211service.com
L'apprendimento automatico nel cloud aiuta le aziende a innovare
In associazione con AWS
Nell'ultimo decennio, l'apprendimento automatico è diventata una tecnologia familiare per migliorare l'efficienza e l'accuratezza di processi come raccomandazioni, previsioni della catena di approvvigionamento, sviluppo di chatbot, ricerca di immagini e testo e funzioni di servizio clienti automatizzate, solo per citarne alcuni. L'apprendimento automatico oggi sta diventando ancora più pervasivo, con un impatto su ogni segmento di mercato e settore, inclusi produzione, piattaforme SaaS, assistenza sanitaria, instradamento delle prenotazioni e dell'assistenza clienti, attività di elaborazione del linguaggio naturale (NLP) come l'elaborazione intelligente dei documenti e persino servizi di ristorazione.
Prendiamo il caso di Domino's Pizza, che utilizza strumenti di apprendimento automatico creati per migliorare l'efficienza nella produzione della pizza. Domino's aveva un progetto chiamato Project 3/10, che mirava ad avere una pizza pronta per il ritiro entro tre minuti da un ordine, o farla consegnare entro 10 minuti da un ordine, afferma il dottor Bratin Saha, vicepresidente e direttore generale della macchina servizi di apprendimento per Amazon AI. Se vuoi raggiungere questi obiettivi, devi essere in grado di prevedere quando arriverà un ordine di pizza. Usano modelli di apprendimento automatico predittivo per raggiungerlo.
Il recente aumento dell'apprendimento automatico in diversi settori è stato guidato da miglioramenti in altre aree tecnologiche, afferma Saha, non ultimo la crescente potenza di elaborazione nei data center cloud.
Negli ultimi anni, spiega Saha, la quantità di calcolo totale che può essere assegnata ai problemi di apprendimento automatico è raddoppiata quasi ogni quattro mesi. È da 5 a 6 volte più della legge di Moore. Di conseguenza, molte funzioni che una volta potevano essere svolte solo dagli esseri umani, come rilevare un oggetto o comprendere il parlato, vengono eseguite da computer e modelli di apprendimento automatico.
In AWS, tutto ciò che facciamo funziona a partire dal cliente e capiamo come riduciamo i suoi punti deboli e come rendiamo loro più facile l'apprendimento automatico. In fondo alla pila di servizi di machine learning, stiamo innovando sull'infrastruttura di machine learning in modo da rendere più economico per i clienti l'apprendimento automatico e più veloce per i clienti l'apprendimento automatico. Lì abbiamo due innovazioni AWS. Uno è Inferentia e l'altro è Trainium.
Gli attuali casi d'uso dell'apprendimento automatico che aiutano le aziende a ottimizzare il valore dei propri dati per eseguire attività e migliorare i prodotti sono solo l'inizio, afferma Saha.
L'apprendimento automatico diventerà sempre più pervasivo. Le aziende vedranno di essere in grado di trasformare radicalmente il modo in cui fanno affari. Vedranno che stanno trasformando radicalmente l'esperienza del cliente e abbracceranno l'apprendimento automatico.
Mostra note e riferimenti
Infrastruttura di apprendimento automatico AWS
Trascrizione completa
Lauro Ruma : Da MIT Technology Review, sono Laurel Ruma. Questo è Business Lab, lo spettacolo che aiuta i leader aziendali a dare un senso alle nuove tecnologie che escono dal laboratorio e nel mercato.
Il nostro argomento oggi è l'apprendimento automatico nel cloud. In tutti i settori, l'aumento esponenziale della raccolta dei dati richiede modi nuovi e più rapidi per analizzare i dati, ma anche imparare da essi per prendere decisioni aziendali migliori. È così che il machine learning nel cloud aiuta ad alimentare l'innovazione per le aziende, dalle startup ai player legacy.
