科技驱动是什么,科技驱动业务能力提升?

营销圈公众号引导关注

文/在前线 华仔

数据与智能是企业数字化转型的两个“战略地”,云就是使其统一战线的关键所在。

近日,亚马逊云科技宣布推出“云、数、智三位一体”的大数据与机器学习融合服务组合,通过帮助企业构建云中统一的数据治理底座,为机器学习提供生产级别的数据处理能力,并赋能给业务人员更加智能的数据分析工具,来提升企业由数据驱动业务创新的能力。

众所周知,数据正在成为企业的重要资产,但数据的价值还没有得到充分利用。为了改变这种局面,企业都会选择数据驱动型组织这条道路,借助业务产生的数据反向驱动公司战略进行,以此适应复杂多变的数据时代。

科技驱动是什么,科技驱动业务能力提升?

图为亚马逊云科技大中华区产品部总经理陈晓建

要做到数据驱动,关键的两个因素是大数据与机器学习。亚马逊云科技大中华区产品部总经理陈晓建表示,企业期望将大数据与机器学习技术融合,来带动业务的创新。在云中实现数据与智能的大融合,将成为企业加速创新的引擎,通过在云中打造统一的数据基础底座,来实现大数据与机器学习的“双剑合璧”。

在前线认为,成熟的数字化转型一定会形成以数据驱动为标志的业务格局,数据与智能在企业生产中所占比重越来越大,两者的融合自然是大势所趋。亚马逊云科技推出“云、数、智三位一体”的大数据与机器学习融合服务组合,凭借自身在云计算领域领先的服务、技术和工具,为企业提供打造数据基础底座的全方位能力,促进企业数字化转型中大数据技术活与机器学习技术的融合,实现向数据驱动型组织的转变。

转型升级,数智融合三大掣肘

企业数字化转型的深入,让越来越多数字技术在业务中落地,同时也开始大量催生数据驱动型的应用场景,带来数据与智能相互融合的新趋势。

可以明显感觉到,数据量的爆发与智能化的应用在近几年愈加猛烈。一方面,数据应用领域增多,场景也变得复杂,传统大数据服务已经无法满足企业日益增长的业务扩展需求。另一方面,智能应用向深度和广度两个维度发展,据IDC报告显示,到2023年,AI系统支出将达到979亿美元,相比2019年会增加2.5倍;同时Gartner的分析也指出,到2024年将有75%的企业把机器学习技术真正用于生产,为业务赋能。

也就是说,无论是大数据技术,还是机器学习所代表的智能化技术,对于企业业务都有着愈加重要的作用,而这两者也必然会走向融合的过程。陈晓建认为,对用户来说,大数据技术和机器学习技术是互为因果的,大数据技术提供的能力是机器学习建模所需要的必然基础,而机器学习也能够为大数据技术提供更高的智能,为商业业务产生价值。

在企业转型需求及时代发展趋势的双重推动下,越来越多的企业开始着手从四个层面为数据与智能的融合做好准备,一是组织架构层面,将原来分散在各个部门的机器学习实践进行整合,并与大数据项目进行统一协调和资源配置;二是人员能力层面,要求原有传统的大数据实践者掌握机器学习技术,原有机器学习从业者掌握大数据处理能力;三是项目实施层面,在企业的业务数据项目中添加融合大数据和机器学习两者能力的实践;四是工具支撑层面,面向大数据技术和机器学习构建统一的开发平台和技术基础,可能是对已有平台的改造,也可能是完全重构一个面向两者的通用平台。

数据与智能的融合统一,是企业重塑数据洞察,更高效围绕数据构建和实施项目的关键,只有让数据在两者之间无缝流转,才能推动企业数字化转型迈向新的高度。

路径明确,但实施起来却并不容易,因为从技术发展趋势来讲,大数据技术与机器学习技术有着完全不同的道路,前者侧重于对海量数据的采集、清洗、分析等能力,后者则更看重算法本身的优化,对于工程师来说,机器学习更多是神经网络结构、网络层数、超参数的优化等,往往会忽略掉对数据本身的采集、处理及优化。在这样的分歧下,企业在进行数据与智能的融合时也面临着三大掣肘:

首先是数据层面和技术层面的孤岛式发展。目前企业对于大数据和机器学习大多是分而治之的,这是由于两者不同的发展路线,数据因为来源的多样性,所以多是异构的,而机器学习所需要的数据是具有丰富性、准确性的高质量数据,这就让很多企业在选择构建两者能力时采取了分开、独立的措施。

其次是数据处理能力不足。在企业的生产制造环节,机器学习能够帮助用户对产品售后维修需求进行预测,由被动响应变为主动规划,但一个算法要真正产生效果,除了对其本身有要求外,还要有大量业务数据的输入支持算法不断迭代。因为分而治之的建设,很多机器学习团队不具备处理海量数据规模的能力,从而难以满足算法不断优化的需求。

