机器学习 - 21ic中国电子网

当前位置：首页 > 机器学习

亚马逊云科技推出基于机器学习的工业设备预测性维护服务

日前，亚马逊云科技宣布Amazon Lookout for Equipment正式可用，该服务使用亚马逊云科技开发的机器学习模型帮助客户对其设施中的设备进行预测性维护。Amazon Lookout for Equipment从客户工业设备中获取传感器数据(如压力、流量、转速、温度和功率)，训练一个专有的机器学习模型，进而基于客户设备的实时数据流来准确预测机器故障或性能欠佳的早期预警信号。有了Amazon Lookout for Equipment，客户可以快速、精准地检测设备异常，快速诊断问题，减少错误警报，并在机器发生故障之前采取行动而避免昂贵的停机损失。Amazon Lookout for Equipment没有预付费用或最低承诺费用，用户只需根据所摄入的数据量、训练定制模型所需的计算时间和推理时间付费。欲深入了解亚马逊云科技在AI/ML方面的创新举措以及众多客户利用AI/ML在业务创新和企业转型方面的最佳实践，敬请关注将于4月22日举办的“2021亚马逊云科技 AI在线大会”。工业企业一直在努力提高运营效率，避免因设备故障而导致的意外停机。这些企业在物理传感器、数据连接、数据存储和仪表板上持续投入，以监控设备的运行状况和性能。为了分析设备上的数据，大多数企业通常会使用简单的规则或建模方法，根据过去的表现来识别问题。然而，这些方法往往导致客户在发现问题时已来不及采取措施，或者收到错误警报而进行不必要的检查。其实，客户想要检测常规的操作条件或故障类型(如由于摩擦导致的高温)以及复杂的设备故障(如通过高振动和转速但低流量显示出的泵故障)，这些只能通过建模传感器之间的独特关系得出。得益于机器学习技术的进步，现在人们能够快速识别异常情况，并了解每个设备历史数据之间的独特关系。然而，大多数企业缺乏在不同工业设备上构建和扩展定制机器学习模型的专业知识，导致他们往往不能充分利用他们在传感器和数据基础设施上的投资，在很多时候错失了能更好地管理关键设备的正常运行和性能的洞察。通过Amazon Lookout for Equipment，工业和制造业客户现在可以快速、轻松地为整个或不同地点的设施构建预测性维护解决方案。首先，客户将他们的传感器数据(如压力、流量、转速、温度和功率)上传到Amazon Simple Storage Service (Amazon S3)，并向Amazon Lookout for Equipment提供相关的Amazon S3桶位置。该服务将自动分析数据，评估正常或健康的模式，并根据客户的数据量身打造一个机器学习模型。然后，Amazon Lookout for Equipment将使用这个定制的机器学习模型来分析传入的传感器数据，识别机器故障或故障的早期预警信号。对于每个警报，该服务可指出是哪些传感器显示警报问题，并测量其对检测到的事件的影响程度。例如，如果Amazon Lookout for Equipment检测到有50个传感器的泵存在问题，该服务可以显示哪5个传感器表示特定电机存在问题，并将该问题与电机的强电流和温度联系起来。这意味着客户可以识别问题、诊断问题、确定所需操作的优先级，并在问题发生之前进行精确维护，这避免了停机，节省了客户费用损失并提高了生产效率。Amazon Lookout for Equipment可以让客户从现有的传感器中获得更多的价值，并帮助他们及时做出决策，从而大大提高运营效率。客户可以直接通过亚马逊云科技控制台或亚马逊云科技合作伙伴网络中的支持合作伙伴获得Amazon Lookout for Equipment。该服务现已在美国西部(俄勒冈)、欧洲(爱尔兰)和亚太地区(首尔)区域正式推出，其他区域也将很快推出。除了Amazon Lookout for Equipment，亚马逊云科技还为工业和制造业客户提供最广泛的云到边缘(cloud-to-edge)工业机器学习服务，包括Amazon Monitron(用于预测性维护，由传感器、网关和机器学习服务组成的端到端解决方案)、Amazon Lookout for Vision(使用云中的计算机视觉模型进行视觉异常检测)，以及Amazon Panorama(用于视觉检查，通过硬件设备和软件开发工具包将计算机视觉模型能力赋予本地摄像头)。 “许多工业和制造企业都在物理传感器和其它技术上投入了大量资金，目的是提高设备的维护水平。但即使有了这些设备，由于缺乏资源和数据科学家，企业也无法在大量数据之上部署机器学习模型。结果，他们错过了能够帮助他们更好地管理运营的关键洞察和可操作发现。”亚马逊云科技全球机器学习副总裁Swami Sivasubramanian表示，“我们很高兴推出Amazon Lookout for Equipment，这项新服务根据客户特定环境构建的定制化机器学习模型将让客户收益，帮助客户快速而轻松地识别机器异常行为，提前采取行动，避免了设备停机造成的影响和损失。” 西门子能源在整个能源价值链上提供产品、解决方案和服务，以支持其客户走向可持续的未来。“西门子能源与我们的客户合作，通过数字化服务解决方案赋能现有业务线，提高性能、可靠性和安全性。数字化是可持续能源未来的关键驱动力。”西门子能源数字解决方案高级副总裁Amogh Bhonde表示，“通过Amazon Lookout for Equipment，将亚马逊云科技机器学习与西门子能源行业知识相结合，帮助客户在整个运营过程中提高对系统和设备的可视性。Amazon Lookout for Equipment的自动化机器学习工作流程，让客户即使在没有数据科学知识的情况下，也能轻松构建和部署各种资产类型的模型。亚马逊云科技是我们值得信赖的合作伙伴，加速了我们对Omnivise数字解决方案套件的持续开发。” 西班牙石油(Cepsa)是一家全球能源和化工公司，在石油天然气价值链的各个环节开展端到端的运营。Cepsa还以植物为原料生产产品，并推动新的战略，成为能源转型的示范。“在Cepsa，数字化转型的重点是人。在这方面，我们的专业人士是我们背后的引擎。通过Amazon Lookout for Equipment，我们将机器学习的见解带给那些最了解设备的专家——可靠性和维护工程师，使他们能够做出更明智的决定，提高正常运行时间，降低运营成本。” Cepsa高级分析主管Alberto Gascón表示，“设备的预测性维护等解决方案传统上涉及人工和复杂的数据科学，比如选择正确的算法和参数，但Amazon Lookout for Equipment将这些过程自动化，这样工程师就可以专注于解决影响他们业务的关键挑战。” RoviSys是一家全球运营技术系统集成商，也是全面流程自动化解决方案和服务领域的领先独立供应商。“机器学习是对工业客户最有前途的技术之一，有潜力通过降低维护和运营成本提供更高的价值。”RoviSys的工业人工智能总监Bryan DeBois表示，“RoviSys正与亚马逊云科技合作，利用亚马逊云科技物联网服务将Amazon Lookout for Equipment与现场设备和基础设施的数据整合在一起，以实现大规模的先进机器学习维护解决方案。这项技术可以让我们的客户充分利用现有的基础设施，同时又能快速轻松地从这些数据中解锁更多价值。” TensorIoT是亚马逊云科技的高级咨询合作伙伴，在物联网、数据工程、机器学习和人工智能领域提供完整的端到端产品和解决方案。“TensorIoT利用亚马逊云科技服务构建解决方案，以加速机器学习在工业运营产品和流程中的集成。”TensorIoT咨询副总裁Charles Burden表示，“ Amazon Lookout for Equipment可以减轻机器学习的繁重工作量，支持自动化机器学习开发、管理和异常检测模型的持续改进。这大大减少了所需的人力工作，使得工程师可专注于将洞见转化为操作改进。简而言之，Lookout for Equipment可以让企业更快地创新。”

