Strojové učení v cloudu pomáhá firmám inovovat

Ve spojení s AWS

V posledním desetiletí se strojové učení stalo známou technologií pro zlepšení efektivity a přesnosti procesů, jako jsou doporučení, prognózy dodavatelského řetězce, vývoj chatbotů, vyhledávání obrázků a textů a funkce automatizovaných služeb zákazníkům, abychom jmenovali alespoň některé. Strojové učení se dnes stává ještě všudypřítomnější a ovlivňuje každý segment trhu a odvětví, včetně výroby, platforem SaaS, zdravotní péče, rezervací a směrování zákaznické podpory, úloh zpracování přirozeného jazyka (NLP), jako je inteligentní zpracování dokumentů, a dokonce i stravovací služby.

Vezměme si příklad společnosti Domino’s Pizza, která využívá nástroje strojového učení vytvořené ke zlepšení efektivity výroby pizzy. Domino's měl projekt nazvaný Projekt 3/10, jehož cílem bylo mít pizzu připravenou k vyzvednutí do tří minut od objednávky nebo ji nechat doručit do 10 minut od objednávky, říká Dr. Bratin Saha, viceprezident a generální ředitel stroje. výukové služby pro Amazon AI. Pokud chcete dosáhnout těchto cílů, musíte být schopni předvídat, kdy přijde objednávka pizzy. K dosažení toho používají modely prediktivního strojového učení.

Nedávný vzestup strojového učení v různých odvětvích byl řízen zlepšeními v jiných technologických oblastech, říká Saha – v neposlední řadě je to rostoucí výpočetní výkon v cloudových datových centrech.

Během několika posledních let, vysvětluje Saha, se objem celkového výpočtu, který lze použít při problémech se strojovým učením, zdvojnásobil téměř každé čtyři měsíce. To je 5 až 6krát více než Moorův zákon. Výsledkem je, že mnoho funkcí, které kdysi mohli provádět pouze lidé – věci jako detekce předmětu nebo porozumění řeči – vykonávají počítače a modely strojového učení.

V AWS vše, co děláme, funguje zpětně od zákazníka a zjišťujeme, jak snižujeme jeho bolestivá místa a jak jim usnadňujeme strojové učení. Na konci seznamu služeb strojového učení inovujeme infrastrukturu strojového učení, abychom zákazníkům mohli zlevnit strojové učení a urychlit zákazníkům strojové učení. Máme zde dvě inovace AWS. Jedním je Inferentia a druhým Trainium.

Současné případy použití strojového učení, které firmám pomáhají optimalizovat hodnotu jejich dat pro provádění úkolů a zlepšování produktů, jsou jen začátek, říká Saha.

Strojové učení se jen stane všudypřítomnější. Společnosti uvidí, že jsou schopny zásadně změnit způsob, jakým podnikají. Uvidí, že zásadně mění zákaznickou zkušenost, a přijmou strojové učení.

Zobrazit poznámky a odkazy

Infrastruktura strojového učení AWS

Úplný přepis

Laurel Ruma : Z MIT Technology Review, jmenuji se Laurel Ruma. Toto je Business Lab, show, která pomáhá vedoucím podnikům pochopit nové technologie vycházející z laboratoře a na trh.

Naším dnešním tématem je strojové učení v cloudu. Ve všech odvětvích vyžaduje exponenciální nárůst shromažďování dat rychlejší a neotřelé způsoby analýzy dat, ale také se z nich poučit, abyste mohli dělat lepší obchodní rozhodnutí. Takto strojové učení v cloudu pomáhá podněcovat inovace pro podniky, od začínajících až po starší hráče.

Dvě slova pro vás: datová inovace. Mým hostem je Dr. Bratin Saha, viceprezident a generální manažer služeb strojového učení pro Amazon AI. Zastával výkonné role ve společnostech NVIDIA a Intel. Tato epizoda Business Lab je vyrobena ve spolupráci s AWS. Vítej, Bratine.

Bratin Saha : Děkuji, že mě máš, Laurel. Je skvělé být tady.

Vavřín: Na úvod, můžete uvést nějaké příklady toho, jak zákazníci AWS využívají strojové učení k řešení svých obchodních problémů?

