Maskinlæring i skyen hjelper bedrifter med innovasjon

I samarbeid med AWS

I det siste tiåret har maskinlæring blitt en kjent teknologi for å forbedre effektiviteten og nøyaktigheten til prosesser som anbefalinger, forsyningskjedeprognoser, utvikling av chatbots, bilde- og tekstsøk og automatiserte kundeservicefunksjoner, for å nevne noen. Maskinlæring i dag blir enda mer gjennomgripende, og påvirker alle markedssegmenter og industrier, inkludert produksjon, SaaS-plattformer, helsevesen, reservasjoner og kundestøtteruting, naturlig språkbehandling (NLP) oppgaver som intelligent dokumentbehandling, og til og med mattjenester.

Ta tilfellet med Domino's Pizza, som har brukt maskinlæringsverktøy laget for å forbedre effektiviteten i pizzaproduksjonen. Domino's hadde et prosjekt kalt Project 3/10, som hadde som mål å ha en pizza klar for henting innen tre minutter etter en bestilling, eller få den levert innen 10 minutter etter en bestilling, sier Dr. Bratin Saha, visepresident og daglig leder for maskin. læringstjenester for Amazon AI. Hvis du vil nå disse målene, må du kunne forutsi når en pizzabestilling vil komme inn. De bruker prediktive maskinlæringsmodeller for å oppnå det.

Den nylige økningen av maskinlæring på tvers av ulike bransjer har blitt drevet av forbedringer på andre teknologiske områder, sier Saha – ikke minst den økende datakraften i skydatasentre.

I løpet av de siste årene, forklarer Saha, har mengden av total beregning som kan kastes på maskinlæringsproblemer blitt doblet nesten hver fjerde måned. Det er 5 til 6 ganger mer enn Moores lov. Som et resultat blir mange funksjoner som en gang bare kunne utføres av mennesker – ting som å oppdage et objekt eller å forstå tale – utført av datamaskiner og maskinlæringsmodeller.

Hos AWS fungerer alt vi gjør tilbake fra kunden og finner ut hvordan vi reduserer smertepunktene deres og hvordan vi gjør det lettere for dem å gjøre maskinlæring. I bunnen av stabelen av maskinlæringstjenester, innoverer vi på maskinlæringsinfrastrukturen slik at vi kan gjøre det billigere for kunder å gjøre maskinlæring og raskere for kunder å gjøre maskinlæring. Der har vi to AWS-innovasjoner. Den ene er Inferentia og den andre er Trainium.

De nåværende brukstilfellene for maskinlæring som hjelper bedrifter med å optimalisere verdien av dataene deres for å utføre oppgaver og forbedre produkter er bare begynnelsen, sier Saha.

Maskinlæring kommer bare til å bli mer gjennomgripende. Bedrifter vil se at de er i stand til å endre måten de driver forretninger på. De vil se at de fundamentalt transformerer kundeopplevelsen, og de vil omfavne maskinlæring.

Vis notater og referanser

AWS maskinlæringsinfrastruktur

Full utskrift

Laurel Ruma : Fra MIT Technology Review, I'm Laurel Ruma. Dette er Business Lab, showet som hjelper bedriftsledere å forstå nye teknologier som kommer ut av laboratoriet og inn på markedet.

Temaet vårt i dag er maskinlæring i skyen. På tvers av alle bransjer krever den eksponentielle økningen av datainnsamling raskere og nye måter å analysere data på, men også lære av det for å ta bedre forretningsbeslutninger. Dette er hvordan maskinlæring i skyen bidrar til innovasjon for bedrifter, fra oppstart til eldre aktører.

To ord til deg: datainnovasjon. Min gjest er Dr. Bratin Saha, visepresident og daglig leder for maskinlæringstjenester for Amazon AI. Han har hatt ledende roller i NVIDIA og Intel. Denne episoden av Business Lab er produsert i samarbeid med AWS. Velkommen, Bratin.

Bratin Saha : Takk for at du har meg, Laurel. Det er flott å være her.

Laurel: På toppen, kan du gi noen eksempler på hvordan AWS-kunder bruker maskinlæring for å løse forretningsproblemer?

