服務。這些為組織提供了一種更簡單的方法來使用 ML 支持的服務。

　　例如，實時音頻通話中的情緒分析是一個新的復雜用例，AWS 現(xiàn)在通過其 Amazon Transcribe 服務的實時通話分析功能支持該用例。Saha 表示，該功能使用語音識別模型來了解客戶情緒。

　　趨勢五：負責任的人工智能

　　負責任的人工智能也有增長的趨勢和需求。

　　「隨著人工智能和機器學習的發(fā)展，人們意識到我們必須負責任地使用它，」Saha 說。

　　從 AWS 的角度來看，負責任的人工智能需要具備幾個關鍵屬性。系統(tǒng)需要公平，無論種族、宗教、性別和其他用戶屬性如何，對所有用戶平等運作。ML 系統(tǒng)還需要可解釋，以便組織了解模型的運作方式。還需要治理機制，以確保負責任的人工智能得到實踐。

　　趨勢六：機器學習民主化

　　推動 ML 向前發(fā)展的最后一個關鍵趨勢是使技術民主化，使更多人可以獲得工具和技能。

　　「客戶告訴我們，他們……通常很難招聘到他們需要的所有數(shù)據(jù)科學人才，」Saha 說。

　　在 Saha 看來，民主化挑戰(zhàn)的答案在于繼續(xù)開發(fā)低代碼和用例驅(qū)動的工具，以及教育。

　　「AWS 還在投資培訓下一批機器學習開發(fā)人員，」Saha 說。「AWS 承諾，到 2025 年，我們將通過免費的云計算技能培訓幫助超過 2900 萬人提高他們的技術技能。」