Bratin : Začněme definicí toho, co rozumíme pod pojmem strojové učení. Strojové učení je proces, kdy počítač a algoritmus mohou používat data, obvykle historická data, k pochopení vzorců a poté tyto informace použít k předpovědím budoucnosti. Firmy využívají strojové učení k různým věcem, jako je personalizace doporučení, zlepšení předpovědí dodavatelského řetězce, vytváření chatbotů, jeho použití ve zdravotnictví a tak dále.

Například Autodesk dokázal využít infrastrukturu strojového učení, kterou máme pro své chatboty, ke zlepšení jejich schopnosti zpracovávat požadavky téměř pětinásobně. Byli schopni používat vylepšené chatboty k řešení více než 100 000 dotazů zákazníků měsíčně.

Pak je tu Nerd Wallet. Nerd Wallet je osobní finanční startup, který nepersonalizoval doporučení, která dávala zákazníkům, na základě preferencí zákazníka. Nyní používají služby strojového učení AWS k přizpůsobení doporučení tomu, co člověk skutečně chce vidět, což výrazně zlepšilo jejich podnikání.

Pak tu máme zákazníky jako Thomson Reuters. Thomson Reuters je jedním z nejdůvěryhodnějších poskytovatelů odpovědí na světě s týmy odborníků. Používají strojové učení k dolování dat k propojení a organizaci informací, aby jim bylo snazší poskytovat odpovědi na otázky.

Ve finančním sektoru jsme byli svědky velkého rozšíření aplikací strojového učení. Jedna společnost, která je například poskytovatelem platebních služeb, dokázala vytvořit model detekce podvodů za pouhých 30 minut.

Důvodem, proč vám uvádím tolik příkladů, je ukázat, jak se strojové učení stává všudypřítomným. Prochází napříč geografickými oblastmi, prochází napříč segmenty trhu a je používán společnostmi všeho druhu. Mám několik dalších příkladů, o které se chci podělit, abych ukázal, jak se strojové učení dotýká také průmyslových odvětví, jako je výroba, rozvoz potravin a tak dále.

Domino's Pizza například měla projekt s názvem Project 3/10, kde chtěli mít pizzu připravenou k vyzvednutí do tří minut od objednávky nebo ji doručit do 10 minut od objednávky. Pokud chcete dosáhnout těchto cílů, musíte být schopni předvídat, kdy přijde objednávka pizzy. Používají modely strojového učení, aby se podívali na historii objednávek. Poté použijí model strojového učení, který byl natrénován na této historii objednávky. To pak dokázali použít k předpovědi, kdy přijde objednávka, a dokázali to nasadit do mnoha obchodů a byli schopni zasáhnout cíle.

Strojové učení se stalo všudypřítomným v tom, jak naši zákazníci podnikají. Začíná se uplatňovat prakticky v každém odvětví. Naše služby strojového učení využívá více než několik set tisíc zákazníků. Jedna z našich služeb strojového učení, Amazon SageMaker, byla jednou z nejrychleji rostoucích služeb v historii AWS.

Vavřín : Jen pro rekapitulaci, zákazníci mohou využít služeb strojového učení k řešení řady problémů. Některé z problémů na vysoké úrovni by byly motor doporučení, vyhledávání obrázků, textové vyhledávání a zákaznický servis, ale také zlepšení kvality samotného produktu.

Líbí se mi příklad Domino's Pizza. Každý chápe, jak může pizzerie fungovat. Ale pokud je cílem otočit pizzy co nejrychleji, aby se zvýšila spokojenost zákazníků, Domino's muselo být na místě, kde shromažďovat data, být schopno analyzovat historická data o tom, kdy objednávky přišly, jak rychle se obrátily. objednávky, jak často si lidé objednávali to, co si objednali, atd. Na tom byl založen predikční model, že?

Bratin : Ano. Položili jste otázku, jak přemýšlíme o službách strojového učení. Pokud se podíváte na zásobník strojového učení AWS, uvažujeme o něm jako o třívrstvé službě. Spodní vrstva je infrastruktura strojového učení.

Chci tím říct, že když máte model, trénujete model, aby něco předpovídal. Pak jsou předpovědi, kde děláte věc zvanou inference. Na spodní vrstvě poskytujeme nejoptimalizovanější infrastrukturu, takže zákazníci mohou budovat své vlastní systémy strojového učení.

