成功取得AI成效的三大关键-普及普惠付诸实操稳定可靠

付诸实操稳定可靠 成三功大取关得键：AI普成及效普的惠 在生成式人工智能时代挖掘机器学习的巨大潜能 目录 第一部分–市场 简介4 概览5 第二部分–成功的关键要素 关键要素1：普及普惠7 关键要素2：付诸实操9 关键要素3：建立信任11 理想成效由此开始15 2 生成式 – 第一部分 人工智能投资和创新不断增长 人工市场智能快速发展推动了 3 4 简介 为什么人工智能空前重要 人工智能（AI）的种子早在几十年前就已萌芽，但随着可扩展计算容量的顺利推出、数据量的急剧增加，再加上机器学习（ML）技术的快速发展，各行各业的组织都在进行业务转型。 像ChatGPT这样面向消费者的应用程序，就带来了令人赞叹不已的成果，该平台以激动人心的方式，简单明了地向人们展示了当今机器学习模型的强大功能和复杂性。与此同时，生成式人工智能成功吸引了大家的广泛关注，并极大地丰富了人们的想象力。我们确实身处一个转折点，我们相信，生成式人工智能将重塑大部分客户体验和应用程序。 尽管人们对于生成式人工智能增长情况的具体估计众口不一，但这项技术会对全球经济产生巨大的影响却是一个不争的事实。无论组织是否进行了这笔投资，这些数字都可能会对他们产生非常惊人的影响。高盛集团指出，生成式人工智能或将在10年内推动全球GDP增长7%（约合近7万亿美元），并将生产率提高1.5个百分点。1彭博社预计，到2030年，生成式人工智能的支出将超过 1090亿美元，2022年至2030年的复合年均增长率（CAGR）将达到34.6%。2 无论您是已经在借助生成式工具扩展人工智能计划，还是刚刚踏上人工智能和机器学习之旅，如果能有一份清晰的参考指南，将会有利于您制定战略并确保成功取得成效。本电子书将概述通向成功的三大战略支柱，并提供一些您可以在组织中付诸实施的实用建议。 1《GenerativeAIcouldraiseglobalGDPby7%》，高盛集团，2023年4月 2《GenerativeAIMarkettobeWorth$109.37Billionby2023:GrandViewResearch,Inc,》，彭博社，2023年1月 生成式人工智能是一种可以生成新内容和想法（包括对话、故事、图像、视频和音乐）的人工智能。与所有人工智能一样，生成式人工智能也是由基于大量数据进行预训练的大型模型提供支持，这些模型通常称为根基模型（FM）。由于机器学习领域近期突飞猛进，包含数以十亿计的参数或变量的模型也在不断涌现。 举例来说，2019年最大的预训练模型就具有3.3亿个参数。而现在，最大的模型包含超过5000亿个参数，在短短几年内增加了1600倍。当今的根基模型可以执行跨越多个领域的各类任务，例如撰写博客文章、生成图像、解答数学难题、参与对话，以及根据文档回答问题等。根基模型的大小和通用性质不同于传统的机器学习模型，后者通常执行特定任务，例如分析文本中所表达的情绪、对图像进行分类和预测趋势。 根基模型可以执行的任务非常多，因为这些模型包含大量的参数，因而能够学习复杂的概念。并且，通过以各种形式和无数的模式预训练互联网规模的数据，根基模型学会了在各种环境中应用所学到的知识。虽然预训练的根基模型的功能和由此产生的可能性令人惊叹，但组织更注重这样一个事实，即只需利用一小部分从头开始训练模型所需的数据和计算资源，即可对这些通用模型进行定制，让其执行特定领域的功能，从而实现差异化竞争优势。 定制版根基模型可以让银行、旅游和医疗保健等各消费行业的公司打造出独特的客户体验，凸出自己独有的理念、风格和服务。例如，如果一家金融公司需要根据所有相关交易来自动生成日常活动报告，以供内部传阅，则可以使用包括以往报告在内的专有数据定制模型，这样，根基模型就可以学习应该如何阅读这些报告，以及在生成这些报告时使用哪些数据。 概览 什么是生成式人工智能？ 