Category: Artificial Intelligence

几天前 CNBC 的一则新闻引起了我的兴趣。文章说的是美国康涅狄格州布鲁克菲尔德一家在建商店的有了应用“Just Walk Out”技术的迹象，包括门控系统和可能用于安装天花板摄像头的硬件等等。这一下子让我联想到了2017年出现的那个让人兴奋不已的“Amazon Go”无人值守的零售商店以及在其背后的科技。 在电子商务以及零售领域，亚马逊公司堪称业内翘楚。竞争者经常带着崇敬和恐惧的口吻谈论这个名字。亚马逊以不断创新的步伐取得了几乎神话般的地位，让尾随者难以跟上他的步伐。在过去的26年中遵循着“亚马逊增长飞轮”，不断提高易用性、增加选择，实现快速交付和完善整体用户体验。而Amazon Go 无疑是这许多亮眼的成就中最显著的一个。 2017年，因为员工的便利条件我第一次体验了位于西雅图亚马逊办公楼 DayOne一层的Amazon Go 商店。这个第一家Amazon Go商店的面积约为550平方米，看起来就像是一家街角的便利店。里面有很多新鲜的水果，面包，沙拉，饮料等商品，供上班族们取个早餐，拿个零食。没有用“买”这个词是因为在这里你看不到任何我们习以为常的“买”的动作。 人类购买这个行为已经延续了几千年，一成不变的是物品以等值进行交换的商业规则。而变化的则是商品、购物环境、交互体验以及结算方式。随着云计算的兴起以及各种新技术应用不断地优化购物体验、简化购买流程，让我们得以更从容，更优雅的享受购物的乐趣。Amazon Go就是以这个“不用排队，拿了就走（ no lines，no check out）的全新购物体验在零售行业和科技圈吸引了无数目光。今天我们就来一起看看这个拿了就走的新的零售体验是如何实现的。   使用体验 用户体验：手机 App Amazon Go 的使用者首先需要下载并安装一个尺寸大约为11MB的一个名为Amazon Go的手机App。安装后，将使用Amazon帐户ID和密码进行登录。首次登录时，这个应用程序将引导完成9步动画教程的学习。该教程介绍了如何将自己扫描到商店以及如何购物。整个教程花费了大约一分钟的时间。接下来，应用程序将显示一个二维条形码以识别使用者的身份，凭借扫描这个二维码进入商店。 出于安全的考虑，这个二维码每30秒在手机App重新生成一次，这可以提供一定程度的保护，防止人们仅通过拍照我的二维码码就可以在我的帐户上购物。   用户体验：进入商店 进入亚马逊商店有点类似于进入地铁站，对我们来说这个体验并不陌生。不过在商店入口经常有一两个身穿橙色衬衫的亚马逊员工帮助人们解决任何问题，最常见的就是向顾客解释他们需要下载应用程序，并向他们解释它是如何工作的。随着越来越多的人习惯于这个进店的方式，人们将会减少对入口处工作人员的需求。   用户体验：购物与付款 购物者可以通过拿走开放式货架上的商品并走出商店来购买和付款。购物的体验就是这样的简单。因此，Amazon Go的出现并非是炫技，而是出于解决真实存在的购物中排队、等候结账这个真实的问题。   Amazon Go的技术复杂性 在一段广为流传的Amazon Go 宣传视频中，顾客进店扫码-取物-出门，一气呵成。简单到很多人第一次去都会有一种隐隐的“我是不是在偷东西”的质疑。但细细想来，被这个名为“Just walk out” 技术简化的只是商品价格的手动或自动的复核过程。而实现它看起来我们只需知道哪些亚马逊账户在商店内购物，哪些商品被拿走。这样我们就可以在顾客完成购物时向其收取费用了。够简单，但又是什么使这个过程变复杂的？ 设想一下，如果我们来解决这个问题，或许你会从这个场景出发：一个人在商店，悠闲地闲逛，随意拿起一件商品. 看起来我们只需处理这样的场景即可。然而，现实情况更像这样：拥挤的人群，人们在购物，孩子们四处奔跑，婴儿车上的婴儿还在熟睡。现实且自然的购物行为就是人们并不总是拿上商品然后离开 — 他们往往挑选一个商品，看看它，然后把它放回货架上；或者有时他们把它放回另一个错误的货架之上。相信你已经在脑海里想象出来这件事的复杂性了。在亚马逊解决这个问题的方案被称作“Just Walk Out”。 这个方案体现了最新的工程技术的进步，特别是在复杂的计算机视觉、传感器融合和深度学习方面。       […]