Pak je navrchu vrstva, kam zákazníci přicházejí a říkají nám: ‚Víte co? Chci se jen soustředit na strojové učení. Nechci budovat infrastrukturu strojového učení.“ Zde přichází na řadu Amazon SageMaker.

Pak je tu vrstva navrchu, které říkáme služby AI, kde máme předtrénované modely, které lze použít pro mnoho případů použití.

Na strojové učení se tedy díváme jako na tři vrstvy. Různí zákazníci využívají služby na různých úrovních, na základě toho, co chtějí, na základě odbornosti v oblasti datové vědy, kterou mají, a na základě druhu investic, které chtějí provést.

Druhá část našeho pohledu se vrací k tomu, co jste zmínili na začátku, což jsou data a inovace. Strojové učení je v podstatě o získávání poznatků z dat a použití těchto poznatků k předpovídání budoucnosti. Tyto předpovědi pak použijete k odvození obchodní hodnoty.

V případě Domino's Pizza existují údaje o historických vzorcích objednávek, které lze použít k předpovědi budoucích vzorců objednávek. Obchodní hodnotou je zlepšení zákaznických služeb tím, že objednávky budou připraveny včas. Dalším příkladem je Freddy's Frozen Custard, který používal strojové učení k přizpůsobení menu. Díky tomu dokázali získat dvouciferný nárůst tržeb. Takže je to opravdu o tom mít data a pak pomocí strojového učení získat přehled z těchto dat. Jakmile získáte statistiky z těchto dat, můžete je použít k dosažení lepších obchodních výsledků. To se vrací k tomu, co jste zmínili na začátku: začnete s daty a poté pomocí strojového učení inovujete.

Vavřín : S jakými problémy se organizace potýkají, když začínají své cesty strojového učení?

Bratin : První věcí je shromáždit data a ujistit se, že jsou dobře strukturovaná – čistá data – která nemají mnoho anomálií. Poté, protože modely strojového učení se obvykle zlepšují, pokud je můžete trénovat pomocí stále většího množství dat, musíte pokračovat ve shromažďování obrovského množství dat. Často vidíme, jak zákazníci vytvářejí datová jezera v cloudu, jako je například Amazon S3. Prvním krokem je tedy dát svá data do pořádku a poté potenciálně vytvořit datová jezera v cloudu, která můžete použít k podpoře inovací založených na datech.

Dalším krokem je vytvoření správné infrastruktury. To je místo, kde někteří zákazníci říkají: „Podívejte, chci si celou infrastrukturu vybudovat sám,“ ale naprostá většina zákazníků říká: „Podívejte, chci jen mít možnost používat spravovanou službu, protože nechci musí investovat do budování infrastruktury a údržby infrastruktury a tak dále.

Dalším krokem je výběr obchodního případu. Pokud jste strojové učení ještě nedělali, pak chcete začít s obchodním případem, který vede k dobrému obchodnímu výsledku. Při strojovém učení se často může stát, že uvidíte, že je to skvělé, uděláte pár opravdu skvělých ukázek, ale ty se nepromítnou do obchodních výsledků, takže začnete experimentovat a ve skutečnosti nezískáte podporu, kterou potřebujete.

Nakonec potřebujete závazek, protože strojové učení je velmi iterativní proces. Trénuješ modelku. První model, který trénujete, vám nemusí přinést výsledky, po kterých toužíte. Existuje proces experimentování a opakování, kterým musíte projít, a může vám trvat několik měsíců, než získáte výsledky. Takže sestavení týmu a poskytnutí podpory, kterou potřebují, je poslední část.

Pokud bych to měl vyjádřit jako posloupnost kroků, je důležité mít data a datovou kulturu. Pro zákazníky je ve většině případů důležité, aby si zvolili použití spravované služby k sestavení a trénování svých modelů v cloudu, jednoduše proto, že získáte mnohem jednodušší úložiště a mnohem jednodušší výpočty. Třetím je vybrat případ použití, který bude mít obchodní hodnotu, aby vaše společnost věděla, že jde o něco, co chcete nasadit ve velkém. A nakonec buďte trpěliví a buďte ochotni experimentovat a opakovat, protože získání dat, která potřebujete k dobrému trénování modelů a skutečně získat obchodní hodnotu, často zabere trochu času.