5 第二部分–成功的关键要素 3更大多关地键运要用素到有业助务于中组织将人工智能 6 Intuit、ThomsonReuters、AstraZeneca、Ferrari、 Bundesliga、3M和BMW等客户，以及世界各地 数行自千身家完初善创、企行业业和转政型府、机使构命，重都塑在。通过人工智能进 7 普及普惠 关键要素1 能应用程序对所有人而言要既简单又实用。该关键要素称为普及普惠，对于 为了让大众能跟上人工智能领域快速创新的步伐，务必要确保生成式人工智 许多亚马逊云科技客户来说，要想挖掘这些强大技术的潜能，此为第一步。组织希望通过亚马逊云科技能够获得一些简单直接的方法，来寻找和访问高性能根基模型（FM），从而打造出色的业务成果，极大地满足各种业务任务的需求。第二步的重点就是确保将根基模型无缝集成到应用程序中，而不必管理庞大的基础设施集群，也不会产生高昂的成本。第三步也是最后一步，旨在简化在基础FM上利用每个组织的数据（少量数据或大量数据）构建差异化应用程序的过程，同时确保数据的安全性。 高价值的事务。 人的工更智多能应普用及程化序就自能动够化，将以我使们我在们生能活、有工更作多和的娱时乐间中集所中使处用理 一条通向普惠人工智能的清晰路线 亚马逊云科技致力于普及人工智能技术，让任何想要使用人工智能的人都能接触到这项技术，包括超过10万家各行各业以及各种规模的客户。我们的人工智能和机器学习服务组合最广泛、最深入。亚马逊云科技大力进行投资和创新，提供了性能最高且高度可扩展的基础设施，进而实现极具成本效益的机器学习训练和推理；开发了AmazonSageMaker，让所有开发人员都能够通过最简单的方法构建、训练和部署模型；并推出了广泛的人工智能服务，让客户通过简单的API调用，即可将图像识别、预测或智能搜索等人工智能功能加入到应用程序中。 我们对生成式人工智能采用了同样的普及方法：我们试图将这种技术带出研发领域，让更多组织和大众都能应用到此项技术，而不是只有少数初创企业和资金雄厚的大型科技公司才能触及。 AmazonBedrock是使用根基模型构建和扩展生成式人工智能应用程序的最简便方法，在所有构建者中逐渐得到推广普及。Bedrock通过可扩展、可靠且安全的亚马逊云科技托管式服务，让组织能够使用一系列功能强大的FM（包括AmazonTitanFM）来处理文本和图像。凭借Bedrock无服务器体验，亚马逊云科技客户可以轻松地找到自己想要完成任务所需的理想模型，快速上手，用自己的数据专门定制FM，并使用自己熟悉的亚马逊云科技工具和功能，轻松将这些FM集成和部署到应用程序中，而无需管理任何基础设施。 Bedrock客户可以从当今最前沿的一些根基模型中进行选择。其中包括AI21Labs的Jurassic-2系列的多语言大型语言模型（LLM），这些模型能够根据自然语言指令来生成西班牙语、法语、德语、葡萄牙语、意大利语和荷兰语的文本。Claude 是Anthropic的LLM，擅长于深刻对话、内容创作、复杂推理、创造力和代码编写，可以执行各种对话和文本处理任务，并且基于ConstitutionalAI和无害化训练。Cohere的命令文本生成模型经过训练后能够遵循用户命令，并可在摘要、文案、对话、提取和问答等实际商业应用中立刻发挥作用。Cohere的文本理解模型Embed可用于100多种语言的搜索、聚类或分类任务，使组织能够轻松地根据文本的含义进行搜索或对文本分类。利用Bedrock，还可以轻松访问StabilityAI的一套文本转图像根基模型，包括StableDiffusion（同类中最常用的根基模型），这些模型能够生成独特、逼真、优质的图像、艺术作品、徽标和设计作品。 Bedrock一项最重要的功能就是定制模型的过程极为轻松。客户只需将Bedrock指向AmazonSimpleStorageService（AmazonS3）中几个带标注的示例，该服务就可以针对特定任务微调模型，而无需对大量数据进行注释（20个示例就已足够）。 