Due parole per te: innovazione dei dati. Il mio ospite è il dottor Bratin Saha, vicepresidente e direttore generale dei servizi di machine learning per Amazon AI. Ha ricoperto ruoli esecutivi presso NVIDIA e Intel. Questo episodio di Business Lab è prodotto in associazione con AWS. Benvenuto, Bratino.
Bratin Saha : Grazie per avermi ospitato, Laurel. È bello essere qui.
Alloro: In cima, potresti fornire alcuni esempi di come i clienti AWS utilizzano l'apprendimento automatico per risolvere i loro problemi aziendali?
Bratino : Iniziamo con la definizione di cosa intendiamo per machine learning. L'apprendimento automatico è un processo in cui un computer e un algoritmo possono utilizzare i dati, in genere dati storici, per comprendere i modelli e quindi utilizzare tali informazioni per fare previsioni sul futuro. Le aziende hanno utilizzato l'apprendimento automatico per fare una varietà di cose, come personalizzare i consigli, migliorare le previsioni della catena di approvvigionamento, creare chatbot, utilizzarlo nell'assistenza sanitaria e così via.
Ad esempio, Autodesk è stata in grado di utilizzare l'infrastruttura di machine learning di cui disponiamo per i loro chatbot per migliorare la loro capacità di gestire le richieste di quasi cinque volte. Sono stati in grado di utilizzare i chatbot migliorati per rispondere a oltre 100.000 domande dei clienti al mese.
Poi c'è il portafoglio Nerd. Nerd Wallet è una startup di finanza personale che non ha personalizzato i consigli che stavano dando ai clienti in base alle preferenze del cliente. Ora stanno utilizzando i servizi di apprendimento automatico di AWS per adattare i consigli a ciò che una persona vuole effettivamente vedere, il che ha notevolmente migliorato la sua attività.
Poi abbiamo clienti come Thomson Reuters. Thomson Reuters è uno dei fornitori di risposte più affidabili al mondo, con team di esperti. Usano l'apprendimento automatico per estrarre i dati per connettersi e organizzare le informazioni per rendere più facile per loro fornire risposte alle domande.
Nel settore finanziario, abbiamo assistito a una forte diffusione delle applicazioni di apprendimento automatico. Una società, ad esempio, è un fornitore di servizi di pagamento, è stata in grado di creare un modello di rilevamento delle frodi in soli 30 minuti.
Il motivo per cui ti sto dando così tanti esempi è mostrare come l'apprendimento automatico stia diventando pervasivo. Attraverserà le aree geografiche, i segmenti di mercato e verrà utilizzato da aziende di ogni tipo. Ho alcuni altri esempi che voglio condividere per mostrare come l'apprendimento automatico stia toccando anche settori come la produzione, la consegna di cibo e così via.
Domino's Pizza, ad esempio, aveva un progetto chiamato Project 3/10, in cui volevano avere una pizza pronta per il ritiro entro tre minuti dall'ordine o riceverla entro 10 minuti dall'ordine. Se vuoi raggiungere questi obiettivi, devi essere in grado di prevedere quando arriverà un ordine di pizza. Usano modelli di apprendimento automatico per esaminare la cronologia degli ordini. Quindi usano il modello di apprendimento automatico che è stato addestrato su quella cronologia degli ordini. Sono stati quindi in grado di utilizzarlo per prevedere quando sarebbe arrivato un ordine e sono stati in grado di distribuirlo a molti negozi e sono stati in grado di raggiungere gli obiettivi.
L'apprendimento automatico è diventato pervasivo nel modo in cui i nostri clienti fanno affari. Sta iniziando ad essere adottato praticamente in ogni settore. Abbiamo più di diverse centinaia di migliaia di clienti che utilizzano i nostri servizi di machine learning. Uno dei nostri servizi di machine learning, Amazon SageMaker, è stato uno dei servizi in più rapida crescita nella storia di AWS.
Alloro : Tanto per ricapitolare, i clienti possono utilizzare i servizi di machine learning per risolvere una serie di problemi. Alcuni dei problemi di alto livello sarebbero un motore di raccomandazione, ricerca di immagini, ricerca di testo e servizio clienti, ma poi, anche, per migliorare la qualità del prodotto stesso.