Vavřín : Správně, protože to není něco, co se stane přes noc.

Bratin : Nestane se to přes noc.

Vavřín : Jak se společnosti připravují na využití dat? Protože, jak jste řekl, je to čtyřstupňový proces, ale stále musíte mít trpělivost na konci, abyste mohli být iterační a experimentální. Máte například nápady, jak mohou společnosti přemýšlet o svých datech způsobem, který je učiní lépe připravenými na úspěch, třeba s jejich prvním experimentem, a pak možná být trochu dobrodružnější, když zkoušejí jiné soubory dat nebo jiné způsoby? přístupu k datům?

Bratin : Ano. Společnosti obvykle začínají případem použití, kde mají v minulosti dobrá data. Historií dobrých dat myslím to, že mají záznamy o transakcích, které byly provedeny, a většina záznamů je přesných. Například nemáte mnoho prázdných záznamů transakcí.

Obvykle jsme viděli, že úroveň zralosti dat se mezi různými částmi společnosti liší. Začnete částí společnosti, kde je kultura dat mnohem rozšířenější. Začnete odtud, abyste měli záznam historických transakcí, které jste uložili. Opravdu chcete mít poměrně hustá data, která můžete použít k trénování svých modelů.

Vavřín : Proč je nyní ten správný čas, aby společnosti začaly přemýšlet o nasazení strojového učení v cloudu?

Bratin : Myslím, že nyní dochází ke souběhu faktorů. Jedním z nich je, že strojové učení se za posledních pět let skutečně rozmohlo. Je to proto, že množství dostupných výpočetních prostředků roste velmi rychlým tempem. Pokud se vrátíte k revoluci IT, revoluce IT byla řízena Moorovým zákonem. Podle Moorova zákona se výpočet každých 18 měsíců zdvojnásobil.

Během posledních několika let se objem celkového výpočtu téměř každé čtyři měsíce zdvojnásobil. To je pětkrát více než Moorův zákon. Množství pokroku, kterého jsme za poslední čtyři až pět let viděli, bylo opravdu úžasné. Výsledkem je, že mnoho funkcí, které kdysi mohli provádět pouze lidé – jako je detekce předmětu nebo porozumění řeči – je vykonáváno počítači a modely strojového učení. V důsledku toho se uvolňuje mnoho schopností. To je to, co vedlo k tomuto enormnímu nárůstu použitelnosti strojového učení – můžete jej použít pro personalizaci, můžete jej použít ve zdravotnictví a financích, můžete jej použít pro úkoly, jako je predikce odchodu, detekce podvodů a tak dále.

Jedním z důvodů, proč je nyní vhodný čas začít se strojovým učením v cloudu, je právě obrovský pokrok v posledních několika letech, který uvolňuje tyto nové schopnosti, které dříve nebyly možné.

Druhým důvodem je, že mnoho služeb strojového učení budovaných v cloudu zpřístupňuje strojové učení mnohem většímu počtu lidí. I když se podíváte na dobu před čtyřmi až pěti lety, strojové učení bylo něco, co mohli dělat jen velmi zkušení odborníci z praxe a jen hrstka společností to dokázala, protože měly odborníky z praxe. Dnes máme více než sto tisíc zákazníků využívajících naše služby strojového učení. To vám říká, že strojové učení bylo do značné míry demokratizováno, takže mnohem více společností může začít používat strojové učení a transformovat své podnikání.

Pak přichází třetí důvod, a to ten, že máte úžasné schopnosti, které jsou nyní možné, a máte cloudové nástroje, které tyto schopnosti demokratizují. Nejjednodušší způsob, jak získat přístup k těmto nástrojům a těmto možnostem, je prostřednictvím cloudu, protože zaprvé poskytuje základ pro výpočet a data. Strojové učení je ve svém jádru o vrhání velkého množství výpočtů na data. V cloudu získáte přístup k nejnovějším výpočtům. Platíte za chodu a nemusíte vynakládat obrovské investice předem na zřízení výpočetních farem. Získáte také veškeré úložiště a zabezpečení, soukromí a šifrování a tak dále – veškerou základní infrastrukturu, která je potřebná pro spuštění strojového učení.