 作为一名开发人员，我最近听到了很多关于公司如何利用机器学习 (ML) 来解决其业务问题的故事，所以我 2021 年的目标之一就是进一步了解 ML。 在过去的几年里，我一直在广泛使用人工智能 (AI) 服务，诸如 Amazon Rekognition、Amazon Comprehend 等等。AI 服务提供了一个简单的 API 来解决常见的 ML 问题，例如，图像识别、文本转语音和文本中的情绪分析。使用这些高级 API 时，您不需要了解底层机器学习模型的工作原理，也不必训练它或以任何方式维护它。 尽管这些服务非常棒，我可以用它们来解决大部分的业务案例，但我想了解 ML 算法的工作原理，这也是我开始改进 AWS Deepracer 的原因。 AWS Deepracer 于 2018 年推出，是一项帮助您了解强化学习 (RL) 的服务。RL 是一种先进的 ML 技术，它采用与其他 ML 方法截然不同的方式来训练模型。基本上，它可以学习非常复杂的行为，而不需要任何标签化的训练数据，并且它可以在优化长期目标的同时做出短期决策。 AWS Deepracer 是一款 1/18 比例自动驾驶赛车，旨在通过在 AWS DeepRacer 控制台中进行虚拟比赛或在 AWS 和客户活动中的赛道上进行实际比赛来测试 RL 模型。AWS DeepRacer 适用于所有技能水平的开发人员，即使您没有任何机器学习经验。使用 AWS Deepracer […]

模型训练与服务化可以说是成功建立端到端机器学习（ML）流程的两大基本环节。这两个步骤通常需要不同的软件与硬件设置，才能为生产环境提供最佳组合。模型训练优化的目标是低成本、训练时间长度可行、科学上的灵活性以及良好的模型可解释性等；而模型服务化的优化目标是低成本、高吞吐以及低延迟。

语义搜索引擎的兴起使电子商务与零售企业能够更轻松地为消费者提供搜索服务。基于自然语言理解（NLU）的搜索引擎使您可以通过首选会话语言直接表述自己的需求，而不再只能硬性依赖于以输入设备写下相应关键字。您可以使用母语以单词或句子执行查询，并由搜索引擎负责理解并提供最佳结果。

而随着人工智能与机器学习（ML）在体育分析领域的应用日益广泛，AWS决定与Stats Perform联手将机器学习驱动的实时统计数据系统引入英式橄榄球赛，旨在提高球迷参与度并提供关于比赛的更多宝贵洞见。

使用Amazon Textract 与 Amazon Comprehend，通过AWS Finance and Global Business Services构建一套自动化合约处理平台

Amazon SageMaker广泛使用Docker容器，允许用户构建用于数据准备、训练及推理代码的运行时环境。Amazon SageMaker内置用于Amazon SageMaker Processing的Spark容器则提供一套托管Spark运行时，其中包含运行分布式数据处理工作负载所需要的各类库组件与依赖项。

总体而言，我们与AWS的合作关系帮助我们解决了一系列极具挑战性的业务难题，由此为客户带来巨大价值。我们计划与AWS继续合作，尝试解决其他更为艰难的问题，最终为我们的客户带来真正的业务价值。 大家可以通过多种方式快速上手Amazon Textract：与我们的AWS合作伙伴Quantiphi联系，联络您的客户经理或解决方案架构师，或者访问我们的 Amazon Textract产品页面以了解更多可用资源。

Netflix 是世界上最大流媒体平台提供商。它拥有多个知名影视剧IP例如 《纸牌屋》和《白夜追凶》，同时也拥有超过1.9亿来自全球各地的订阅用户。对于Netflix来说，时刻让用户拥有最佳使用体验是最为重要的。其中一个维持它的秘诀就是使用深度学习模型来提升信息的价值。Netflix在不侵犯用户隐私的前提下，通过收集程序的日志(非用户数据)来分析检查系统的稳定性。具体实现则是利用深度学习模型 + 微服务架构来达到实时分析超大规模的日志的目标。

Amazon SageMaker Ground Truth流式标记作业 提供基础设施与资源，可供您创建持续运行的标记作业。此作业可按需接收新的数据对象并将其发送至工作人员进行标记。您可以将多个流式标记作业链接起来，由此创建出更复杂、更完善的数据标记管道。