今天，AWS 宣布推出了数种轻松地向应用程序和BI控制面板中添加机器学习预测能力的新方法。仅需在您的结构化查询语言 (SQL) 中添加一些语句，在Amazon QuickSight中进行几次点击，即能轻松使用您的 Amazon Aurora 数据库中的关系型数据或Amazon S3 中的非结构化数据，为应用程序和商业智能 (BI) 控制面板添加机器学习 (ML) 预测。Aurora、Amazon Athena 和 Amazon QuickSight 可以直接调用 Amazon SageMaker 和 Amazon Comprehend 等 AWS ML 服务，因此您无需从自己的应用程序中调用它们。这使得您可以以更直接的方式向应用程序添加 ML 预测，无需构建定制集成，来回复制数据，学习多种独立工具，编写多行复杂代码等等，甚至无需具备 ML 经验。

这些新的特性允许通过 SQL 查询和控制面板执行尖端的ML 预测，从而使 ML 变得更加实用，更方便数据库开发人员和商业分析师使用。在以前，您可能会耗费多日编写应用程序中定制代码，并需要考虑在生产环境中扩展、管理和支持。而现在，任何具备编写 SQL 能力的人，都可以在没有任何定制的”胶合代码”的情况下，在应用程序中构建和使用ML预测。

数据横流的世界

AWS 坚信，在不久的未来，每个应用程序均会融入机器学习（ML）和人工智能 (AI)。数万客户可通过 Amazon SageMaker 享受 ML 带来的好处。Amazon SageMaker 是一种完全托管服务，可以帮助数据科学家和开发人员轻松、快速地构建、训练和部署大规模 ML 模型。

虽然目前有多种可用于构建模型及通过易用 API （如 Amazon Comprehend）使应用程序智能化的方法，但要将这些模型整合到您的数据库、分析和商业智能报告中，依然面临着技术挑战。请考虑一个相对简单的客户服务示例。Amazon Comprehend 可以快速评估一段文字所表达的情绪（是积极的还是消极的？）。假设我在一家商店的客户服务页面留下这样一条反馈：“你的产品太差劲了，我不会再购买你的产品！” 商店根据用户反馈进行情绪分析，然后立即联系我试图作出弥补，这一系列工作对他们来说可能非常琐碎。尽管他们的数据库中有可用的数据，同时也有广泛的 ML 服务可用。

难点在于，构建预测流程需要在模型和应用程序之间移动数据。

在过去，开发人员被迫执行大量复杂的人工作业才能够获取这些预测，再将相关结果加入到更广泛的应用程序、流程或分析控制面板当中。相关工作包括，在向 ML 模型提交数据前，以及将预测结果提供给您的应用程序使用前，需要开发毫无价值的枯燥的应用程序级代码，用于在不同数据库和存储位置之间复制数据，转换各种数据格式。整个过程相当繁琐。这样的工作复杂累赘，浪费了开发人员的宝贵时间，且效率低下。此外，把数据库的数据移入和移出也会对安全造成压力，使管理变得更加复杂。

让机器学习成为每个开发人员手中的利器

在 AWS，我们有着明确的使命：我们致力于让机器学习成为每个开发人员的利器。让您更轻松地运用尖端的ML 服务，以帮助您提升业绩。不同规模的企业客户依赖于 Amazon SageMaker 和 Amazon Comprehend 等 AWS ML 服务，其中不乏 NFL、Intuit、AstraZeneca 和 Celgene 等企业。以 Celgene 为例，该公司使用 AWS ML 服务进行毒理学预测，通过虚拟方式分析潜在药物的生物学影响，不必让病患冒险试药。以前需要花上两个月时间训练的模型，现在只需要四个小时就能完成。

尽管 AWS 提供的 AI 和 ML 服务覆盖面最广、最深入，同时我们仅在 2018 年一年当中就推出了 200 余种机器学习功能和能力，但我们认为还需要更多。在各种各样的创新实践中，最佳的选择便是让您现有的人员能够直接具备ML生产力。