Vavřín : Takže Bratine, jak AWS inovuje, aby pomohla organizacím se strojovým učením, modelovým školením a vyvozováním?

Bratin : V AWS vše, co děláme, funguje zpětně od zákazníka a zjišťujeme, jak snižujeme jeho bolestivá místa a jak jim usnadňujeme strojové učení. Na konci seznamu služeb strojového učení inovujeme infrastrukturu strojového učení, abychom zákazníkům mohli zlevnit strojové učení a urychlit zákazníkům strojové učení. Máme zde dvě inovace AWS. Jedním je Inferentia a druhým Trainium. Jedná se o vlastní čipy, které jsme navrhli v AWS a které jsou účelově vytvořeny pro odvození, což je proces vytváření předpovědí strojového učení, a pro školení. Inferentia dnes poskytuje instance s nejnižšími náklady v cloudu. A Trainium, až bude k dispozici koncem tohoto roku, bude poskytovat nejvýkonnější a cenově nejefektivnější školicí instance v cloudu.

Dnes máme řadu zákazníků, kteří používají Inferentia. Autodesk používá Inferentia k hostování svých modelů chatbotů a podařilo se jim zlepšit náklady a latence téměř pětkrát. Airbnb má přes čtyři miliony hostitelů, kteří vítají více než 900 milionů hostů v téměř každé zemi. Airbnb zaznamenalo dvojnásobné zlepšení propustnosti díky použití instancí Inferentia, což znamená, že dokázalo obsloužit téměř dvakrát tolik požadavků na zákaznickou podporu, než by bylo jinak schopné. Další společnost s názvem Sprinklr vyvíjí platformu pro zákaznickou zkušenost SaaS a má platformu pro správu sjednocené zákaznické zkušenosti založenou na umělé inteligenci. Dokázali nasadit modely zpracování přirozeného jazyka v Inferentia a také zaznamenali výrazná zlepšení výkonu.

Dokonce i interně byl náš tým Alexa schopen přesunout své závěry z GPU na systémy založené na Inferentia a díky těmto systémům založeným na Inferentia zaznamenali více než 50% zlepšení nákladů. Takže to máme na nejnižší vrstvě infrastruktury. Kromě toho máme řízené služby, kde inovujeme, aby se zákazníci stali mnohem produktivnějšími. To je místo, kde máme SageMaker Studio, což je první IDE na světě, které nabízí nástroje jako debuggery a profilery a vysvětlitelnost a řadu dalších nástrojů – jako je nástroj pro přípravu vizuálních dat – díky nimž jsou zákazníci mnohem produktivnější. Kromě toho máme služby umělé inteligence, kde poskytujeme předem připravené modely pro případy použití, jako je vyhledávání a zpracování dokumentů – Kendra pro vyhledávání, Textract pro zpracování dokumentů, rozpoznávání obrázků a videa – kde inovujeme, abychom to zákazníkům usnadnili. řešit tyto případy použití hned po vybalení.

Vavřín : Určitě tedy existují určité výhody pro služby strojového učení v cloudu – jako je lepší zákaznický servis, lepší kvalita a doufejme i vyšší zisk, ale jaké klíčové ukazatele výkonu jsou důležité pro úspěch projektů strojového učení, a proč jsou tyto konkrétní ukazatele tak důležité?

Bratin : Pracujeme zpět od zákazníka, pracujeme zpět od bolestivých bodů na základě toho, co nám zákazníci říkají, a vymýšlíme jménem zákazníků, abychom viděli, jak můžeme inovovat, abychom jim usnadnili strojové učení. Jednou částí strojového učení, jak jsem již zmínil, jsou předpovědi. Často jsou velké náklady na strojové učení z hlediska infrastruktury odvozeny. Proto jsme přišli s Inferentia, což jsou dnes cenově nejefektivnější instance strojového učení v cloudu. Inovujeme tedy na úrovni hardwaru.

Oznámili jsme také Tranium. Půjde o nejvýkonnější a cenově nejefektivnější školicí instance v cloudu. Nejprve tedy inovujeme na vrstvě infrastruktury, abychom zákazníkům mohli poskytovat co nejhospodárnější výpočetní výkon.