时间：2021-04-20 关键词：亚马逊云科技机器学习传感器数据
赛默飞Helios 5 EXL晶片双束透射电子显微镜通过自动化样品制备加快产品量产时间

2021年4月20日，上海——科学服务领域的世界领导者赛默飞世尔科技(以下简称：赛默飞)宣布推出Helios 5 EXL晶片双束透射电子显微镜，旨在满足半导体厂商随着规模化经营而不断增加的样品量以及相应的分析需求。这款产品拥有的机器学习和先进的自动化能力，可提供精确的样品制备，以支持5纳米以下节点技术和全环绕栅极半导体制程以及良率提高。随着半导体制程向着更小、更复杂的方向发展，半导体厂商需要更多可复现的、大批量的透射电子显微镜(以下简称：TEM)分析结果。对原子级数据的需求的不断增长，为繁忙的实验室利用先进的仪器设备来获得理想结果带来扩展性方面的挑战。全环绕栅极技术的进步提升了对于接口、薄膜以及纳米级以下分辨率可测量截面更多的需求，这也为大批量TEM分析的升级增加了难度。通过机器学习和闭环反馈进行极点配置，Helios 5 EXL能提供精确切割，使得操作者在进行高难度的样品制备时也能始终保持高品质产出。与现有的解决方案相比，改进的自动化技术优化了机器与人工操作的比例，旨在最大化样品产出和技术资源生产率。 “半导体实验室正面临着巨大的压力，在不增加成本的情况下，他们需要更快地提供TEM分析数据，以支持制程监控并提升学习曲线，” 赛默飞半导体事业部副总裁Glyn Davies说道，“Helios 5 EXL可以通过可扩展的、可复现的和高精度的TEM样品制备来应对这一挑战。” Helios 5 EXL在保持晶片结构的完整度上，可以帮助半导体厂商从每个晶片中提取比现有解决方案更多的数据，以提高TEM分析成功率。

