机器学习在 Amazon 的使用情况如何？

　　人工智能（AI）是计算机科学领域，专注于解决与智能相关的认知问题，如学习、问题解决和模式识别等。提及AI，人们常联想到机器人或未来景象，但AI不仅限于科幻中的机器人，而是已深入现代非虚构的高级计算机科学。Pedro Domingos教授将机器学习划分为“五大学派”，包括象征主义、联结主义、进化论、贝叶斯定理及类比推理。近期，得益于统计计算效率的提升，贝叶斯定理学派在“机器学习”领域取得多项进展；同时，网络计算的进步也推动了联结主义学派在“深度学习”子领域的进步。机器学习（ML）与深度学习（DL）均属于源自AI的计算机科学领域。

　　从广义上，这些技术分为“有监督”和“无监督”学习技术。“有监督”使用包含预期输出的培训数据，而“无监督”则不使用。数据越多，AI越“智能”，学习速度越快。企业每日生成的数据为运行ML和DL解决方案提供“燃料”，包括从Amazon Redshift等数据仓库收集的数据、通过Mechanical Turk收集的正确标注数据以及通过Kinesis Streams动态挖掘的数据。随着IoT和传感技术的应用，需分析的数据量呈指数级增长，包括从未接触过的来源和位置接收的数据。

　　“机器学习”通常应用于一些用于模式识别和学习的贝叶斯技术。核心上，它是各种算法的集合，可根据记录的数据进行学习和预测，在不确定情境下优化给定效用函数，从数据中提取隐藏结构并用简洁的描述对数据进行分类。在显式编程过于僵化或不切实际时，通常会部署机器学习。与常规计算机代码不同，ML使用数据生成统计代码（ML模型），根据从先前输入（在使用监督技术的情况下还包括输出）示例中识别出的模式输出“正确结果”。ML模型的准确性主要取决于历史数据的质量和数量。

　　有了合适的数据，ML模型可使用数十亿的示例来分析高维度问题，找到能根据给定输入预测结果的最佳函数。ML模型通常会在预测及其整体性能方面提供统计置信度。在决定使用ML模型还是个人预测时，此类评估得分非常重要。

　　Amazon.com正在基于ML的系统上构建大量业务。没有ML，Amazon.com无法拓展业务、改善客户体验和选择，也无法优化其物流速度和质量。Amazon.com启动了亚马逊云科技，以便其他业务部门使用相同IT基础设施并享受其敏捷性和成本优势。现在，Amazon.com继续将ML技术推广到每项业务。

　　Amazon.com开发团队的结构和ML的核心任务（即解决务实的疑难业务问题）推动着Amazon.com和亚马逊云科技开发易于使用且功能强大的ML工具和服务。这些工具会先在Amazon.com的关键任务型环境中进行测试，然后作为亚马逊云科技服务发布，供每个业务部门使用。

　　机器学习通常用于根据历史数据预测未来结果。例如，组织可使用ML来根据特定人口统计信息预测未来财政季度的产品销量，或预测哪类客户最可能对品牌感到不满意或最为忠诚。此类预测有助于更好地制定业务决策、提供更加人性化的用户体验，并可能降低客户保持成本。ML可根据过去的趋势和交易预测未来结果，补充侧重于报告过去业务数据的商业智能（BI）。

　　成功在企业中实施ML需经历几个步骤：首先找出恰当的问题，即确定企业可从中获益的预测；接着根据历史业务指标（交易、销量、流失等）收集数据；整合数据后构建ML模型；运行模型并将预测输出应用到企业系统以制定更明智的决策。

　　深度学习是机器学习的一个分支，包含各种分层算法，旨在更好地了解数据。与基础回归算法不同，这些算法不再局限于创建一组可解释的关系。相反，深度学习依靠这些非线性算法层创建能够根据一系列因素交互的分布式表示。对于大型培训数据集，深度学习算法开始能够识别元素间的关系。这些关系可能存在于形状、颜色、文字等元素之间。由此可使用该系统创建预测。在ML和AI中，深度学习之所以强大是因为该系统能够识别的关系超出了人类可在软件中实际编码的关系，且能识别出人类甚至无法意识到的关系。经过充分培训后，算法网络便可开始预测或解释非常复杂的数据。