Mi piace l'esempio di Domino's Pizza. Tutti capiscono come può funzionare una pizzeria. Ma se l'obiettivo è trasformare le pizze il più rapidamente possibile, per aumentare la soddisfazione del cliente, Domino's doveva essere in un luogo in cui raccogliere dati, essere in grado di analizzare quei dati storici su quando arrivavano gli ordini, quanto velocemente li trasformavano ordini, quanto spesso le persone hanno ordinato ciò che hanno ordinato, ecc. Era su questo che si basava il modello di previsione, giusto?
Bratino : Sì. Hai posto una domanda su come pensiamo ai servizi di machine learning. Se osservi lo stack di apprendimento automatico di AWS, lo consideriamo un servizio a tre livelli. Lo strato inferiore è l'infrastruttura di apprendimento automatico.
Ciò che intendo con questo è che quando hai un modello, stai addestrando il modello per prevedere qualcosa. Quindi le previsioni sono dove fai questa cosa chiamata inferenza. Al livello inferiore, forniamo l'infrastruttura più ottimizzata, in modo che i clienti possano creare i propri sistemi di machine learning.
Poi c'è uno strato sopra, in cui i clienti vengono e ci dicono: 'Sai una cosa? Voglio solo concentrarmi sull'apprendimento automatico. Non voglio costruire un'infrastruttura di machine learning.' È qui che entra in gioco Amazon SageMaker.
Poi c'è uno strato in più, che è ciò che chiamiamo servizi di intelligenza artificiale, in cui abbiamo modelli pre-addestrati che possono essere utilizzati per molti casi d'uso.
Quindi, consideriamo l'apprendimento automatico come tre livelli. Clienti diversi utilizzano i servizi a livelli diversi, in base a ciò che desiderano, in base al tipo di esperienza di data science di cui dispongono e in base al tipo di investimenti che desiderano effettuare.
L'altra parte del nostro punto di vista risale a ciò che lei ha menzionato all'inizio, ovvero dati e innovazione. L'apprendimento automatico riguarda fondamentalmente l'acquisizione di informazioni dettagliate dai dati e l'utilizzo di tali informazioni per fare previsioni sul futuro. Quindi usi queste previsioni per ricavare valore aziendale.
Nel caso di Domino's Pizza, sono disponibili dati sui modelli di ordini storici che possono essere utilizzati per prevedere modelli di ordini futuri. Il valore aziendale è migliorare il servizio clienti preparando gli ordini in tempo. Un altro esempio è Frozen Custard di Freddy, che utilizzava l'apprendimento automatico per personalizzare i menu. Di conseguenza, sono stati in grado di ottenere un aumento a due cifre delle vendite. Quindi, si tratta davvero di avere dati e quindi utilizzare l'apprendimento automatico per ottenere informazioni approfondite da quei dati. Una volta ottenute informazioni dettagliate da tali dati, le utilizzi per ottenere risultati aziendali migliori. Questo risale a ciò che hai menzionato all'inizio: inizi con i dati e poi usi l'apprendimento automatico per innovare.
Alloro : Quali sono alcune delle sfide che le organizzazioni devono affrontare quando iniziano i loro viaggi di apprendimento automatico?
Bratino : La prima cosa è raccogliere i dati e assicurarsi che siano strutturati bene, dati puliti, che non presentino molte anomalie. Quindi, poiché i modelli di apprendimento automatico in genere migliorano se puoi addestrarli con un numero sempre maggiore di dati, è necessario continuare a raccogliere grandi quantità di dati. Vediamo spesso i clienti creare data lake nel cloud, ad esempio su Amazon S3. Quindi, il primo passo è mettere in ordine i tuoi dati e quindi creare potenzialmente data lake nel cloud che puoi utilizzare per alimentare la tua innovazione basata sui dati.
