由“在 AWS 的生活”团队撰写
2023 年 AWS 纽约峰会结束之后的 Steve Ash（中）与 AWS 同事 Srikanth Baheti（左）和 Zac Woodall（右）。
Steve Ash 最热衷的计算机科学是数据库系统，这份热爱最终促使他撰写了有关如何构建数据库存储布局和改进当时最新的固态硬盘（SSD）优化器启发式算法的理学硕士论文。此后，他继续深造并获得了博士学位，专注于机器学习和自然语言处理。
现在，作为 Amazon QuickSight 的首席软件开发人员，他正处在生成式人工智能技术的最前沿。他认为目前的生成式人工智能技术与家庭互联网的早期阶段非常相似，当时客户按小时付费。
“我们仍处于目睹生成式人工智能将会如何影响我们的软件和日常工作的初期阶段，”Ash 表示。
在本次问答中，Ash 分享了在 QuickSight 开创性的生成式人工智能功能中构建 Amazon Q 的见解。他讨论了快速原型设计的价值、客户对省时解决方案的积极反应以及将人工智能集成到现有用户工作流中的重要性。对于如何克服挑战和坚持采用以客户为中心的方法，同时利用不断发展的技术进行创新，他也发表了一些观点。
什么是 Amazon Q in QuickSight？
Amazon Q 是一个由生成式人工智能提供支持的助手，可以根据企业系统中的数据和信息回答问题、提供摘要、生成内容以及安全地完成任务。Amazon QuickSight 是专为云构建的 AWS 统一商业智能（BI）服务。
借助 Amazon Q in QuickSight，客户可获得一个生成式人工智能助手，使业务分析师能够利用自然语言在几分钟内构建商业智能控制面板，并轻松创建可视化和复杂计算。企业用户还可以获得由人工智能驱动的控制面板执行摘要、询问控制面板中显示的数据以外的其他数据的问题，以及获得自动创建的可重点介绍关键洞察、趋势和驱动因素的叙述和演示。
您能否分享一下，从攻读计算机科学博士学位到加入 Amazon 以及参与 Amazon Q in QuickSight 这样的尖端人工智能项目，您走过了一段什么样的历程？
在获得计算机科学本科学位之后，我最初是作为一家银行技术软件供应商的程序员进入这一行业的，后来进入了研究生院并获得了计算机科学硕士学位和博士学位。
在攻读博士学位时，我将关注点转向了机器学习（ML），并致力于采用自然语言处理方法解决数据挖掘问题。作为这项工作的一部分，我在一次学术会议上遇到了 Amazon 首席科学家 Andrew Borthwick，几年后，当我毕业时，Andrew 招募我加入了他在 Amazon 的团队！ 我来这里已经快七年了，参与了几个介于工程工作与科学工作之间的有趣项目。
投身于人工智能与商业智能的交汇领域，最让您兴奋的是什么？您如何看待这个领域未来的发展？
这是一个有趣的时刻。无论是在技术能力（大型基础模型）方面，还是在人们希望更广泛地了解并渴望将这项技术付诸大胆的应用方面，我们都经历了一个转折点。QuickSight 现在是一个非常令人兴奋的地方，因为我们拥有多种多样的客户角色，他们能够以有用、周到的方式应用人工智能以改善他们的日常工作，因此受益良多。此外，我还认为，商业智能是人类与基于数据的视觉洞察的交汇点，这一事实使它成为利用多模态基础模型的最新进展进行发明、创造的好地方，多模态基础模型非常自然地将来自语言文本和视觉图像的信息组合在一起。
在我看来，在人工智能功能和人类与人工智能互动的方式方面，我们还只是略知皮毛。最终，我们发明了非常有用的聊天机器人，并恢复了以往用作人机交互主要模式的文本终端！ 正如我们在 50 年前所做的那样，我们一定会超越文本终端并发明新的方法，以便将文本、视觉信息和基于用户界面的模式结合起来，让人类能够使用各项人工智能功能。
AWS 如何打造创新文化并鼓励员工跳出思维定势？
在 Amazon，为了实现这一目标，我们会探索各种机制，而不是仅仅出于良好的意图。我们制定了我们的领导力原则，例如从大处着眼以及学习并保持好奇心，对我来说，这些原则实实在在地体现了去年的精神。我们还为员工提供资源和学习机制，让他们亲身学习新的机器学习/人工智能技术。我认为这基本上体现了我们的第一天心态，我觉得我们有能力找到一种方法以帮助我们的客户并构建一个原型、撰写一份创意提案文档（我们在 Amazon 将它称之为 PRFAQ），然后将它推介给领导者以便获得支持。
您能否描述一下在短短的几个月内在 Amazon Q in QuickSight 的生成式人工智能功能中从白板创意到公开预览版的创新历程？ 曾经面临着哪些挑战、取得了哪些经验教训？
自 2020 年以来，我们在 QuickSight 中构建了由机器学习提供支持的问答功能，而上下文学习和 InstructGPT 论文等有趣的进展让我们感到兴奋不已。当人们开始对生成式人工智能产生浓厚的兴趣时，我们多少有点庆幸能够抢占先机。2023 年初，我和 QuickSight 的工程总监 Greg Adams 创建了一个电子表格，其中包含十几个想法，以探讨利用大型语言模型（LLM）的快速进展改善客户体验的潜在方法。
感觉就像每周我们都能撰写新论文、创建新模型、取得新突破一样。我们知道，在优先考虑具有高价值和可行性并可能非常适合快速设计原型的事物时，采取战略性措施非常重要。我们知道，为了验证我们的想法，在一个包含很多非技术用户角色的虚拟项目中，我们需要在用户界面内创建一些原型。