时间：2021-04-20 关键词：自动化赛默飞机器学习
智能检测业务指标并确定异常原因，亚马逊云科技推出Amazon Lookout for Metrics

日前，亚马逊云科技宣布Amazon Lookout for Metrics正式可用。这是一项全新的完全托管服务，使用机器学习检测指标中的异常情况，帮助企业诊断问题并确定根本原因。Amazon Lookout for Metrics帮助客户以更快的速度、更高的准确度监控业务中的重要指标，如收入、网页浏览量、活跃用户、交易量和移动应用安装等。客户无需机器学习经验，即可通过该服务更容易地诊断异常现象发生的根本原因，如收入意外下降、购物车的高弃购率、支付交易失败高峰、新用户注册增加等。Amazon Lookout for Metrics没有预付费用或最低承诺费用，客户只需为每月分析的指标数量付费。欲深入了解亚马逊云科技在AI/ML方面的创新举措以及众多客户利用AI/ML在业务创新和企业转型方面的最佳实践，敬请关注将于4月22日举办的“2021亚马逊云科技 AI在线大会”。无论规模大小或所属行业，企业往往都会收集和分析指标或关键绩效指标(KPIs)，以帮助业务有效且高效地运行。以往，商业智能(BI)工具用于管理来自不同数据源的数据(如存储在数据仓库中的结构化数据，存于第三方平台的客户关系管理数据，保存在本地数据存储的运营指标)，并创建用于生成报告、针对检测到的异常发出警报等的仪表板。但有效地识别这些异常是非常有挑战性的。传统的基于规则的方法需要手动处理，且该方法通常将指定数值范围之外的数据视为异常(如每小时交易低于一定数量时发出警报)，这会导致如果指定的数值范围太窄会发出错误警报，而范围太广则检测不到异常情况。并且，这些范围也是静态的，不会根据每天的时间段、每周、季节或业务周期等不断变化的条件而变化。当检测到异常时，开发、分析和业务人员在采取行动之前可能会花费大量时间，尝试找出导致异常的根本原因。基于机器学习的解决方案能够解决以上传统基于规则方法带来的诸多挑战，因为机器学习可以从大量信息中进行模式识别，快速识别异常，并基于商业周期和季节等因素动态地调整。然而，从无到有开发机器学习模型需要一个数据科学家团队，他们需要花费大量时间构建、训练、部署、监控和微调机器学习模型。此外，一个单一的算法很难满足企业的所有需求，这将导致企业花费更多的时间和费用来创建和维护多个算法，以应对不同的需求。因此，几乎没有多少企业能够做到既拥有经验丰富的数据科学家，又有足够的资源来淘汰基于规则的方法，而充分实现机器学习在指标异常检测方面的全部潜力。 Amazon Lookout for Metrics是一项全新的机器学习服务，它可以自动检测指标中的异常情况，并帮助客户快速识别根本原因。Lookout for Metrics使用了与亚马逊内部用于检测业务指标异常的相同的技术，现在每个开发人员均可通过Lookout for Metrics使用该技术。客户可以将Amazon Lookout for Metrics与19个流行的数据源建立连接，包括Amazon Simple Storage Service (Amazon S3)、Amazon CloudWatch、Amazon Relational Database Service (Amazon RDS)、Amazon Redshift，以及SaaS应用如Salesforce、Marketo和Zendesk，来持续监控业务的重要指标(如总收入、毛利率、平均购买频率、广告支出回报等)。Amazon Lookout for Metrics自动检查和准备数据，选择最适合的机器学习算法，检测异常，将相关异常分组，并总结潜在的根本原因。例如，如果一个客户的网站流量突然下降，Amazon Lookout for Metrics可以帮助他们快速确定某项营销活动的意外停用是否是主要原因。该服务还可根据预测的严重程度对异常情况进行排序，方便客户确定问题处理的优先级。Amazon Lookout for Metrics可以轻松连接至通知和事件服务，如Amazon Simple Notification Service (Amazon SNS)、Slack、Pager Duty和Amazon Lambda，允许客户创建定制的通知或后续操作，如提交故障通知单或从零售网站删除定价有误的产品。随着服务开始返回结果，客户还可通过亚马逊云科技的控制台或应用程序编程接口(API)提供关于异常检测相关性的反馈，进而不断提高服务的准确性。 “从市场营销和销售到电信和游戏，所有行业的客户都有KPI，他们需要监控潜在的高峰、低谷，以及业务功能正常范围之外的其他异常情况。但是，捕捉和诊断指标中的异常很有挑战性，并且等到确定了根本原因时，可能已经造成了比如果及早发现大得多的损失。”亚马逊云科技全球机器学习副总裁Swami Sivasubramanian表示，“我们很高兴推出Amazon Lookout for Metrics这一易用的机器学习服务，利用亚马逊自身在大规模、准确和快速检测异常方面的经验，帮助客户监控其至关重要的业务指标。” 客户可直接通过亚马逊云科技控制台使用Amazon Lookout for Metrics服务，也可通过亚马逊云科技合作伙伴网络(APN)中的相关合作伙伴来帮助其实施使用该服务的定制解决方案。该服务与Amazon CloudFormation兼容，符合欧盟通用数据条例(GDPR)的要求。Amazon Lookout for Metrics现已在美国东部(弗吉尼亚北部)、美国东部(俄亥俄)、美国西部(俄勒冈)、欧洲(爱尔兰)、欧洲(法兰克福)、欧洲(斯德哥尔摩)、亚太地区(新加坡)、亚太地区(悉尼)和亚太地区(东京)区域正式推出，其它区域也将很快推出。 DevFactory是一家总部位于迪拜的全球企业软件和服务解决方案提供商。“我们的旗舰产品是Quantum Retail，为成千上万的零售客户提供智能零售供应链管理和库存优化解决方案。客户的销售数据是波动的，会受到商店、产品和部门等类别数以百万计的日常事件的影响，这些事件又会每年、每月和每天发生季节性的变化。理解销售模式，并将异常销售与季节性变化区分开来，对于准确预测和规划下游库存至关重要。” DevFactory首席执行官Rahul Subrananiam 表示，“我们现有的解决方案依赖于统计模型，经常无法检测到跨商店的异常销售行为，导致库存分配过剩或不足，进而显著影响整体收入和客户满意度。有了Lookout for Metrics，我们实现了通过几次点击自动监控所有重要类别的数据，识别出之前错过的近40%的异常事件。通过快速识别这些异常，我们能够以最佳方式调整我们的库存计划和所有门店的分销。” Digitata智能地变革了移动运营商在定价和管理用户方面的行为，使运营商能够做出更好、更明智的决策，以满足并超越业务目标。“在Digitata，真正重要的是让每个人都能以负担得起的价格上网。这需要对经济学有深刻的理解，特别是供需和客户行为的变化。”Digitata首席技术官Nico Kruger表示。“通过Lookout for Metrics，我们能够在几分钟内发现一个对移动网络运营商用户的定价产生负面影响的问题。我们能够立即识别出根本原因，并在两小时内修复。如果没有Lookout for Metrics，我们将需要花费大约一天的时间来识别和分类问题，并可能会导致收入下降7.5%。Lookout for Metrics使我们能够迅速采取行动，确保我们的定价模式处于最佳状态，帮助我们专注于真正重要的事情——让连接无处不在。” Marcaide创建了Flywire，旨在确保高价值的国际支付能够快速、顺利地进行，既适用于个人，也适用于医疗、教育和旅游等多个行业的机构。“在Flywire，我们的工程师依赖于全面的监测系统。随着我们的发展，他们经常会收到误报警，浪费了他们追踪这些不良线索的时间。”Flywire基础设施技术主管Omar Lopez表示，“通过Amazon Lookout for Metrics解析CloudWatch的事件，我们能够在一个下午就投入生产，并将误报率降低了7倍。这让我们的站点可靠性工程师专注于警报本身，并为我们提供工具来解决未来更复杂的运营和业务问题。” Wipro是一家全球IT咨询和系统集成服务公司，为全球金融服务、零售、消费品等行业的企业开发和实施解决方案。“对我们来说，Amazon Lookout For Metrics是一项自主服务，为客户提供对安全和业务数据的关键洞察，帮助他们在云中脱颖而出。” Wipro亚马逊云科技事业部总经理兼全球主管Manish Govil博士表示，“Lookout for Metrics不仅减少了我们的开发工作，还大大减少了在客户工作负载中开展异常检测所需的时间。它还使我们能够近乎实时地分析历史和连续的数据流，使我们能够从客户的运营和业务数据中及时发现并消除异常。我们很高兴能为我们的客户带来这项亚马逊云科技的服务，帮助他们在云中规模化实现人工智能驱动的业务成果。”