Il prossimo passo è mettere a punto l'infrastruttura giusta. È qui che alcuni clienti dicono: 'Guarda, voglio solo costruire l'intera infrastruttura da solo', ma la stragrande maggioranza dei clienti dice: 'Guarda, voglio solo essere in grado di utilizzare un servizio gestito perché non voglio devono investire nella costruzione dell'infrastruttura e nella manutenzione dell'infrastruttura, e così via.
Il prossimo è scegliere un business case. Se non hai mai fatto il machine learning prima, allora vuoi iniziare con un business case che porti a un buon risultato aziendale. Spesso ciò che può succedere con l'apprendimento automatico è vedere che è interessante, fare alcune demo davvero interessanti, ma quelle non si traducono in risultati di business, quindi inizi a sperimentare e non ottieni davvero il supporto di cui hai bisogno.
Infine, hai bisogno di impegno perché l'apprendimento automatico è un processo molto iterativo. Stai addestrando una modella. Il primo modello che alleni potrebbe non darti i risultati che desideri. C'è un processo di sperimentazione e iterazione che devi attraversare e possono essere necessari alcuni mesi per ottenere risultati. Quindi, mettere insieme una squadra e dare loro il supporto di cui hanno bisogno è la parte finale.
Se dovessi mettere questo in termini di una sequenza di passaggi, è importante disporre di dati e una cultura dei dati. Nella maggior parte dei casi è importante che i clienti scelgano di utilizzare un servizio gestito per creare e addestrare i propri modelli nel cloud, semplicemente perché si ottiene spazio di archiviazione molto più semplice e si ottengono calcoli molto più semplici. Il terzo è scegliere un caso d'uso che avrà un valore aziendale, in modo che la tua azienda sappia che si tratta di qualcosa che desideri implementare su larga scala. E poi, infine, sii paziente e sii disposto a sperimentare e ripetere, perché spesso ci vuole un po' di tempo per ottenere i dati necessari per addestrare bene i modelli e ottenere effettivamente il valore aziendale.
Alloro : Giusto, perché non è qualcosa che accade dall'oggi al domani.
Bratino : Non succede dall'oggi al domani.
Alloro : In che modo le aziende si preparano a sfruttare i dati? Perché, come hai detto, questo è un processo in quattro fasi, ma devi ancora avere pazienza alla fine per essere iterativo e sperimentale. Ad esempio, hai idee su come le aziende possono pensare ai loro dati in modi che le renda più preparate a vedere il successo, magari con il loro primo esperimento, e poi forse essere un po' più avventurose mentre provano altri set di dati o altri modi di avvicinarsi ai dati?
Bratino : Sì. Le aziende di solito iniziano con un caso d'uso in cui hanno una storia di buoni dati. Quello che intendo con una storia di buoni dati è che hanno un registro delle transazioni che sono state effettuate e la maggior parte dei record sono accurati. Ad esempio, non hai molte transazioni di record vuote.
In genere, abbiamo visto che il livello di maturità dei dati varia tra le diverse parti di un'azienda. Inizi con la parte di un'azienda in cui la cultura dei dati è molto più diffusa. Inizi da lì in modo da avere un record delle transazioni storiche che hai archiviato. Vuoi davvero avere dati abbastanza densi da usare per addestrare i tuoi modelli.
Alloro : Perché ora è il momento giusto per le aziende di iniziare a pensare all'implementazione del machine learning nel cloud?
Bratino : Penso che ora stia accadendo una confluenza di fattori. Uno è che l'apprendimento automatico negli ultimi cinque anni è davvero decollato. Questo perché la quantità di calcolo disponibile è aumentata a un ritmo molto veloce. Se torni alla rivoluzione informatica, la rivoluzione informatica è stata guidata dalla legge di Moore. Secondo la legge di Moore, il calcolo raddoppia ogni 18 mesi.