Bratin : La oss starte med definisjonen av hva vi mener med maskinlæring. Maskinlæring er en prosess der en datamaskin og en algoritme kan bruke data, vanligvis historiske data, for å forstå mønstre, og deretter bruke den informasjonen til å lage spådommer om fremtiden. Bedrifter har brukt maskinlæring til å gjøre en rekke ting, som å tilpasse anbefalinger, forbedre prognoser for forsyningskjeden, lage chatbots, bruke det i helsevesenet og så videre.

For eksempel var Autodesk i stand til å bruke maskinlæringsinfrastrukturen vi har for chatbotene deres for å forbedre deres evne til å håndtere forespørsler med nesten fem ganger. De var i stand til å bruke de forbedrede chatbotene til å svare på mer enn 100 000 kundespørsmål per måned.

Så er det Nerd Wallet. Nerd Wallet er en personlig økonomi-oppstart som ikke tilpasset anbefalingene de ga til kunder basert på kundens preferanser. De bruker nå AWS maskinlæringstjenester for å skreddersy anbefalingene til hva en person faktisk ønsker å se, noe som har forbedret virksomheten deres betydelig.

Så har vi kunder som Thomson Reuters. Thomson Reuters er en av verdens mest pålitelige leverandører av svar, med team av eksperter. De bruker maskinlæring for å utvinne data for å koble til og organisere informasjon for å gjøre det lettere for dem å gi svar på spørsmål.

I finanssektoren har vi sett mye oppgang innen maskinlæringsapplikasjoner. Et selskap, for eksempel, er en betalingstjenesteleverandør, var i stand til å bygge en svindeldeteksjonsmodell på bare 30 minutter.

Grunnen til at jeg gir deg så mange eksempler er for å vise hvordan maskinlæring blir gjennomgripende. Det går på tvers av geos, går på tvers av markedssegmenter og blir brukt av selskaper av alle slag. Jeg har noen andre eksempler jeg vil dele for å vise hvordan maskinlæring også berører bransjer som produksjon, matlevering og så videre.

Domino's Pizza hadde for eksempel et prosjekt kalt Project 3/10, hvor de ønsket å ha en pizza klar for henting innen tre minutter etter en bestilling, eller få den levert innen 10 minutter etter en bestilling. Hvis du vil nå disse målene, må du kunne forutsi når en pizzabestilling vil komme inn. De bruker maskinlæringsmodeller for å se på ordrehistorikken. Deretter bruker de maskinlæringsmodellen som ble trent på den ordrehistorikken. De var da i stand til å bruke det til å forutsi når en ordre ville komme inn, og de var i stand til å distribuere denne til mange butikker, og de var i stand til å treffe målene.

Maskinlæring har blitt gjennomgående i hvordan kundene våre driver forretninger. Det begynner å bli tatt i bruk i praktisk talt alle bransjer. Vi har mer enn flere hundre tusen kunder som bruker våre maskinlæringstjenester. En av våre maskinlæringstjenester, Amazon SageMaker, har vært en av de raskest voksende tjenestene i AWS-historien.

Laurel : Bare for å oppsummere kan kunder bruke maskinlæringstjenester for å løse en rekke problemer. Noen av problemene på høyt nivå vil være en anbefalingsmotor, bildesøk, tekstsøk og kundeservice, men da også å forbedre kvaliteten på selve produktet.

Jeg liker eksempelet på Domino's Pizza. Alle forstår hvordan en pizzavirksomhet kan fungere. Men hvis målet er å snu pizzaene så raskt som mulig, for å øke kundetilfredsheten, måtte Domino's være på et sted for å samle inn data, kunne analysere de historiske dataene om når bestillinger kom inn, hvor raskt de snudde disse bestillinger, hvor ofte folk bestilte det de bestilte, osv. Det var det prediksjonsmodellen var basert på, ikke sant?

Bratin : Ja. Du stilte et spørsmål om hvordan vi tenker om maskinlæringstjenester. Hvis du ser på AWS maskinlæringsstabel, tenker vi på det som en tre-lags tjeneste. Det nederste laget er maskinlæringsinfrastrukturen.

Det jeg mener med dette er at når du har en modell, trener du modellen til å forutsi noe. Da er spådommene der du gjør dette som kalles inferens. I det nederste laget tilbyr vi den mest optimaliserte infrastrukturen, slik at kundene kan bygge sine egne maskinlæringssystemer.