时间：2021-04-08 关键词：智能检测亚马逊云科技机器学习
NVIDIA赋能的系统迎来新搭档Ice Lake

机器学习和数据分析等数据密集型工作负载已变得司空见惯。为处理这些计算密集型任务，企业需要为实现高性能进行优化的加速服务器。英特尔于昨日发布第3代英特尔至强可扩展处理器（代号“Ice Lake”）。该处理器基于全新的架构，可大幅提升其性能和可扩展性。在NVIDIA GPU和网络功能的帮助下，新系统成为理想的企业加速计算平台。此外，新系统还具备可实现GPU加速应用的功能。 Ice Lake平台加速计算的优势 Ice Lake采用了PCIe Gen 4，其数据传输速率比前代产品增加了一倍，现在已经可以与基于NVIDIA Ampere架构的GPU（如NVIDIA A100 Tensor Core GPU）的原生速度相匹配。PCIe Gen 4的采用提高了与GPU间的吞吐量，这对于涉及大量训练数据的机器学习工作负载来说尤为重要。同时，PCIe Gen 4的采用也提高了数据密集型任务的传输速度，比如通过高性能NVIDIA A40数据中心GPU等加速的NVIDIA RTX虚拟工作站3D设计任务。 PCIe性能的提高加快了GPU直接内存访问的传输速度。GPU和采用GPUDirect视频技术的设备之间视频数据I/O通信速度的加快，可助力实现更强大的直播解决方案。数据速率的提高还实现了200Gb/s的网络速度，例如NVIDIA ConnectX家族的HDR 200Gb/s InfiniBand网卡、200Gb/s以太网网卡，以及即将推出的NDR 400Gb/s InfiniBand网卡技术。 Ice Lake平台支持64条PCIe通道，因此可以在同一台服务器中安装更多的硬件加速器，包括GPU和网卡等，从而提高每台主机的加速密度。这也意味着由最新NVIDIA GPU和NVIDIA 虚拟PC软件加速的多媒体VDI环境可以实现更高的用户密度。这些增强功能实现了前所未有的GPU加速扩展。企业可以通过在一台主机内使用更多的GPU并更加有效地连接多台主机的GPU，处理最大规模的工作。英特尔还提高了Ice Lake内存子系统的性能，将DDR4内存通道数从6条增加到8条，使内存的最高数据传输速率达到3200MHz。这使得从主内存到GPU和网络的数据传输带宽变得更大，进而可提高数据密集型工作负载的吞吐量。最后，处理器本身的改进也进一步加快了计算工作负载的速度。每个时钟周期的指令数增加10-15%，可使加速工作负载所对应的CPU部分整体性能提升多达40%。此外，核的数量也有所增加，比如8xxx系列中的核心多达40个。这将提高每台主机的虚拟桌面会话密度，进一步增加服务器GPU投资的回报。 NVIDIA十分高兴地看到合作伙伴发布由NVIDIA GPU加速的全新Ice Lake系统，用于包括戴尔科技专为GPU加速而打造的Dell EMC PowerEdge R750xa，以及基于第3代英特尔至强可扩展处理器和PCIe Gen4打造的全新联想ThinkSystem服务器（其中有多个型号搭载NVIDIA GPU）。英特尔的全新Ice Lake平台及随附的加速器硬件非常适合准备更新数据中心的企业客户。全新架构的增强功能使企业能够运行性能更加出色的数据中心级加速应用。NVIDIA与英特尔的共同客户将能够迅速从中获益。敬请访问NVIDIA认证服务器目录，查看采用Ice Lake CPU的GPU加速服务器型号列表。后续将会有更多系统加入，欢迎定期访问该目录。