Dále jsme se podívali na bolestivá místa toho, co je potřeba k vybudování služby ML. Potřebujete služby sběru dat, potřebujete způsob, jak nastavit distribuovanou infrastrukturu, potřebujete způsob, jak nastavit inferenční systém a být schopen jej automaticky škálovat a tak dále. Hodně jsme přemýšleli o tom, jak vybudovat tuto infrastrukturu a inovace kolem zákazníků.

Pak jsme se podívali na některé případy použití. Takže pro mnoho z těchto případů použití, ať už jde o vyhledávání, rozpoznávání a detekci objektů nebo inteligentní zpracování dokumentů, máme služby, které mohou zákazníci přímo využívat. A jejich jménem pokračujeme v inovacích. Jsem si jistý, že letos a v příštím roce vymyslíme mnohem více funkcí, abychom zjistili, jak můžeme našim zákazníkům usnadnit používání strojového učení.

Vavřín : Jaké klíčové ukazatele výkonu jsou důležité pro úspěch projektů strojového učení? Trochu jsme mluvili o tom, jak rádi zlepšujete zákaznický servis a kvalitu a samozřejmě zvyšujete zisk, ale přiřadit KPI k modelu strojového učení, to je něco trochu jiného. A proč jsou tak důležité?

Bratin : Chcete-li přiřadit KPI, musíte se vrátit od svého případu použití. Řekněme tedy, že chcete pomocí strojového učení omezit podvody. Vaše celkové KPI je, jaké bylo snížení odhalování podvodů? Nebo řekněme, že jej chcete použít pro snížení ztráty. Podnikáte, vaši zákazníci přicházejí, ale určitý počet z nich chrlí. Chcete tedy začít tím, jak mohu snížit odchod zákazníků o několik procent? Takže začnete s KPI nejvyšší úrovně, což je obchodní výsledek, kterého chcete dosáhnout, a jak dosáhnout zlepšení tohoto obchodního výsledku.

Vezměme si příklad předpovědi odchodu. Na konci dne, co se děje, je to, že máte model strojového učení, který využívá data a množství školení, které musel udělat, aby mohl předvídat, kolem kterých se zákazník bude hrbit. To se scvrkává na přesnost modelu. Pokud model říká, že 100 lidí bude stloukat, kolik z nich ve skutečnosti stlouká? Takže to bude otázka přesnosti. A pak se také chcete podívat na to, jak dobře model strojového učení všechny případy detekoval.

Existují tedy dva aspekty kvality, které hledáte. Jednou z věcí, které model předpověděl, kolik z nich se skutečně stalo? Řekněme, že tento model předpovídal, že těchto 100 zákazníků odejde. Kolik z nich ve skutečnosti stárne? A řekněme, že 95 z nich ve skutečnosti chrlí. Takže tam máte 95% přesnost. Dalším aspektem je, že předpokládejme, že provozujete tuto firmu a máte 1 000 zákazníků. A řekněme, že v konkrétním roce se jich vystřílelo 200. Kolik z těchto 200 podle předpovědi modelu skutečně vyprchá? Tomu se říká odvolání, což je vzhledem k celkovému souboru, kolik je model strojového učení schopen předpovědět? Takže v zásadě začnete od této obchodní metriky, což je výsledek, kterého chci dosáhnout, a pak to můžete převést na metriky přesnosti modelu z hlediska přesnosti, což je, jak přesný byl model při předpovídání určitých věcí. a pak si vzpomeňte, jak vyčerpávající nebo jak komplexní byl model při odhalování všech situací.

Takže na vysoké úrovni, toto jsou věci, které hledáte. A pak přejdete k metrikám nižší úrovně. Modely běží na určitých instancích na určitých částech výpočtu: jaké byly náklady na infrastrukturu a jak mohu tyto náklady snížit? Tyto služby se například používají k řešení přepětí během Prime Day nebo Black Friday a tak dále. Takže se dostanete k těm metrikám nižší úrovně, což je, jsem schopen zvládnout nárůst provozu? Je to skutečně hierarchická sada KPI. Začněte obchodní metrikou, přejděte k metrikám modelu a poté přejděte k metrikám infrastruktury.

Vavřín : Když přemýšlíte o strojovém učení v cloudu v příštích třech až pěti letech, co vidíte? Na co myslíte? Co mohou nyní společnosti udělat, aby se připravily na to, co přijde?