Så er det et lag på toppen av det, hvor kundene kommer og forteller oss: 'Vet du hva? Jeg vil bare være fokusert på maskinlæring. Jeg vil ikke bygge en maskinlæringsinfrastruktur.' Det er her Amazon SageMaker kommer inn.

Så er det et lag på toppen av det, som er det vi kaller AI-tjenester, hvor vi har ferdigtrente modeller som kan brukes til mange bruksområder.

Så vi ser på maskinlæring som tre lag. Ulike kunder bruker tjenester på forskjellige lag, basert på hva de ønsker, basert på hva slags datavitenskapelig kompetanse de har, og basert på hva slags investeringer de ønsker å gjøre.

Den andre delen av vårt syn går tilbake til det du nevnte i begynnelsen, som er data og innovasjon. Maskinlæring handler i bunn og grunn om å få innsikt fra data, og bruke denne innsikten til å lage spådommer om fremtiden. Deretter bruker du disse spådommene til å utlede forretningsverdi.

Når det gjelder Domino's Pizza, er det data rundt historiske ordremønstre som kan brukes til å forutsi fremtidige ordremønstre. Forretningsverdien der er å forbedre kundeservicen ved å få bestillinger klare i tide. Et annet eksempel er Freddy's Frozen Custard, som brukte maskinlæring for å tilpasse menyer. Som et resultat av det kunne de få en tosifret økning i salget. Så, det handler egentlig om å ha data, og deretter bruke maskinlæring for å få innsikt fra disse dataene. Når du har fått innsikt fra disse dataene, bruker du denne innsikten til å oppnå bedre forretningsresultater. Dette går tilbake til det du nevnte i begynnelsen: du starter med data og deretter bruker du maskinlæring for å innovere på toppen av det.

Laurel : Hva er noen av utfordringene organisasjoner har når de starter sine maskinlæringsreiser?

Bratin : Det første er å samle inn data og sørge for at de er strukturert godt – rene data – som ikke har mange uregelmessigheter. Siden maskinlæringsmodeller vanligvis blir bedre hvis du kan trene dem med mer og mer data, må du fortsette å samle inn enorme mengder data. Vi ser ofte at kunder lager datainnsjøer i skyen, som for eksempel på Amazon S3. Så det første trinnet er å få orden på dataene dine og deretter potensielt lage datainnsjøer i skyen som du kan bruke til å mate din databaserte innovasjon.

Neste steg er å få på plass riktig infrastruktur. Det er der noen kunder sier: 'Se, jeg vil bare bygge hele infrastrukturen selv,' men de aller fleste kundene sier: 'Se, jeg vil bare kunne bruke en administrert tjeneste fordi jeg ikke vil må investere i å bygge infrastrukturen og vedlikeholde infrastrukturen, og så videre.

Det neste er å velge en business case. Hvis du ikke har gjort maskinlæring før, så ønsker du å komme i gang med en business case som fører til et godt forretningsresultat. Det som ofte kan skje med maskinlæring er å se at det er kult, gjøre noen virkelig kule demoer, men de blir ikke oversatt til forretningsresultater, så du starter eksperimenter og får ikke den støtten du trenger.

Til slutt trenger du engasjement fordi maskinlæring er en veldig iterativ prosess. Du trener en modell. Den første modellen du trener gir deg kanskje ikke de resultatene du ønsker. Det er en prosess med eksperimentering og iterasjon som du må gjennom, og det kan ta deg noen måneder å få resultater. Så det å sette sammen et team og gi dem den støtten de trenger er den siste delen.

Hvis jeg skulle sette dette i form av en sekvens av trinn, er det viktig å ha data og en datakultur. Det er viktig i de fleste tilfeller for kunder å velge å bruke en administrert tjeneste for å bygge og trene modellene sine i skyen, rett og slett fordi du får lagring mye enklere og du får mye enklere å beregne. Den tredje er å velge en brukssak som skal ha forretningsverdi, slik at bedriften din vet at dette er noe du ønsker å implementere i stor skala. Og så, til slutt, vær tålmodig og vær villig til å eksperimentere og iterere, fordi det ofte tar litt tid å få dataene du trenger for å trene modellene godt og faktisk få forretningsverdien.