前面提过了，Bedrock使根基模型的应用得以普及，不过，生成式人工智能还可用于实现软件开发工作的普及。例证：人工智能代码编写助手AmazonCodeWhisperer可在底层使用根基模型，根据开发人员的自然语言注释，以及集成式开发环境（IDE）中的已有代码，来实时生成代码建议，从而大幅提高开发人员工作效率。在CodeWhisperer预览版期间，我们举办了一场工作效率挑战赛，与未使用CodeWhisperer的参与者相比，使用CodeWhisperer的参与者完成任务的速度平均快了57%，成功完成任务的可能性也高了27%。开发人员工作效率实现巨大飞跃，而我们相信这只是个开始。此外，CodeWhisperer对个人开发人员免费开放，因此随时可以轻松上手。 8 付诸实操 关键要素2 随着人工智能应用迅猛发展，商业和技术团队所面临的挑战在于需要不断构建出更多应用程序。在企业快马加鞭地将这些技术利用起来之际，组织几乎从未停下脚步，为机器学习开发工作规定标准工具和流程。结果，拥有不同技能和需要满足不同要求的不同团队，往往使用完全不同且互不相干的工具，这样就导致协作变得不切实际（即使协作并非完全不可能）。 例如，一个研发团队可能正在使用先进的算法和框架开发一款计算机视觉（CV）应用程序，而销售和营销团队正在构建一个线性回归模型，以便通过一份存储在本地服务器的电子表格，预测客户需求。或者，开发人员可能正在编写一款购物移动应用程序，并打算添加一个推荐引擎，以使客户体验更加个性化。 相比之下，很少有组织利用可以安全地连接的运营性机器学习工具和实践，例如基础设施、IDE、调试器、分析器、协作工具、工作流和项目管理工具等。这一现实，导致对业务分析师、开发人员和数据科学家等团队的管理，以及与现有软件工具和流程进行的协作，变得复杂。在这些常见的场景中，纵向扩缩变得极其困难。 好消息是，可以通过一种经过验证的方法，最大限度降低机器学习的风险和复杂性，同时还能为团队提供非常简单、可重复的操作，这种方法就是赋予机器学习实际操作性。 将机器学习付诸实际操作，便能为扩展提供工具、基础设施和操作方面的支持。要使机器学习可进行实际操作，数据科学团队首先要执行数据采集和建模活动，并通过清晰地了解企业对机器学习应用程序设定的目标以及所有监管和合规性问题，来掌握相关信息。MLOps可确保数据科学、生产和运维团队在已经尽可能自动化的一系列机器学习工作流中无缝协作。根据需要进行人工干预，以确保顺利地进行部署、监控数据、跟踪模型性能等。 9 “加在快亚开马发逊流云程科的技速平度台。上”，我们可以 KenjiTakeuchi，2021年 了解详情› MuellerWaterProducts技术解决方案部副总裁 10 userid:139428,docid:151491,date:2024-01-20,sgpjbg.com 亚马逊云科技如何协助客户为机器学习赋予实际可操作性 百万个模型，并生成数千亿个预测。 众所周知，AmazonSageMaker是一项能够帮助将机器学习普及的强大服务，因此同样也适合用来加以操作化。AmazonSageMaker能够将MLOps工作流的每一个步骤自动化和标准化，进而有便于项目不受限制地扩展。借助SageMaker，亚马逊云科技客户正在使用数十亿个参数运行数 SageMaker还提供了一项端到端的机器学习服务，可以执行数据标注、数据准备、特征工程、训练、托管、监控和工作流处理，而此类功能可以在AmazonSageMakerStudio中透过一个视觉界面即可实现。与自行管理的机器学习环境相比，数据科学团队的工作效率可以提高多达10倍，模型开发时间也能从数月缩短到几周。所有SageMaker功能都由云端的低成本、高性能、完全托管式基础设施提供。 亚马逊云科技客户正在使用下面这些SageMaker工具实现规模化（同时节省成本）： •Vanguard将其机器学习