Negli ultimi anni, la quantità di calcolo totale è raddoppiata quasi ogni quattro mesi. È cinque volte più della legge di Moore. La quantità di progressi che abbiamo visto negli ultimi quattro o cinque anni è stata davvero sorprendente. Di conseguenza, molte funzioni che una volta potevano essere svolte solo dagli esseri umani, come il rilevamento di un oggetto o la comprensione del parlato, vengono eseguite da computer e modelli di apprendimento automatico. Di conseguenza, molte capacità vengono liberate. Questo è ciò che ha portato a questo enorme aumento dell'applicabilità dell'apprendimento automatico: puoi usarlo per la personalizzazione, puoi usarlo nell'assistenza sanitaria e nella finanza, puoi usarlo per attività come la previsione dell'abbandono, il rilevamento delle frodi e così via.
Uno dei motivi per cui ora è un buon momento per iniziare l'apprendimento automatico nel cloud è proprio l'enorme quantità di progressi negli ultimi anni che stanno liberando queste nuove capacità che prima non erano possibili.
Il secondo motivo è che molti dei servizi di machine learning costruiti nel cloud stanno rendendo il machine learning accessibile a molte più persone. Anche se guardi quattro o cinque anni fa, l'apprendimento automatico era qualcosa che solo professionisti molto esperti potevano fare e solo una manciata di aziende erano in grado di fare perché avevano professionisti esperti. Oggi abbiamo più di centomila clienti che utilizzano i nostri servizi di machine learning. Questo ti dice che l'apprendimento automatico è stato democratizzato in larga misura, in modo che molte più aziende possano iniziare a utilizzare l'apprendimento automatico e trasformare il proprio business.
Poi arriva il terzo motivo, ovvero che hai capacità straordinarie che ora sono possibili e hai strumenti basati su cloud che stanno democratizzando queste capacità. Il modo più semplice per accedere a questi strumenti e a queste funzionalità è tramite il cloud perché, in primo luogo, fornisce le basi di elaborazione e dati. L'apprendimento automatico consiste, in sostanza, nel generare molto calcolo sui dati. Nel cloud, puoi accedere al calcolo più recente. Paghi in base al consumo e non devi fare enormi investimenti in anticipo per creare fattorie di calcolo. Ottieni anche tutto lo spazio di archiviazione, la sicurezza, la privacy e la crittografia e così via, tutta l'infrastruttura di base necessaria per avviare il machine learning.
Alloro : Allora Bratin, in che modo AWS innova per aiutare le organizzazioni con l'apprendimento automatico, la formazione di modelli e l'inferenza?
Bratino : In AWS, tutto ciò che facciamo funziona a partire dal cliente e capiamo come riduciamo i suoi punti deboli e come rendiamo loro più facile l'apprendimento automatico. In fondo alla pila di servizi di machine learning, stiamo innovando sull'infrastruttura di machine learning in modo da rendere più economico per i clienti l'apprendimento automatico e più veloce per i clienti l'apprendimento automatico. Lì abbiamo due innovazioni AWS. Uno è Inferentia e l'altro è Trainium. Si tratta di chip personalizzati che abbiamo progettato in AWS e creati appositamente per l'inferenza, che è il processo di creazione di previsioni di machine learning, e per l'addestramento. Inferentia oggi fornisce le istanze di inferenza a costo più basso nel cloud. E Trainium, quando sarà disponibile entro la fine dell'anno, fornirà le istanze di formazione più potenti e più convenienti nel cloud.
Oggi abbiamo un certo numero di clienti che utilizzano Inferentia. Autodesk utilizza Inferentia per ospitare i propri modelli di chatbot e sono stati in grado di migliorare i costi e le latenze di quasi cinque volte. Airbnb ha oltre quattro milioni di host che accolgono più di 900 milioni di ospiti in quasi tutti i paesi. Grazie alle istanze di Inferentia, Airbnb ha registrato un miglioramento di due volte della velocità effettiva, il che significa che sono stati in grado di soddisfare quasi il doppio delle richieste di assistenza clienti rispetto a quanto sarebbero stati in grado di fare altrimenti. Un'altra azienda chiamata Sprinklr sviluppa una piattaforma SaaS per l'esperienza del cliente e dispone di una piattaforma di gestione dell'esperienza del cliente unificata basata sull'intelligenza artificiale. Sono stati in grado di distribuire i modelli di elaborazione del linguaggio naturale in Inferentia e hanno riscontrato anche miglioramenti significativi delle prestazioni.