Laurel : Greit, for det er ikke noe som skjer over natten.

Bratin : Det skjer ikke over natten.

Laurel : Hvordan forbereder bedrifter seg på å dra nytte av data? For, som du sa, dette er en fire-trinns prosess, men du må fortsatt ha tålmodighet på slutten for å være iterativ og eksperimentell. Har du for eksempel ideer om hvordan bedrifter kan tenke på dataene sine på måter som gjør dem bedre forberedt på å se suksess, kanskje med sitt første eksperiment, og deretter kanskje være litt mer eventyrlystne når de prøver andre datasett eller andre måter å nærme seg dataene?

Bratin : Ja. Bedrifter starter vanligvis med et use case hvor de har en historie med å ha gode data. Det jeg mener med en historikk med å ha gode data er at de har en oversikt over transaksjoner som er gjort, og de fleste postene er nøyaktige. For eksempel har du ikke mange tomme posttransaksjoner.

Typisk har vi sett at nivået på datamodenhet varierer mellom ulike deler av en bedrift. Du starter med den delen av et selskap hvor datakulturen er mye mer utbredt. Du starter derfra slik at du har en oversikt over historiske transaksjoner som du har lagret. Du vil virkelig ha ganske tette data å bruke for å trene modellene dine.

Laurel : Hvorfor er det rette tidspunktet for bedrifter nå å begynne å tenke på å implementere maskinlæring i skyen?

Bratin : Jeg tror det er et sammenløp av faktorer som skjer nå. Den ene er at maskinlæring de siste fem årene virkelig har tatt av. Det er fordi mengden tilgjengelig databehandling har økt i en veldig rask hastighet. Hvis du går tilbake til IT-revolusjonen, ble IT-revolusjonen drevet av Moores lov. Under Moores lov ble beregningen doblet hver 18. måned.

I løpet av de siste årene har mengden av total beregning blitt doblet nesten hver fjerde måned. Det er fem ganger mer enn Moores lov. Mengden fremgang vi har sett de siste fire til fem årene har vært virkelig fantastisk. Som et resultat blir mange funksjoner som en gang bare kunne utføres av mennesker – som å oppdage et objekt eller å forstå tale – utført av datamaskiner og maskinlæringsmodeller. Som et resultat av det frigjøres mange muligheter. Det er det som har ført til denne enorme økningen i anvendeligheten til maskinlæring – du kan bruke den til personalisering, du kan bruke den i helsevesenet og finans, du kan bruke den til oppgaver som churn-prediksjon, svindeloppdagelse og så videre.

En grunn til at det nå er et godt tidspunkt å komme i gang med maskinlæring i skyen er bare den enorme fremgangen de siste årene som har frigjort disse nye egenskapene som tidligere ikke var mulige.

Den andre grunnen er at mange av maskinlæringstjenestene som bygges i skyen gjør maskinlæring tilgjengelig for mange flere mennesker. Selv om du ser på for fire til fem år siden, var maskinlæring noe som bare svært ekspertutøvere kunne gjøre, og bare en håndfull bedrifter var i stand til å gjøre fordi de hadde ekspertutøvere. I dag har vi mer enn hundre tusen kunder som bruker våre maskinlæringstjenester. Det forteller deg at maskinlæring i stor grad har blitt demokratisert, slik at mange flere bedrifter kan begynne å bruke maskinlæring og transformere virksomheten sin.

Så kommer den tredje grunnen, som er at du har fantastiske evner som nå er mulige, og du har skybaserte verktøy som demokratiserer disse egenskapene. Den enkleste måten å få tilgang til disse verktøyene og disse egenskapene på er gjennom skyen fordi den for det første gir grunnlaget for databehandling og data. Maskinlæring handler i sin kjerne om å kaste mye data på data. I skyen får du tilgang til den nyeste datamaskinen. Du betaler mens du går, og du trenger ikke å gjøre store investeringer på forhånd for å sette opp databehandlingsfarmer. Du får også all lagringen og sikkerheten og personvernet og kryptering, og så videre – all den kjerneinfrastrukturen som er nødvendig for å få i gang maskinlæring.