时间：2021-04-07 关键词： NVIDIA 机器学习
后疫情时代新常态下，上云或成为企业生存关键

经历了一年多的全球疫情抗争，当前美国的累积确诊率已经超过10%，同时随着各种疫苗的面世，各国致死率下降、接种率和自然抗体率提升，其实在新冠在全球已经逐渐被视为为一种“大流感”，后疫情时代的新常态将会在全球开启，可以预见到全面的复工复产即将开启。在疫情盛行期间，我们可以看到全人类生活方式的转化，各行各业上云是重要趋势。而据亚马逊全球副总裁、亚马逊云科技大中华区执行董事张文翊女士近期在亚马逊云科技中国业务战略媒体沟通会上的分享，疫情后时代新常态下，上云不再是锦上添花，更成为企业生存的关键。企业需要重塑来保持生命力，而上云是重塑的关键重塑（re:Invent）这一主题是亚马逊云科技（下文简称AWS）近年来一直在强调的主题，在此前的多次活动中，常用Fortune的世界500强名单变化来作为说明——50年前500强企业如今只剩下17%仍在列。20年前500强企业中如今在列也仅剩50%。放眼整个世界经济发展成长的过程中，企业时刻面临着各种各样的挑战。时刻保持敏锐的洞察力，定期完成自我重塑才能保持持久的生命力。去年以来的疫情，更是放大了不少企业本身存在的系统隐患，带来了更大的冲击。据张文翊女士分享，从亚马逊的全球客户的服务经验来看一共有三个趋势：趋势一，疫情推动了整个企业的重塑，很多企业也积极拥抱云，利用云的敏捷性、弹性和成本节约的优势来快速响应外部的变化和改善他们的成本。趋势二，越来越多的企业直接在云上进行创新，全方位盘活数据，开展人工智能、机器学习、物联网业务。他们除了能让数据服务于日常的运营之外，更推出了一些创新的用户体验，也加速了他们的业务数字化和智能化。趋势三，企业正在加速全球业务布局，无论是中国企业向海外拓展，还是跨国公司发展中国业务，都在利用亚马逊云统一的技术架构来快速地进入业务的落地。持续增加云生态立体投入，做数字经济增长引擎作为云服务的发明者，亚马逊云科技已经具备了全球领先的云服务优势，首先在硬件基础上，拥有25个地理区域、80个可用区，服务了245个国家；有了这样的很好的基础，并持续地在符合上云安全合规的要求下，对于全国各行各业不同体量的百万活跃用户持续提供服务，在这期间积累和收集了成熟和丰富的全球客户实践经验。除了亚马逊云外，亚马逊主体本身优势的电商、智能设备、物流等构件的全球业务体系，也为客户提供了强大支撑。在Gartner《云基础设施和平台服务魔力象限》报告中连续十年被评为领导者。重塑不仅仅是对于亚马逊云科技的企业客户而言的，对于亚马逊云科技自身同样也是持续贯彻的理念。虽然处于领先的位置上，但亚马逊仍积极探寻和发明更多适用于客户需求的新的服务，并持续在云生态的上下游实现投入。在中国这边，亚马逊云科技计划将两个可用区进行扩建和增加。据张文翊女士分享，在宁夏区域将进行二期扩容，预计二期的扩容新增的厂房设计面积、可支持的计算容量将会达到一期的1.3倍；在北京将会发布第三个可用区域。在2020年亚马逊云科技发布了机器学习的重点服务Amazon SageMaker，大大降低了客户开展机器学习的技术和资源门槛，提高了机器学习的开发效率。今年又发布了基于自研云原生处理器Amazon Graviton2，近期也把刚刚在re:Invent上发布的多个SageMaker核心功能落地了北京区域和宁夏区域，也属于全球比较早落地的区域之一。宁夏区域从2017年正式商用以来，受到了数以千计中国客户的欢迎，二期的扩建也会进一步提高其云服务能力，北京区也一直是亚马逊云科技在中国的重要根据地之一，这两个区的扩展将会更好地帮助客户拥抱数字化、智能化，加快重塑步伐。在人才培育方面，亚马逊云科技也实现了从青少年、到中学、高等教育乃至在职人员的多种不同的培训计划。据张文翊女士分享，亚马逊云科技与清华、北大等全国200多所院校达成了合作，开发了28门定制的课程，已经有超过20万的学生受益。现在也有超过20万客户和合作伙伴的员工接受了云计算和各种计算领域的培训和认证。放眼全球，亚马逊云科技宣布到2025年将在全球投入数亿美金，为200多个国家和地区的2900万人提供免费的云计算技术的培训，来助力于他们提升他们的技术能力。在此次发布会上，亚马逊云科技还和华米科技达成了战略合作，支持华米科技涵盖70多个国家和地区的“芯端云”的战略，来提升其全球竞争力。随着疫情发展态势的逐步稳定，后疫情时代将会迎来全面复工复产的浪潮，而如何抢夺先机，获得决胜机会，完成企业重塑，上云是关键操作。亚马逊云科技针对全球深入的本地化服务和全球性的业务结构，将会是这些企业的最好选择之一。