Anche internamente, il nostro team di Alexa è stato in grado di spostare le proprie inferenze dalle GPU ai sistemi basati su Inferentia e ha riscontrato un aumento dei costi di oltre il 50% grazie a questi sistemi basati su Inferentia. Quindi, lo abbiamo al livello più basso dell'infrastruttura. Inoltre, abbiamo i servizi gestiti, in cui stiamo innovando in modo che i clienti diventino molto più produttivi. È qui che abbiamo SageMaker Studio, che è il primo IDE al mondo, che offre strumenti come debugger e profiler e spiegabilità, e una miriade di altri strumenti, come uno strumento di preparazione dei dati visivi, che rendono i clienti molto più produttivi. Inoltre, abbiamo i servizi di intelligenza artificiale in cui forniamo modelli pre-addestrati per casi d'uso come la ricerca e l'elaborazione di documenti (Kendra per la ricerca, Textract per l'elaborazione di documenti, il riconoscimento di immagini e video), in cui stiamo innovando per rendere più facile per i clienti per affrontare questi casi d'uso immediatamente.
Alloro : Quindi, ci sono sicuramente alcuni vantaggi per i servizi di apprendimento automatico nel cloud, come un migliore servizio clienti, una migliore qualità e, si spera, un aumento del profitto, ma quali indicatori chiave di prestazione sono importanti per il successo dei progetti di apprendimento automatico e perché questi indicatori particolari sono così importanti?
Bratino : Stiamo rispondendo al cliente, riprendendo i punti deboli in base a ciò che i clienti ci dicono e inventando per conto dei clienti per vedere come possiamo innovare per rendere loro più facile l'apprendimento automatico. Una parte dell'apprendimento automatico, come ho già detto, sono le previsioni. Spesso, il grande costo dell'apprendimento automatico in termini di infrastruttura è nell'inferenza. Ecco perché abbiamo creato Inferentia, che oggi sono le istanze di machine learning più convenienti nel cloud. Quindi, stiamo innovando a livello hardware.
Abbiamo anche annunciato Tranium. Saranno le istanze di formazione più potenti e più convenienti nel cloud. Quindi, stiamo prima innovando a livello di infrastruttura in modo da poter fornire ai clienti il calcolo più conveniente.
Successivamente, abbiamo esaminato i punti deboli di ciò che serve per creare un servizio ML. Hai bisogno di servizi di raccolta dati, hai bisogno di un modo per configurare un'infrastruttura distribuita, hai bisogno di un modo per configurare un sistema di inferenza ed essere in grado di ridimensionarlo automaticamente e così via. Abbiamo riflettuto a lungo su come costruire questa infrastruttura e innovazione attorno ai clienti.
Quindi abbiamo esaminato alcuni casi d'uso. Pertanto, per molti di questi casi d'uso, che si tratti di ricerca, riconoscimento e rilevamento di oggetti o elaborazione intelligente dei documenti, disponiamo di servizi che i clienti possono utilizzare direttamente. E continuiamo a innovare per loro conto. Sono sicuro che quest'anno e il prossimo anno offriremo molte più funzionalità per vedere come possiamo rendere più semplice per i nostri clienti l'uso dell'apprendimento automatico.
Alloro : Quali indicatori chiave di prestazione sono importanti per il successo dei progetti di apprendimento automatico? Abbiamo parlato un po' di come ti piace migliorare il servizio clienti e la qualità e, naturalmente, aumentare i profitti, ma assegnare un KPI a un modello di apprendimento automatico è qualcosa di leggermente diverso. E perché sono così importanti?