尤其是现有的开发人员和商业分析师。

尽管我们所提供了能够提高数据科学家们的工作效率的服务，但我们仍希望让更多的应用程序开发人员也可以使用完全云原生的尖端ML 服务。有众多的客户使用 Aurora，同时也擅长使用 SQL 进行编程。我们认为，让您在此数据上运行机器学习预测才是最重要的，这样您可以在不影响既有的事务处理的情况下，获取创新的数据分析方式。您可以像之前一样针对您的业务数据使用 Amazon SageMaker 训练 ML 模型，然后运用 Aurora 或 Athena 的新能力，在一行 SQL 里利用该模型运行预测。这使得 ML 模型可供更多应用程序开发人员获取和使用。

销售线索评分就是一个好例子。例如，如果您基于 Aurora 构建一个 CRM 系统，那么您将会把所有的客户关系数据、市场触达和销售线索等信息保存到数据库中。当销售线索从网页上录入后，就会保存进Aurora，而您的销售团队则会对其进行跟进，将它们转化为真正的订单。

但要是您希望帮助您的销售团队加快处理效率，又该从何入手呢？销售线索评分是一个预测模型。该模型有助于验证和评估新增的销售线索，让销售团队可以判断哪些最有可能转化为订单，从而提高团队的效能。您可以使用自己构建的模型，或者从 AWS机器学习市场（AWS ML Marketplace）购买模型，将其部署到 Amazon SageMaker，再根据模型预测的优先级对所有销售队列进行排序。与过去不同的是，您不必编写任何胶合代码。

又或者，您可能想搭配使用这些服务实现一个最佳优惠的使用案例。例如，您的客户可能会致电您的呼叫中心进行投诉。客户服务代表成功解决了问题，继而向客户推荐新产品和服务。但要如何推荐产品和服务呢？其实，该客户服务代表可以在显示多个视图和建议的 Amazon QuickSight 控制面板上拉取产品推荐。

第一个视图根据 Aurora 查询显示产品推荐。查询可拉取到客户资料、购物记录和产品目录，并调用 Amazon SageMaker 中的模型生成产品推荐。第二个视图显示了拉取到客户浏览历史或 S3 数据湖点击流数据的 Athena 查询，并调用 Amazon SageMaker 模型生成产品推荐。第三个视图显示了从第一个视图和第二个视图获取结果的 Amazon QuickSight 查询，调用 Amazon SageMaker 中的联合模型，然后生成产品推荐。现在您可以根据客户的不同意见提供多种优惠信息。所有信息都在一个控制面板中显示出来。

在 BI 分析师方面，我们经常听闻客户的挫败体验，即在从模型获取预测前必须先构建和管理预测管道。之前，开发人员需要花数天时间编写应用程序级代码，以在多个模型和应用程序之间来回移动数据。您现在可以选择弃用您的预测管道，改用 Amazon QuickSight 将您的所有 ML 预测可视化并作出报告。

对于应用程序开发人员和商业分析师来说，这些新特性使得他们可以以更直接的方式向应用程序添加 ML 预测，无需尝试构建定制集成，移动数据，学习多种独立工具，编写多行复杂代码等等，甚至在不具备 ML 经验的条件下也可以使用。如今您可以向 SQL 查询添加一些语句，在 Amazon QuickSight 中几次点击，即可完成过去占用开发人员多日的工作。

透过这些方式，我们让更多开发人员和数据分析师可以获取 ML 的强大力量，而无需博士学位的加持。

作者介绍：Matt Asay（发音：“Ay-see”）是 AWS 的一名首席专家，在各大开源和大数据公司累积了近二十年从业经验。您可以关注他的 Twitter 帐号 (@mjasay)。

本文转载自AWS技术博客。

原文链接：https://amazonaws-china.com/cn/blogs/china/how-aws-is-putting-machine-learning-in-the-hands-of-every-developer-and-bi-analyst/

创作场景

AWS 如何将机器学习送到每位开发者和 BI 分析师手中