时间：2021-04-02 关键词：云计算数据中心 AWS 机器学习
Amazon Personalize个性化推荐在亚马逊云科技中国区域上线

Amazon Personalize，一项用于构建个性化推荐系统的完全托管型机器学习服务，在亚马逊云科技中国(北京)区域(由光环新网运营)正式上线。使用该服务，开发人员无需具备机器学习专业知识，用户可用它训练、调整和部署自己定制的机器学习模型，构建个性化推荐系统，用于产品推荐、个性化营销、个性化搜索和定制化直销等广泛的个性化推荐场景。亚马逊云科技大中华区云服务产品管理总经理顾凡表示：“一直以来，对推荐系统的需求可以说无处不在。从电商购物、新闻阅读、音视频到在线应用的推荐，很多公司都希望构建个性化推荐系统增强用户体验，增加业务营收。构建准确有效的个性化推荐系统需要解决如机器学习算法、模型等诸多技术挑战。我们非常高兴通过与光环新网的紧密合作在中国区域上线Amazon Personalize，降低了机器学习技术的门槛，让客户能够专注于自己的业务创新，无需深入了解机器学习，即能构建自己的个性化推荐系统，享受人工智能带来的便捷。“ 早在1998年，Amazon.com亚马逊电商就上线了基于物品的协同过滤算法，是业界首次将推荐系统应用于百万物品及百万用户规模。这就是后来享誉业界的创新——亚马逊电商“千人千面”的个性化推荐。Amazon Personalize正是将亚马逊20多年机器学习方面的创新实践和经验进行提炼，赋能给所有行业、各种规模的企业，以及开发人员和数据科学家，让他们可以将构建定制模型的时间从几个月缩短到几天。使用Amazon Personalize，开发者只需要提供页面浏览、注册或购买等用户行为信息，告诉Amazon Personalize要推荐的项目清单是音乐、视频、产品还是新闻文章，就可以通过应用程序编程接口(API)接收到推荐结果。Amazon Personalize会对数据进行处理和检查，识别出有意义的内容，并从亚马逊电商零售业务多年打造的高级算法库中选择算法，根据客户数据训练和优化个性化模型。在整个过程中，所有数据都经过加密以确保私有和安全，仅用于为用户创建推荐。 Amazon Personalize预置了必要的基础设施，并管理整个机器学习管道，包括处理数据、确定功能、使用最佳算法以及训练、优化和托管模型等。客户通过API接收结果，并根据使用量付费，而没有最低消费或预付承诺。有道乐读是网易有道旗下一款致力于提升少年儿童阅读素养的数字阅读教育产品，并希望能提供从“千人一面”到“千人千面”的阅读体验。有道乐读技术开发人员配置较少且人工智能经验较浅，如何在更短时间内上线推荐系统，节省学习成本，是团队在选型时考虑的重要问题。有道乐读资深服务器开发工程师姜为表示，“使用Amazon Personalize，有道乐读APP研发团队在一个月内成功打造少儿图书的精准化推荐场景，将月活跃用户提升20%。” 作为乐天有限公司下辖子公司，乐天玛特是韩国领先的零售商，销售各类日用百货、服装、玩具、电子产品及其他商品。如今，消费者们拥有极为丰富的日用品购买渠道，包括大卖场、电商平台、便利店以及超市等等。乐天玛特决定使用Amazon Personalize为老客户们提供个性化优惠券推荐，借此提高其到店频率、增强新产品购买率，并最终强化客户忠诚度。乐天玛特大数据分析师Sungoh Park表示：“自从引入Amazon Personalize以来，优惠券使用量较以往基于规则的统计性推荐系统增加了一倍以上。新产品的购买率提高了1.7倍——较以往统计方法提升显著。更重要的是，新产品购买率的提升表明乐天玛特成功发掘出了客户群体中的隐藏购买需求。这种以个性化优惠券为载体的全新运营模式显著改善了乐天玛特的月度销售额。” StockX是一家来自底特律的初创公司，希望以独特的竞价/出价市场革新电子商务体系。该平台的设计灵感源自纽约证券交易所，并将运动鞋与街头潮牌服饰等商品视为高价值可交易商品。凭借运营透明化的市场交易体验，StockX 帮助消费者以真实市场价购买备受追捧的真品。StockX 公司机器学习部门创始成员兼负责人Sam Bean表示：“2019年，StockX 公司正经历高速增长，我们的机器学习工程师小组也开始尝试使用 Amazon Personalize 在主页上添加‘为您推荐’产品推荐行。我们的团队在这场假期购物季的几周之前着手项目开发，并在购物季到来时及时将其上线。可以自豪地说，在Amazon Personalize的帮助下，我们的微服务架构在整个假期当中都表现出近乎完美的可用性。最终，这项新功能成了主页上最受欢迎的部分。‘为您推荐’成为我们团队乃至整个StockX公司的一次巨大胜利。”