Laurel : Så Bratin, hvordan innoverer AWS for å hjelpe organisasjoner med maskinlæring, modellopplæring og slutninger?

Bratin : Hos AWS fungerer alt vi gjør tilbake fra kunden og finne ut hvordan vi reduserer smertepunktene deres og hvordan vi gjør det lettere for dem å gjøre maskinlæring. I bunnen av stabelen av maskinlæringstjenester, innoverer vi på maskinlæringsinfrastrukturen slik at vi kan gjøre det billigere for kunder å gjøre maskinlæring og raskere for kunder å gjøre maskinlæring. Der har vi to AWS-innovasjoner. Den ene er Inferentia og den andre er Trainium. Dette er tilpassede brikker som vi designet hos AWS som er spesialbygde for slutninger, som er prosessen med å lage maskinlæringsforutsigelser, og for trening. Inferentia gir i dag de laveste slutningsforekomstene i skyen. Og Trainium, når det blir tilgjengelig senere i år, vil tilby de kraftigste og mest kostnadseffektive treningsforekomstene i skyen.

Vi har en rekke kunder som bruker Inferentia i dag. Autodesk bruker Inferentia til å være vert for chatbot-modellene deres, og de klarte å forbedre kostnadene og ventetidene med nesten fem ganger. Airbnb har over fire millioner verter som tar imot mer enn 900 millioner gjester i nesten alle land. Airbnb så en to ganger forbedring i gjennomstrømming ved å bruke Inferentia-forekomstene, noe som betyr at de var i stand til å betjene nesten dobbelt så mange forespørsler om kundestøtte enn de ellers ville vært i stand til å gjøre. Et annet selskap som heter Sprinklr utvikler en SaaS kundeopplevelsesplattform, og de har en AI-drevet enhetlig kundeopplevelsesadministrasjonsplattform. De var i stand til å distribuere de naturlige språkbehandlingsmodellene i Inferentia, og de så betydelige ytelsesforbedringer også.

Selv internt var Alexa-teamet vårt i stand til å flytte konklusjonene sine over fra GPUer til Inferentia-baserte systemer, og de så mer enn 50 % forbedring i kostnadene på grunn av disse Inferentia-baserte systemene. Så vi har det på det laveste laget av infrastrukturen. På toppen av det har vi de administrerte tjenestene, der vi innoverer slik at kundene blir mye mer produktive. Det er der vi har SageMaker Studio, som er verdens første IDE, som tilbyr verktøy som debuggere og profiler og forklarbarhet, og en rekke andre verktøy – som et visuelt dataforberedelsesverktøy – som gjør kundene mye mer produktive. På toppen av det har vi AI-tjenester der vi tilbyr forhåndsopplærte modeller for brukstilfeller som søk og dokumentbehandling – Kendra for søk, Textract for dokumentbehandling, bilde- og videogjenkjenning – der vi innoverer for å gjøre det enklere for kundene for å løse disse brukstilfellene rett ut av boksen.

Laurel : Så det er sikkert noen fordeler for maskinlæringstjenester i skyen – som forbedret kundeservice, forbedret kvalitet og forhåpentligvis økt fortjeneste, men hvilke nøkkelytelsesindikatorer er viktige for å lykkes med maskinlæringsprosjekter, og hvorfor er disse spesielle indikatorene så viktige?

Bratin : Vi jobber tilbake fra kunden, jobber tilbake fra smertepunktene basert på hva kundene forteller oss, og oppfinner på vegne av kundene for å se hvordan vi kan innovere for å gjøre det lettere for dem å gjøre maskinlæring. En del av maskinlæring, som jeg nevnte, er spådommer. Ofte ligger den store kostnaden ved maskinlæring når det gjelder infrastruktur i konklusjonen. Derfor kom vi ut med Inferentia, som i dag er de mest kostnadseffektive maskinlæringsforekomstene i skyen. Så vi innoverer på maskinvarenivå.

Vi annonserte også Tranium. Det vil være de kraftigste og mest kostnadseffektive treningsforekomstene i skyen. Så vi innoverer først på infrastrukturlaget slik at vi kan gi kundene den mest kostnadseffektive databehandlingen.