Bratino : per assegnare i KPI, devi ripassare dal tuo caso d'uso. Quindi, supponiamo che tu voglia utilizzare l'apprendimento automatico per ridurre le frodi. Il tuo KPI complessivo è, qual è stata la riduzione del rilevamento delle frodi? Oppure supponiamo che tu voglia usarlo per la riduzione dell'abbandono. Stai gestendo un'attività, i tuoi clienti stanno arrivando, ma un certo numero di loro si sta trasformando. Vuoi quindi iniziare con, come faccio a ridurre il tasso di abbandono dei miei clienti di una certa percentuale? Quindi, inizi con il KPI di livello superiore, che è un risultato aziendale che desideri ottenere e come ottenere un miglioramento in tale risultato aziendale.
Prendiamo l'esempio della previsione dell'abbandono. Alla fine della giornata, quello che sta succedendo è che hai un modello di apprendimento automatico che utilizza i dati e la quantità di formazione necessaria per fare determinate previsioni su quale cliente si sforzerà. Ciò si riduce, quindi, all'accuratezza del modello. Se il modello dice che 100 persone si sforzeranno, quante di loro cambieranno effettivamente? Quindi, diventa una questione di precisione. E poi vuoi anche vedere quanto bene il modello di apprendimento automatico ha rilevato tutti i casi.
Quindi, ci sono due aspetti della qualità che stai cercando. Uno è, delle cose che il modello prevedeva, quante di esse sono realmente accadute? Diciamo che questo modello prevedeva che questi 100 clienti si sarebbero agitati. Quanti di loro sfornano effettivamente? E diciamo solo che 95 di loro cambiano davvero. Quindi, hai una precisione del 95%. L'altro aspetto è, supponiamo che tu stia gestendo questa attività e che tu abbia 1.000 clienti. E diciamo che in un anno particolare, 200 di loro hanno agitato. Quanti di quei 200 secondo il modello avrebbero effettivamente sfornato? Questo si chiama richiamo, che è, dato l'insieme totale, quanto è in grado di prevedere il modello di apprendimento automatico? Quindi, fondamentalmente, inizi da questa metrica aziendale, che è il risultato che voglio ottenere, e poi puoi convertirla in metriche di accuratezza del modello in termini di precisione, ovvero quanto era accurato il modello nel prevedere determinate cose, e poi ricordare, che è quanto esauriente o quanto completo fosse il modello nel rilevare tutte le situazioni.
Quindi, ad alto livello, queste sono le cose che stai cercando. E poi passerai alle metriche di livello inferiore. I modelli sono in esecuzione su determinate istanze su determinati pezzi di calcolo: qual è stato il costo dell'infrastruttura e come posso ridurre tali costi? Questi servizi, ad esempio, vengono utilizzati per gestire i picchi durante il Prime Day o il Black Friday e così via. Quindi, arrivi a quelle metriche di livello inferiore, ovvero, sono in grado di gestire i picchi di traffico? È davvero un insieme gerarchico di KPI. Inizia con la metrica aziendale, scendi alle metriche del modello, quindi scendi alle metriche dell'infrastruttura.
Alloro : Quando pensi all'apprendimento automatico nel cloud nei prossimi tre o cinque anni, cosa vedi? A cosa stai pensando? Cosa possono fare le aziende ora per prepararsi a ciò che verrà?
Bratino : Penso che ciò che accadrà è che l'apprendimento automatico diventerà più pervasivo. Perché ciò che accadrà è che i clienti vedranno di essere in grado di trasformare radicalmente il modo di fare affari. Le aziende vedranno che stanno trasformando fondamentalmente l'esperienza del cliente e abbracceranno l'apprendimento automatico. Lo abbiamo visto anche su Amazon: abbiamo una lunga storia di investimenti nell'apprendimento automatico. Lo facciamo da oltre 20 anni e abbiamo cambiato il modo in cui serviamo i clienti con amazon.com o Alexa o Amazon Go, Prime. E ora con AWS, dove abbiamo acquisito questa conoscenza che abbiamo acquisito negli ultimi due decenni di distribuzione dell'apprendimento automatico su larga scala e la stiamo mettendo a disposizione dei nostri clienti ora. Quindi, penso che vedremo un utilizzo molto più rapido dell'apprendimento automatico.