时间：2021-04-01 关键词： Amazon 云科技机器学习
机器学习基础图表：概念、原理、历史、趋势和算法

Part 1 机器学习概览什么是机器学习？机器通过分析大量数据来进行学习。比如说，不需要通过编程来识别猫或人脸，它们可以通过使用图片来进行训练，从而归纳和识别特定的目标。机器学习和人工智能的关系机器学习是一种重在寻找数据中的模式并使用这些模式来做出预测的研究和算法的门类。机器学习是人工智能领域的一部分，并且和知识发现与数据挖掘有所交集。机器学习的工作方式选择数据：将你的数据分成三组：训练数据、验证数据和测试数据模型数据：使用训练数据来构建使用相关特征的模型验证模型：使用你的验证数据接入你的模型测试模型：使用你的测试数据检查被验证的模型的表现使用模型：使用完全训练好的模型在新数据上做预测调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现机器学习所处的位置传统编程：软件工程师编写程序来解决问题。首先存在一些数据→为了解决一个问题，软件工程师编写一个流程来告诉机器应该怎样做→计算机遵照这一流程执行，然后得出结果统计学：分析师比较变量之间的关系机器学习：数据科学家使用训练数据集来教计算机应该怎么做，然后系统执行该任务。首先存在大数据→机器会学习使用训练数据集来进行分类，调节特定的算法来实现目标分类→该计算机可学习识别数据中的关系、趋势和模式智能应用：智能应用使用人工智能所得到的结果，如图是一个精准农业的应用案例示意，该应用基于无人机所收集到的数据机器学习的实际应用机器学习有很多应用场景，这里给出了一些示例，你会怎么使用它？快速三维地图测绘和建模：要建造一架铁路桥，PwC的数据科学家和领域专家将机器学习应用到了无人机收集到的数据上。这种组合实现了工作成功中的精准监控和快速反馈。增强分析以降低风险：为了检测内部交易，PwC将机器学习和其它分析技术结合了起来，从而开发了更为全面的用户概况，并且获得了对复杂可疑行为的更深度了解。预测表现最佳的目标：PwC使用机器学习和其它分析方法来评估 Melbourne Cup 赛场上不同赛马的潜力。 Part 2 机器学习的演化几十年来，人工智能研究者的各个「部落」一直以来都在彼此争夺主导权。现在是这些部落联合起来的时候了吗？他们也可能不得不这样做，因为合作和算法融合是实现真正通用人工智能（AGI）的唯一方式。这里给出了机器学习方法的演化之路以及未来的可能模样。五大流派符号主义：使用符号、规则和逻辑来表征知识和进行逻辑推理，最喜欢的算法是：规则和决策树贝叶斯派：获取发生的可能性来进行概率推理，最喜欢的算法是：朴素贝叶斯或马尔可夫联结主义：使用概率矩阵和加权神经元来动态地识别和归纳模式，最喜欢的算法是：神经网络进化主义：生成变化，然后为特定目标获取其中最优的，最喜欢的算法是：遗传算法 Analogizer：根据约束条件来优化函数（尽可能走到更高，但同时不要离开道路），最喜欢的算法是：支持向量机演化的阶段 1980年代 —— 主导流派：符号主义，架构：服务器或大型机，主导理论：知识工程，基本决策逻辑：决策支持系统，实用性有限 1990年代到2000年 —— 主导流派：贝叶斯，架构：小型服务器集群，主导理论：概率论，分类：可扩展的比较或对比，对许多任务都足够好了 2010年代早期到中期 —— 主导流派：联结主义，架构：大型服务器农场，主导理论：神经科学和概率，识别：更加精准的图像和声音识别、翻译、情绪分析等流派有望合作融合到一起 2010年代末期 —— 主导流派：联结主义+符号主义，架构：许多云，主导理论：记忆神经网络、大规模集成、基于知识的推理，简单的问答：范围狭窄的、领域特定的知识共享 2020年代+ —— 主导流派：联结主义+符号主义+贝叶斯+……，架构：云计算和雾计算，主导理论：感知的时候有网络，推理和工作的时候有规则，简单感知、推理和行动：有限制的自动化或人机交互 2040年代+ —— 主导流派：算法融合，架构：无处不在的服务器，主导理论：最佳组合的元学习，感知和响应：基于通过多种学习方式获得的知识或经验采取行动或做出回答 Part 3 机器学习的算法你应该使用哪种机器学习算法？这在很大程度上依赖于可用数据的性质和数量以及每一个特定用例中你的训练目标。不要使用最复杂的算法，除非其结果值得付出昂贵的开销和资源。这里给出了一些最常见的算法，按使用简单程度排序。决策树 Decision Tree 在进行逐步应答过程中，典型的决策树分析会使用分层变量或决策节点，例如，可将一个给定用户分类成信用可靠或不可靠。优点：擅长对人、地点、事物的一系列不同特征、品质、特性进行评估，场景举例：基于规则的信用评估、赛马结果预测。支持向量机 Support Vector Machine 基于超平面（hyperplane），支持向量机可以对数据群进行分类。优点：支持向量机擅长在变量 X 与其它变量之间进行二元分类操作，无论其关系是否是线性的，场景举例：新闻分类、手写识别。回归 Regression 回归可以勾画出因变量与一个或多个因变量之间的状态关系。在这个例子中，将垃圾邮件和非垃圾邮件进行了区分。优点：回归可用于识别变量之间的连续关系，即便这个关系不是非常明显，场景举例：路面交通流量分析、邮件过滤。朴素贝叶斯分类 Naive Bayes Classification 朴素贝叶斯分类器用于计算可能条件的分支概率。每个独立的特征都是「朴素」或条件独立的，因此它们不会影响别的对象。例如，在一个装有共 5 个黄色和红色小球的罐子里，连续拿到两个黄色小球的概率是多少？从图中最上方分支可见，前后抓取两个黄色小球的概率为 1/10。朴素贝叶斯分类器可以计算多个特征的联合条件概率。优点：对于在小数据集上有显著特征的相关对象，朴素贝叶斯方法可对其进行快速分类，场景举例：情感分析、消费者分类。隐马尔可夫模型 Hidden Markov model 隐马尔可夫过程是完全确定性的 —— 一个给定的状态经常会伴随另一个状态。交通信号灯就是一个例子。相反，隐马尔可夫模型通过分析可见数据来计算隐藏状态的发生。随后，借助隐藏状态分析，隐马尔可夫模型可以估计可能的未来观察模式。在本例中，高或低气压的概率（这是隐藏状态）可用于预测晴天、雨天、多云天的概率。优点：容许数据的变化性，适用于识别（recognition）和预测操作，场景举例：面部表情分析、气象预测。随机森林 Random forest 随机森林算法通过使用多个带有随机选取的数据子集的树（tree）改善了决策树的精确性。本例在基因表达层面上考察了大量与乳腺癌复发相关的基因，并计算出复发风险。优点：随机森林方法被证明对大规模数据集和存在大量且有时不相关特征的项（item）来说很有用，场景举例：用户流失分析、风险评估。循环神经网络 Recurrent neural network 在任意神经网络中，每个神经元都通过 1 个或多个隐藏层来将很多输入转换成单个输出。循环神经网络（RNN）会将值进一步逐层传递，让逐层学习成为可能。换句话说，RNN 存在某种形式的记忆，允许先前的输出去影响后面的输入。优点：循环神经网络在存在大量有序信息时具有预测能力，场景举例：图像分类与字幕添加、政治情感分析。长短期记忆与门控循环单元神经网络 LSTM & GRU nerual network 早期的 RNN 形式是会存在损耗的。尽管这些早期循环神经网络只允许留存少量的早期信息，新近的长短期记忆（LSTM）与门控循环单元（GRU）神经网络都有长期与短期的记忆。换句话说，这些新近的 RNN 拥有更好的控制记忆的能力，允许保留早先的值或是当有必要处理很多系列步骤时重置这些值，这避免了「梯度衰减」或逐层传递的值的最终 degradation。LSTM 与 GRU 网络使得我们可以使用被称为「门（gate）」的记忆模块或结构来控制记忆，这种门可以在合适的时候传递或重置值。优点：长短期记忆和门控循环单元神经网络具备与其它循环神经网络一样的优点，但因为它们有更好的记忆能力，所以更常被使用，场景举例：自然语言处理、翻译。卷积神经网络 convolutional neural network 卷积是指来自后续层的权重的融合，可用于标记输出层。优点：当存在非常大型的数据集、大量特征和复杂的分类任务时，卷积神经网络是非常有用的，场景举例：图像识别、文本转语音、药物发现。免责声明：本文内容由21ic获得授权后发布，版权归原作者所有，本平台仅提供信息存储服务。文章仅代表作者个人观点，不代表本平台立场，如有问题，请联系我们，谢谢！