最后是实验到实践的挑战。对于很多企业的机器学习团队来说,往往会出现一个模型在研发和测试阶段表现良好,但应用到实际场景中,总是差强人意。这是因为实验环境只是对真实环境的简单模拟,而生产环境要更加复杂。模型的训练一定是要通过实际的算法、数据反复迭代到算法中进行训练,一次次优化,这背后就是大数据与机器学习高度、高效的融合,以此才能支撑算法模型由实验到实践的转化应用。

对于亚马逊云科技来说,从用户需求出发,反向打造广泛而深入的服务,是其一直以来践行的理念。基于大数据与机器学习技术的融合趋势,亚马逊云科技凭借在这两个领域领先的技术及服务全球客户的实践经验,推出“云、数、智三位一体”的融合服务,帮助用户在云中构建统一的数据基础底座,打通大数据和机器学习两个领域的数据治理底层服务,实现两者之间的相互赋能,加速企业向数据驱动型组织转变。

以云为基,构建统一数据底座

一个好的大数据与机器学习融合架构,一定是要建立一个统一融合的数据底座,包括数据质量、数据权限、数据开发、数据工作流、可视化等。在这个底座之上,大数据与机器学习并不是相对孤立的,而是高效充分的双向互动,形成双向循环,只有这样才能真正实现两者的融合。

需要明确的是,不同企业在大数据和机器学习方面的实际情况不尽相同,在两者融合的过程中也会产生两条不同的发展路径。第一类企业路径是机器学习能力完全诞生于大数据团队;第二类企业路径是进行机器学习和大数据项目创新时,起步由深度学习所带来,如机器视觉、图像识别、语音识别等机器学习项目。

科技驱动是什么,科技驱动业务能力提升?

图为亚马逊云科技大中华区产品部技术专家团队总监王晓野

不同的发展路径,相同的融合目标。亚马逊云科技大中华区产品部技术专家团队总监王晓野表示,这两种路径在进行大数据能力与机器学习能力融合时会产生不同的需求,对云服务商的产品和技术能力都是很大的考验。亚马逊云科技开发出具有针对性的服务与工具,来帮助企业实现大数据与机器学习的高效融合。

在两种发展路径的基础上,亚马逊云科技选择从三个技术层面帮助企业进行大数据与机器学习的融合。一是构建云中统一的数据治理底座,打破数据及技能孤岛。在亚马逊云科技看来,实现大数据与机器学习的融合,核心是具备三大能力,统一数据共享能力,让数据资产化,打破数据孤岛;统一权限管控,让数据在不同业务系统间高效流转;统一开发及流程编排,融合端到端大数据和机器学习任务,进而提升整体开发效率。

打破数据孤岛,就要实现不同部门的数据发现。作为“智能湖仓”的核心功能,Amazon Lake Formation能够实现跨部门、跨地域,允许不同组织内的机构共享同一个元数据。同时,数据分享伴随而来的就是隐私保护问题,Amazon Lake Formation在给大数据与机器学习项目提供数据权限管控的时候,可以做到行和列综合的、最佳细力度的、达到单元格级别最细粒度的权限管控。

此外,亚马逊云科技还对Amazon SageMaker Studio进行了能力升级,通过其统一的开发界面,可以实现一站式地完成数据开发、模型开发及相关的生产任务,并基于交互式查询服务Amazon Athena、云上大数据平台Amazon ElasticMapReduce (Amazon EMR)、云数据仓库服务AmazonRedshift、Amazon SageMaker等,为大数据和机器学习提供统一的开发平台。

二是为机器学习提供生产级别的数据处理能力。亚马逊云科技提供多种灵活可扩展、专门构建的大数据服务,帮助客户进行复杂的数据加工及处理,实现机器学习从实验到实践的转化。

AmazonAthena是“智能湖仓”敏捷访问数据的核心服务,它允许在不需要创建集群的条件下,就能以无服务器的方式,通过SQL直接访问在数据库上结构化或半结构化的数据。王晓野介绍到,2021年起,Amazon Athena开始提供联邦查询能力,允许跨多种不同技术的数据源,通过统一的接口进行查询,真正实现在机器学习应用场景下通过一个接口访问到多类数据,快速完成机器学习建模的数据加工。

以Amazon Redshift、Amazon Managed Streaming forApache Kafka (Amazon MSK)和Amazon EMR 为代表的无服务器分析能力,可以让客户无需配置、扩展或管理底层基础设施,就能处理任何规模的数据,为机器学习项目提供兼具性能和成本效益的特征数据准备。