Deretter har vi sett på smertepunktene for hva som skal til for å bygge en ML-tjeneste. Du trenger datainnsamlingstjenester, du trenger en måte å sette opp en distribuert infrastruktur på, du trenger en måte å sette opp et slutningssystem og være i stand til å automatisk skalere det, og så videre. Vi har tenkt mye på hvordan vi skal bygge denne infrastrukturen og innovasjonen rundt kundene.

Så har vi sett på noen av brukssakene. Så for mange av disse brukssakene, enten det er søk, eller gjenkjenning og gjenkjenning av objekter, eller intelligent dokumentbehandling, har vi tjenester som kunder kan bruke direkte. Og vi fortsetter å innovere på vegne av dem. Jeg er sikker på at vi kommer med mange flere funksjoner i år og neste år for å se hvordan vi kan gjøre det enklere for kundene våre å bruke maskinlæring.

Laurel : Hvilke nøkkelindikatorer er viktige for å lykkes med maskinlæringsprosjekter? Vi snakket litt om hvordan du liker å forbedre kundeservice og kvalitet, og selvfølgelig øke fortjenesten, men å tildele en KPI til en maskinlæringsmodell, det er noe litt annet. Og hvorfor er de så viktige?

Bratin : For å tildele KPI-ene må du jobbe tilbake fra brukssaken. Så la oss si at du vil bruke maskinlæring for å redusere svindel. Din generelle KPI er, hva var reduksjonen i svindeloppdagelse? Eller la oss si at du vil bruke den til å redusere avgang. Du driver en bedrift, kundene dine kommer, men et visst antall av dem forsvinner. Du vil da begynne med, hvordan reduserer jeg kundefragangen med noen prosent? Så du starter med KPI på toppnivå, som er et forretningsresultat du ønsker å oppnå, og hvordan du kan få en forbedring i det forretningsresultatet.

La oss ta eksemplet med churn-prediksjon. På slutten av dagen, det som skjer er at du har en maskinlæringsmodell som bruker data og mengden trening den måtte foreta visse spådommer rundt hvilken kunde som kommer til å churne. Det koker altså ned til nøyaktigheten til modellen. Hvis modellen sier at 100 personer kommer til å churne, hvor mange av dem churner egentlig? Så det blir et spørsmål om nøyaktighet. Og så vil du også se på hvor godt maskinlæringsmodellen oppdaget alle tilfellene.

Så det er to aspekter ved kvalitet du ser etter. En er, av de tingene som modellen forutså, hvor mange av dem som faktisk skjedde? La oss si at denne modellen spådde at disse 100 kundene kommer til å avgå. Hvor mange av dem slutter egentlig? Og la oss bare si at 95 av dem faktisk slutter. Så du har 95 % presisjon der. Det andre aspektet er, anta at du driver denne virksomheten og har 1000 kunder. Og la oss si i et bestemt år, 200 av dem churnet. Hvor mange av disse 200 spådde modellen faktisk ville avgå? Det kalles recall, som er, gitt det totale settet, hvor mye er maskinlæringsmodellen i stand til å forutsi? Så grunnleggende sett starter du fra denne forretningsberegningen, som er det resultatet jeg ønsker å få, og så kan du konvertere dette ned til modellnøyaktighetsmålinger når det gjelder presisjon, som er hvor nøyaktig modellen var i å forutsi visse ting, og deretter huske, som er hvor uttømmende eller hvor omfattende modellen var for å oppdage alle situasjoner.

Så på et høyt nivå er dette tingene du ser etter. Og så går du ned til beregninger på lavere nivå. Modellene kjører på visse forekomster på bestemte deler av datamaskinen: hva var infrastrukturkostnaden og hvordan reduserer jeg disse kostnadene? Disse tjenestene blir for eksempel brukt til å håndtere overspenninger under Prime Day eller Black Friday, og så videre. Så, da kommer du til disse beregningene på lavere nivå, som er, er jeg i stand til å håndtere økninger i trafikken? Det er egentlig et hierarkisk sett med KPIer. Begynn med forretningsberegningen, gå ned til modellberegningene, og kom så ned til infrastrukturberegningene.

Laurel : Når du tenker på maskinlæring i skyen de neste tre til fem årene, hva ser du? Hva tenker du på? Hva kan bedrifter gjøre nå for å forberede seg på det som vil komme?