我们成立了一个小团队，以开始进行初步的快速试验和基于油猴插件的原型设计。到了夏天，我们拥有了几个非常有用的独立功能，而且内部客户发现了这些功能的价值。这让我们有信心将这些功能转化成真正的产品功能，并继续对它们进行改进。
我们还享受到了在 Bedrock 内利用领先的基础模型的好处，这并不像从头开始重新训练定制模型设置那样昂贵和复杂。随后，我们在 re:Invent 2023 上发布了我们的所有生成式人工智能功能的预览版，并在几个月后全面推出了这些功能。
全面推出这款产品之后，获得的最大回报是什么？
最大的回报之一是，在项目初期，我们意识到快速原型设计能力是这项技术的真正游戏规则改变者。在过去 15 年多的时间里，我主要在软件中构建应用机器学习，而现实世界中的大多数生产模型都是定制、复杂、昂贵的工作成果。通过上下文学习工具获得的对基础模型的快速反馈在早期确实引起了共鸣。后来，当我们推出预览版时，让客户试用我们的生成式数据案例功能非常令人兴奋。客户可以从控制面板中选择一些视觉效果，然后键入一个提示以描述他们希望讲述的案例类型。在几秒钟内，客户将会获得一份包含概述的数据叙述的完整草稿、带有图表的格式化部分以及有待进一步完善的草稿内容。看到客户乐于试用这一功能并表示这将节省他们的时间并帮助他们改进演示文稿，这无疑是一个巨大回报。
您是如何继续创新和推动创新的？
2023 年，人工智能领域每周都取得了进展，有时甚至日新月异。有时它们非常重要并值得关注，但有时也会让人分散注意力。我们刻意专注于从真正的客户痛点逆向工作，并努力创建机制以分享和了解有意义的新想法。重要的是，要加入一个拥有相同的原则和目标、谦逊地对待工作并承认这项工作非常艰巨的团队。从起点到终点的道路不会是一片坦途，但没有关系；发明、创造的本质就是这样。
您能否举例说明，Amazon Q in QuickSight 的生成式人工智能功能如何帮助客户解决复杂的业务问题？
QuickSight 的客户群多种多样：有些是大型企业，拥有很多核心商业智能团队来构建重要的权威报告/控制面板，而另一些是软件供应商，他们会构建自己的软件并希望为他们自己的客户提供视觉效果和自然语言问答。后一种情况的一个示例是 Showpad，销售和营销团队可以通过该平台优化与买家进行的互动。他们的客户希望能够获得他们的控制面板中无法提供的洞察和数据点，以便将 Amazon Q in QuickSight 嵌入到他们的产品中，以使他们的客户能够利用 Amazon Q 向下钻取数据点。“借助 Amazon Q in QuickSight，我们能够帮助客户查询数据... 我们已经听说客户对这种新体验感到兴奋不已。”
对于渴望从事人工智能职业或在 Amazon 等公司开展创新项目的计算机科学家或工程师们，您有何建议？
尽管在过去的 30 多年里，每一年都可能如此，但现在是成为一名在职计算机科学家的最佳时机！ 我的建议是，保持好奇心，并在学习各种新事物与更深入地专门研究至少某些事物之间找到适当的平衡。在这个瞬息万变的领域中，要学习的内容比可能存在的内容还要多，因此请继续探索，以找到自己真正感兴趣的计算机科学分支。找到之后，一定要深入研究一些有价值的领域。要建立的很多重要直觉都是从项目工作的细节和细微差别中学到的。Amazon 提供了很多绝佳的学习机会，但信息很容易让人不堪重负，因此请坚决地安排时间，以确保在开启职业生涯时能够在广度与深度之间取得平衡。
在 AWS 的职业生涯中，您喜欢哪些方面，它们是如何提高您的职业成就感的？
这很容易回答：最大的回报是与如此强大的构建者团队大规模合作。我在 Amazon 开展的项目没有一个是轻而易举就能完成的。它们都遇到了巨大的挑战，找到解决方案的过程好比摸着石头过河。但幸运的是，我们的文化会自行选择我们希望团队中的哪类人员来解决这些问题：那些从大处着眼的人、真正保持好奇心的人、努力赢得彼此的信任的人、承认发明创造并非易事的人、保持谦逊并且知道前进的道路上不会一帆风顺的人。当拥有一支以这种的视角工作的团队时，令人生畏的艰巨挑战将会变成有趣的冒险。
作为一名在人工智能领域拥有丰富经验的老手，您对于生成式人工智能的潜力感到最兴奋的是什么，您如何看待它对各行各业产生的影响？
聊天机器人吸引了如此多的公众对人工智能进行畅想，而且有望激发人们对这项技术进行大胆思考，这真是太好了。让我感到非常兴奋的一点是，大型基础模型如何改变用来构建应用人工智能解决方案的演算。
当前的大型基础模型擅长遵循以自然语言给出的指令，对于很多使用案例，可以从几个精心挑选的上下文示例中推断出如何完成任务。这样就使快速设计原型和改变模型行为成为了一项更简单的“提示工程”任务，不仅速度更快，还更容易供具有不同技能集的人员使用。
现在，我要求产品经理直接在 Bedrock Playground 中进行试验，以利用可能的技术获得实践经验。这一转变能够让更多的构建者使用和了解复杂的人工智能，这样将会改变我们构建软件的方式，即使在看似完全与聊天无关的地方也是如此！
查看我们在生成式人工智能领域的空缺职位并立即申请
找到今天要查找的内容了吗？
请提供您的意见，以便我们改进网页内容的质量。