Quindi vedremo molti casi d'uso ampi come l'elaborazione intelligente dei documenti, molta elaborazione basata su carta, diventerà automatizzata perché un modello di apprendimento automatico è ora in grado di scansionare quei documenti e dedurne le informazioni: dedurre le informazioni semantiche, non solo la sintassi. Se pensi ai processi cartacei, che si tratti di elaborazione di prestiti e di elaborazione di mutui, molti di questi verranno automatizzati. Quindi, stiamo anche vedendo che le aziende diventano molto più efficienti in termini di personalizzazione come previsioni, previsioni della catena di approvvigionamento, previsioni della domanda e così via.
Stiamo assistendo a una forte diffusione dell'apprendimento automatico in ambito sanitario. Abbiamo clienti, ad esempio GE utilizza un servizio di apprendimento automatico per la radiologia. Usano l'apprendimento automatico per scansionare le immagini radiologiche per determinare quali sono più gravi e, quindi, si desidera portare i pazienti in anticipo. Stiamo anche vedendo il potenziale e l'opportunità per l'utilizzo dell'apprendimento automatico nella genomica per la medicina di precisione. Quindi, penso che molta innovazione accadrà con l'apprendimento automatico nell'assistenza sanitaria.
Vedremo molto apprendimento automatico nella produzione. Molti processi di produzione diventeranno più efficienti, automatizzati e più sicuri grazie all'apprendimento automatico.
Quindi, vedo che nei prossimi cinque o dieci anni, scegliere qualsiasi dominio, come sport, NFL, NASCAR, Bundesliga, utilizzeranno tutti i nostri servizi di apprendimento automatico. La NFL utilizza Amazon SageMaker per offrire ai propri fan un'esperienza più coinvolgente attraverso Next Gen Stats. La Bundesliga utilizza i nostri servizi di machine learning per fare una serie di previsioni e fornire un'esperienza molto più coinvolgente. Lo stesso con NASCAR. NASCAR ha molti dati storici delle loro gare e li stanno usando per addestrare i modelli per fornire un'esperienza molto più coinvolgente ai loro spettatori perché possono prevedere molto più facilmente cosa accadrà. Quindi, sport, intrattenimento, servizi finanziari, assistenza sanitaria, produzione: penso che vedremo un'adozione molto maggiore dell'apprendimento automatico e renderemo il mondo un posto più intelligente, più sano e più sicuro.
Alloro : Che bella conversazione. Grazie mille, Bratin per essersi unito a noi su Business Lab.
Bratino : Grazie. Grazie per avermi. È stato davvero bello parlare con te.
Alloro : Era il dottor Bratin Saha, vicepresidente e direttore generale dei servizi di apprendimento automatico per Amazon AI, con cui ho parlato da Cambridge, Massachusetts, sede del MIT e della MIT Technology Review che si affaccia sul fiume Charles. Questo è tutto per questo episodio di Diritto commerciale. Sono la tua ospite, Laurel Ruma. Sono il direttore di Insights, la divisione di pubblicazione personalizzata di MIT Technology Review. Siamo stati fondati nel 1899 presso il Massachusetts Institute of Technology. E puoi trovarci anche in stampe sul web e in occasione di eventi ogni anno in tutto il mondo. Per ulteriori informazioni su di noi e sullo spettacolo, visita il nostro sito Web all'indirizzo technologyreview.com. Questo programma è disponibile ovunque tu abbia i tuoi podcast. Se ti piace questo episodio, speriamo che ti prenderai un momento per valutarci e recensirci. Business Lab è una produzione di MIT Technology Review. Questo episodio è stato prodotto da Collective Next. Grazie per aver ascoltato.