Bratin : Jeg tror det som vil skje er at maskinlæring vil bli mer gjennomgripende. For det som vil skje er at kundene vil se at de er i stand til å endre måten å gjøre forretninger på. Bedrifter vil se at de fundamentalt transformerer kundeopplevelsen, og de vil omfavne maskinlæring. Vi har sett det hos Amazon også – vi har en lang historie med å investere i maskinlæring. Vi har gjort dette i mer enn 20 år, og vi har endret måten vi betjener kunder på med amazon.com eller Alexa eller Amazon Go, Prime. Og nå med AWS, hvor vi har tatt denne kunnskapen som vi har fått i løpet av de siste to tiårene med å implementere maskinlæring i stor skala og gjør den tilgjengelig for kundene våre nå. Så jeg tror vi vil se en mye raskere bruk av maskinlæring.

Da vil vi se mange brede brukstilfeller som intelligent dokumentbehandling, mye papirbasert behandling, vil bli automatisert fordi en maskinlæringsmodell nå er i stand til å skanne disse dokumentene og utlede informasjon fra dem – utlede semantisk informasjon, ikke bare syntaksen. Hvis du tenker på papirbaserte prosesser, enten det er lånebehandling og boliglånsbehandling, vil mye av det bli automatisert. Deretter ser vi også at bedrifter blir mye mer effektive når det gjelder personalisering som prognoser, forsyningskjedeprognoser, etterspørselsprognoser og så videre.

Vi ser mye bruk av maskinlæring innen helse. Vi har kunder, GE for eksempel bruker en maskinlæringstjeneste for radiologi. De bruker maskinlæring for å skanne røntgenbilder for å finne ut hvilke som er mer alvorlige, og derfor ønsker du å få pasientene tidlig inn. Vi ser også potensial og mulighet for å bruke maskinlæring i genomikk for presisjonsmedisin. Så jeg tror mye innovasjon kommer til å skje med maskinlæring i helsevesenet.

Vi vil se mye maskinlæring i produksjon. Mange produksjonsprosesser vil bli mer effektive, automatiseres og bli tryggere på grunn av maskinlæring.

Så, jeg ser at i løpet av de neste fem til 10 årene, velg hvilket som helst domene – som sport, NFL, NASCAR, Bundesliga, de bruker alle våre maskinlæringstjenester. NFL bruker Amazon SageMaker for å gi fansen en mer oppslukende opplevelse gjennom Next Gen Stats. Bundesliga bruker maskinlæringstjenestene våre til å lage en rekke spådommer og gi en mye mer oppslukende opplevelse. Samme med NASCAR. NASCAR har mye datahistorie fra løpene deres, og de bruker den til å trene modeller for å gi seerne en mye mer oppslukende opplevelse fordi de kan forutsi mye lettere hva som kommer til å skje. Så sport, underholdning, finansielle tjenester, helsevesen, produksjon – jeg tror vi vil se mye mer bruk av maskinlæring og gjøre verden til et smartere, sunnere og tryggere sted.

Laurel : For en flott samtale. Tusen takk, Bratin for at du ble med oss ​​på Business Lab.

Bratin : Takk skal du ha. Takk for at jeg fikk komme. Det var veldig hyggelig å snakke med deg.

Laurel : Det var Dr. Bratin Saha, visepresident og daglig leder for maskinlæringstjenester for Amazon AI, som jeg snakket med fra Cambridge, Massachusetts, hjemmet til MIT og MIT Technology Review med utsikt over elven Charles. Det var alt for denne episoden av Business Law. Jeg er verten din, Laurel Ruma. Jeg er direktør for Insights, den tilpassede publiseringsavdelingen til MIT Technology Review. Vi ble grunnlagt i 1899 ved Massachusetts Institute of Technology. Og du kan også finne oss i trykk på nettet og på arrangementer hvert år rundt om i verden. For mer informasjon om oss og showet, vennligst sjekk ut nettstedet vårt på technologyreview.com. Dette programmet er tilgjengelig uansett hvor du får podcastene dine. Hvis du liker denne episoden, håper vi at du tar deg tid til å vurdere og anmelde oss. Business Lab er en produksjon av MIT Technology Review. Denne episoden ble produsert av Collective Next. Takk for at du lyttet.

gjemme seg