「機器學習」夯什麼？企業4招快速部署法，即刻轉型踏上創新戰隊
這幾年人工智慧（AI）已成為各行各業的「共同話題」，不論是科技大廠企圖在市場佈局拔得頭籌；抑或新創公司耕耘垂直領域，AI儼然是全球數位轉型的浪潮下，企業寄望保持競爭力的解囊。
AI經常一起被討論的「兄弟檔」機器學習（Machine Learning）及深度學習（Deep Learning），許多人很容易混淆這三者的概念，甚至企業決策者或開發工程師，也是知其意，卻不曉得如何在既有商業模式和IT架構下，運用機器學習快速掌握AI金礦。
▐ 我們與機器學習的距離，Netflix的推薦清單為何都不一樣？
首先釐清AI與ML、DL之間的關聯，想像有三個同心圓，最外圈是AI、中間是ML、最內圈是DL。他們之間的差別，簡言之，ML是AI的一個分支，也是實現AI的其中一個途徑；而DL則是從ML的基礎，再更深入執行、優化ML的技術及應用。
從AI到ML，釋放更多運算的潛能，機器在不需經過手動給特殊指令的前提下，憑藉機器本身具備的程式學習能力，不斷使用大量數據，進而持續提升運算出來結果的精準度。換言之，機器持續一連串自動學習過程，讓運算逐漸展現比以往更精準的成效。
解釋這麼多，有沒有更簡單的例子？事實上，我們日常生活，早就充滿ML的身影。從手機的助理功能、智慧音箱的語音辨識，到購物網站跳出「猜你會喜歡」的推播建議，都是藉助大量資料的投入、演算，最後跑出最符合個人化的指令需求。
更具體的ML案例從Facebook觀察，他們利用機器學習功能，無時無刻掌握、分析用戶平常按哪一類貼文讚，在哪些主題停留較長時間，進而演算出更貼近用戶偏好的個人化內容。又或是深受年輕人喜愛的Netflix，也是根據用戶對不同主題影音的觀看長度、停留率，讓ML分析大量複雜資料，所以不同帳號登入，推薦的影片清單自然都不一樣。
▐ 自動化到創新化，企業4步輕鬆部署感受ML威力
當然，台灣的中小企業，論IT規模、工程師人數都比不上Facebook、Netflix這樣的大企業，但仍有更快速又輕鬆的方式，從雲端展開ML嘗試之旅。如同Hotels.com副總裁兼資料科學長Matthew Fryer曾說：「AWS是我們精心挑選的ML平台，為開發人員帶來全新方式，協助我們打造世界級旅行平台。」
正因為AWS的信念是「讓機器學習掌握在每個開發人員手中」，所以中小企業的工程師，能夠直接在AWS雲端平台從預先已訓練的AI服務，選擇電腦視覺、語言、推薦或預測等項目。
在雲端展開部署ML旅程，資料運算自動化是第一步起點，快速建立起ML模型，第二步優化數據以擴大價值，接著第三步是增加訓練ML新的功能特徵，擴大企業商業服務多元性，最後一步則是邁向持續創新，將企業掌握的獨特Know-How回饋給產業，帶動市場進步。
要從自動化到持續創新，企業必須經歷：組織擁護ML文化、洞察需要哪些數據、提升團隊技術能量、找尋關鍵商業痛點、持續規模化等五大流程。對一般企業可能覺得不易實現，然而，正因為AWS提供「Amazon SageMaker」這項全受管服務，讓開發人員、資料科學家，得以更快速、輕鬆部署及訓練ML模型。
除了快速導入效益，ML最關鍵在於使用歷史資料進行模型訓練及評估。因為不同資料組容易導致預測結果的有效性，經一段時間後影響模型品質。對此，「Amazon SageMaker」還提供「Model Monitor」模型監控功能，持續偵測模型品質，快速辨識問題並及早採取補救，透過稽核或再訓練模型。
▐ 加速邁開ML步伐，3大成功案例及寶藏全在研討會
除了相關功能認知，究竟企業在AWS雲端平台進行ML部署，切確帶來哪些商業服務的優勢呢？以下來自不同行業的3個案例，證明邁開ML佈局步伐，一點都不難。
案例一：台灣石油化工製造商Formosa Plastics
Formosa Plastics致力提供垂直整合塑料樹脂及石油化工產品，是台灣頂尖製造商。為了提升產品質量，決定藉助ML提升品質瑕疵偵測、降低人工成本。Formosa Plastics首選AWS作為探索ML的最佳夥伴，在AWS ML Solutions Lab，從定義商業使用、選擇ML模型到實際部署，獲得AWS大力支援。導入「Amazon SageMaker」之後，Formosa Plastics員工手動檢查時間大幅縮短50%，而且當生產條件變更後，仍能持續優化「SageMaker」模型。
案例二：台灣AI影像分析團隊Beseye
台灣 AI 影像分析團隊Beseye致力提供安全攝影機的人工智慧影像分析服務，獨家的骨幹分析技術，可深度分析場域中人群的行為及意義。藉助「Amazon EC2 P3」提升分析效能，同時透過CloudWatch與ASG等服務有效管理部署，讓Beseye的解決方案落地美國、英國及日本等十個國家。這項AI影像分析技術，目前廣泛應用在大型公共交通設施、大型零售店家、工廠生產線，克服當前人臉辨識無法解決的距離及角度限制等問題。
案例三：國際醫療設備大廠GE Healthcare
國際大廠GE Healthcare為了持續維持競爭力，期望透過ML協助醫院降低營運成本，讓病患獲得更妥善的照護。於是GE Healthcare攜手AWS，在「Amazon SageMaker」平台大規模部署ML解決方案。GE Healthcare與教學醫院合作建立一套演算資料庫，改善傳統X光攝影技術，藉由ML辨識X光片異常結果提升醫師的判斷。最終結果，82% 醫療決策者肯定ML資料庫改善醫護品質；63%受訪表示有效降低病患再次入院率。
看完上述企業成果，開發人員還能透過什麼方式，更快熟悉ML的導入？ AWS將在2020年3月27日舉辦一場線上研討會：「加速你的機器學習之旅 – AWS 最新技術與應用」。更深入說明AWS機器學習實踐方式及最新的AI服務應用。另一方面，本次研討會也將邀請台灣 AI 影像分析團隊Beseye，分享他們的商業模式，以及如何善用「Amazon EC2 P3」提升分析效能等實務心得。
相信透過本次研討會，將呈現最廣泛、最深入的機器學習和AI服務說明。
更多AWS機器學習資訊：https://go.aws/2TVAY7a
出處: INSIDE