三是让数据分析智能化,赋能业务人员探索创新。我们都知道,BI报表是预测性分析最常用的手段,亚马逊云科技Amazon QuickSight是一款交互式BI服务。与大多数BI工具不同的是,其他BI工具里的机器学习是内置且不可改变的算法,而Amazon QuickSight则通过提供与Amazon SageMaker紧密集成的能力,允许直接在BI报表里调用自定义训练出来的机器学习模型。

在这个基础上,对于更专业的技术人员,亚马逊云科技还提供通过Amazon Athena ML这样的机器学习能力,让用户直接调用在机器学习项目里算法工程师训练出来的推理模型。

当然,业务人员掌握自主式训练机器学习模型能力无疑是实现从实验到实践转化的最佳选择,为此,亚马逊云科技提供Amazon Redshift工具,通过Amazon Athena ML这样的机器学习能力,让懂得SQL的分析人员直接调用在机器学习项目里算法工程师训练出来的推理模型,并由底层的AmazonSageMaker Autopilot来实现模型的自动参数调优。

授人以渔,驱动数据价值提升

云是承载数据与智能融合的基础。在产业数字化发展的新阶段,越来越多云服务商加入到为企业提供大数据与机器学习融合架构的赛道上,但最终能完成架构建设并得到用户认可却并不容易。一方面,除了要在云领域保持领先性,还要提供先进的产品、工具及服务;另一方面,业务场景的多样性,使得云服务厂商要有足够多的经验积累,才能保障企业客户对未来业务的扩展需求。

作为云计算的开创者,亚马逊云科技的行业领先性不容置疑。在Gartner近期发布的报告中,2021年全球IaaS市场总额为908.94亿美元,同比增长41.4%;亚马逊云科技在2021年全球云计算IaaS的市场份额为38.9%,同比增长35%(数据来源:《Market Share: IT Services, Worldwide, 2021》)。在用户实践方面,目前,亚马逊云科技已帮助全球数十万用户利用大数据和智能技术驱动业务发展,而基于亚马逊云科技从用户需求出发的理念,在进行云服务开发时,也基本是源于客户现场的真实数据。

基于服务全球客户的经验积累,亚马逊云科技通过三个技术层面帮助用户实现大数据与机器学习融合架构的建设,不同发展路径的企业都能在亚马逊云科技广泛而深入的云服务中找到适合自身业务发展的工具和技术。淄博热力就是利用到了亚马逊云科技端到端大数据与机器学习融合的能力,通过采用Amazon Redshift来实现海量数据的加工处理,利用AmazonSageMaker统一开发的入口,实现了快速的能力的迭代,在短短两年内实现了30%的能耗降低,上千万的成本节约,同时极大减少了客户的投诉率。

对于亚马逊云科技来说,除了从技术、工具上为企业用户提供大数据与机器学习融合服务外,更重要的是践行“授人以渔”的服务理念。陈晓建表示,亚马逊云科技通过数据实验室、机器学习解决方案实验室、大数据和机器学习专业服务三种方式,来帮助用户更好上云、用云,探索数据蕴藏的真正价值。

在推动“云、数、智三位一体” 大数据与机器学习融合服务组合向更广泛领域应用,特别是中小企业的数智融合时,亚马逊云科技不仅提供很多无服务器化的工具来降低用户使用门槛,同时强化底层资源管理,帮助用户降低运营成本。亚马逊云科技还有专业的培训和认证团队,走进企业,帮助用户提升内部团队的专业技能,进行大数据与机器学习能力的锻炼。

总得来说,企业在进行大数据与机器学习融合的过程中,最重要的是在云中构建统一的数据治理底座。亚马逊云科技的全球业务体系及覆盖全球200多个国家的基础设施,让其能够触达更多产业领域,并在赋能用户的同时积累更多真实需求和经验,这为亚马逊云科技的云服务开发奠定了先决条件。授人鱼,更授人以渔,这样的理念下,亚马逊云科技将会持续帮助企业掌握大数据与机器学习融合能力,让智能时代更加繁荣多样,与全球客户一起共同推动数字经济的进步。

好了,这篇文章的内容营销圈就和大家分享到这里,如果大家对网络推广引流和网络创业项目感兴趣,可以添加微信:Sum8338 备注:营销圈引流学习,我拉你进直播课程学习群,每周135晚上都是有实战的推广引流技术和网络创业项目课程分享,当然是免费学!

版权声明:本站部分文章来源互联网用户自发投稿,主要目的在于分享信息,版权归原作者所有,不承担相关法律责任。如有侵权请联系我们反馈邮箱yingxiaoo@foxmail.com,我们将在7个工作日内进行处理,如若转载,请注明本文地址:https://www.yingxiaoo.com/121318.html