Bratin : Myslím, že se stane to, že strojové učení bude všudypřítomnější. Protože to, co se stane, je, že zákazníci uvidí, že jsou schopni zásadně změnit způsob podnikání. Společnosti uvidí, že zásadně transformují zákaznickou zkušenost, a přijmou strojové učení. Viděli jsme to i v Amazonu – máme dlouhou historii investic do strojového učení. Děláme to již více než 20 let a změnili jsme způsob, jakým obsluhujeme zákazníky s amazon.com nebo Alexa nebo Amazon Go, Prime. A nyní s AWS, kde jsme převzali tyto znalosti, které jsme získali během posledních dvou desetiletí zavádění strojového učení ve velkém, a nyní je zpřístupňujeme našim zákazníkům. Takže si myslím, že uvidíme mnohem rychlejší nástup strojového učení.

Pak uvidíme mnoho případů širokého použití, jako je inteligentní zpracování dokumentů, mnoho papírového zpracování, které se stane automatizovaným, protože model strojového učení je nyní schopen skenovat tyto dokumenty a odvodit z nich informace – vyvozovat sémantické informace, nikoli jen syntaxe. Pokud přemýšlíte o papírových procesech, ať už jde o vyřizování úvěrů a hypoték, mnohé z nich se zautomatizují. Pak jsme také svědky toho, jak jsou podniky mnohem efektivnější, pokud jde o personalizaci, jako je prognózování, prognóza dodavatelského řetězce, prognóza poptávky a tak dále.

Jsme svědky velkého využívání strojového učení v oblasti zdraví. Máme zákazníky, například GE využívá službu strojového učení pro radiologii. Používají strojové učení ke skenování radiologických snímků, aby určili, které z nich jsou závažnější, a proto chcete pacienty dostat včas. Vidíme také potenciál a příležitost pro využití strojového učení v genomice pro přesnou medicínu. Takže si myslím, že se strojovým učením ve zdravotnictví stane hodně inovací.

Ve výrobě uvidíme hodně strojového učení. Mnoho výrobních procesů bude díky strojovému učení efektivnější, automatizované a bezpečnější.

Takže vidím, že v příštích pěti až deseti letech si vyberte jakoukoli doménu – jako sport, NFL, NASCAR, Bundesliga, všechny využívají naše služby strojového učení. NFL používá Amazon SageMaker, aby svým fanouškům poskytla více pohlcující zážitek prostřednictvím statistik Next Gen Stats. Bundesliga využívá naše služby strojového učení k vytváření řady předpovědí a poskytování mnohem více pohlcujícího zážitku. To samé s NASCAR. NASCAR má spoustu datové historie z jejich závodů a využívá to k trénování modelů, aby svým divákům poskytly mnohem více pohlcující zážitek, protože mohou mnohem snadněji předvídat, co se stane. Takže sport, zábava, finanční služby, zdravotní péče, výroba – myslím, že budeme svědky mnohem většího zavádění strojového učení a díky tomu, že svět bude chytřejší, zdravější a bezpečnější.

Vavřín : Skvělý rozhovor. Děkuji mnohokrát, Bratine, že jste se k nám připojil v Business Lab.

Bratin : Děkuju. Děkuji, že mě máš. Bylo opravdu příjemné s vámi mluvit.

Vavřín : To byl Dr. Bratin Saha, viceprezident a generální ředitel služeb strojového učení pro Amazon AI, se kterým jsem mluvil z Cambridge, Massachusetts, sídla MIT a MIT Technology Review s výhledem na řeku Charles. To je pro tento díl Obchodního práva vše. Jsem váš hostitel, Laurel Ruma. Jsem ředitelem Insights, vlastní vydavatelské divize MIT Technology Review. Byli jsme založeni v roce 1899 na Massachusetts Institute of Technology. A můžete nás také najít v tištěné podobě na webu a na akcích každý rok po celém světě. Pro více informací o nás a show se prosím podívejte na naše webové stránky na adrese technologyreview.com. Tato show je k dispozici všude, kde získáte své podcasty. Pokud se vám tato epizoda líbí, doufáme, že si najdete chvilku, abyste nás ohodnotili a zrecenzovali. Business Lab je produktem MIT Technology Review. Tato epizoda byla produkována Collective Next. Díky za poslech.

skrýt