时间：2021-04-01 关键词：人工智能机器学习
恩智浦宣布扩展其机器学习产品组合及功能

新闻亮点：• 恩智浦进行战略性投资，与Au-Zone Technologies开展合作，旨在扩展eIQ™机器学习开发环境• 恩智浦是Arm Ethos-U65 microNPU(神经处理单元)的领先技术合作伙伴，这款NPU将集成到未来的i.MX应用处理器中• 恩智浦将推动边缘人工智能(AI)、新型硬件和软件的新一波浪潮，从而在一系列嵌入式设备中构建经济高效的人工智能解决方案荷兰埃因霍温——2020年10月23日——恩智浦半导体(NXP Semiconductors N.V.) 今日宣布公司正在增强机器学习开发环境和产品组合。通过投资，恩智浦与总部位于加拿大的Au-Zone Technologies建立了独家战略合作关系，旨在利用易于使用的机器学习工具来扩展恩智浦的eIQ™机器学习(ML) 软件开发环境，并且扩展适用于边缘机器学习的芯片优化推理引擎产品。此外，恩智浦还宣布自己一直在与Arm合作，作为领先技术合作伙伴对Arm® Ethos-U™ microNPU(神经处理单元)架构进行升级改进，以便支持应用处理器。恩智浦会将Ethos-U65 microNPU集成到下一代i.MX应用处理器中，以提供高能效的经济高效型机器学习解决方案，满足快速增长的工业和物联网边缘应用需求。恩智浦半导体资深副总裁兼边缘处理业务部门总经理Ron Martino表示：“恩智浦的可扩展应用处理器为客户提供了高效的产品平台和广泛的生态系统，帮助他们快速交付创新的系统。通过与Arm和Au-Zone开展这些合作，并在恩智浦内部进行技术开发，我们的目标是持续提高处理器的效率，同时提升客户的生产率，缩短他们的产品上市时间。恩智浦致力于帮助客户降低拥有成本，保持关键数据的高安全性，利用增强的人机交互方式来保证安全。”为所有客户实现机器学习Au-Zone的DeepView™机器学习工具套件提供了直观的图形用户界面(GUI) 和工作流程，可以进一步增强eIQ的功能，让各种经验水平的开发人员都能导入数据集和模型，快速进行训练，并在恩智浦边缘处理产品组合上部署神经网络模型和机器学习工作负载。为了满足当今工业和物联网应用的苛刻要求，恩智浦的eIQ-DeepViewML工具套件将为开发人员提供先进功能，用于在恩智浦器件上删除、量化、验证和部署公共和专有神经网络模型。它提供针对特定目标的图形级别分析功能，让开发人员能够在运行时深入了解运行情况，以便优化神经网络模型架构、系统参数和运行时性能。通过增加Au-Zone的DeepView运行时推理引擎作为恩智浦eIQ中开源推理技术的补充，用户将能够非常轻松地在恩智浦器件上快速部署和评估机器学习工作负载和性能。这种运行时推理引擎的关键特性是为每种SoC架构优化系统存储器使用和数据移动。Au-Zone首席执行官Brad Scott表示：“Au-Zone非常荣幸参与这项投资，与恩智浦结为战略合作伙伴，尤其是恩智浦为更多机器学习加速器件制定的路线图，令人感到兴奋。我们开发DeepViewTM的目的是为开发人员提供直观的工具和推理技术，这次合作代表了先进芯片运行时推理引擎技术与开发环境的强大联合，必将进一步加快嵌入式机器学习功能的部署。这种合作关系建立在我们与恩智浦十多年工程协作的基础上，随着OEM继续将推理功能迁移到网络边缘，它将促使我们提供更先进的机器学习技术和交钥匙解决方案。”扩展机器学习加速为了在更广泛的边缘应用中加速机器学习，恩智浦将扩展适用于工业和物联网边缘的常用i.MX应用处理器，将Arm Ethos-U65 microNPU集成到处理器中，利用这个集成的NPU，为以前发布的i.MX 8M Plus应用处理器提供补充。恩智浦和Arm技术合作的重点是定义microNPU的系统级别，它能够支持高达1 TOPS的运算能力(在1GHz频率下处理512个并行乘加运算)。 Ethos-U65保持了Ethos-U55的MCU级别功效，同时还将其适用范围扩展到更高性能、基于Cortex-A的片上系统(SoC)。 Ethos-U65 microNPU与恩智浦i.MX系列异构SoC现有的Cortex-M内核配合使用，从而提高效率。Arm机器学习部门的营销副总裁Dennis Laudick表示：“人工智能和机器学习在工业和物联网应用领域掀起了一波浪潮。 Ethos-U65将推动新一波的边缘人工智能浪潮，为恩智浦客户提供安全、可靠、智能的器件上智能。”供货时间Arm Ethos-U65将集成在恩智浦未来的i.MX应用处理器中。 eIQ- DeepViewML工具套件以及集成到eIQ中的DeepView运行时推理引擎将于2021年第一季度推出。端到端的软件支持，包括为i.MX 8MPlus、其他恩智浦SoC以及集成Ethos-U55和U65的未来器件训练、验证和部署现有或新的神经网络模型，将通过恩智浦的eIQ机器学习软件开发环境提供。请注册参加恩智浦和Arm于11月10日联合举办的在线研讨会来了解更多信息并阅读我们的博客。

时间：2021-03-30 关键词：恩智浦 ARM 机器学习
MathWorks 入选 2021 年 Gartner《数据科学和机器学习平台魔力象限》并荣膺领导者称号

中国北京，2021 年 3 月 25 日 —— MathWorks 今天宣布，公司连续第二年在 Gartner《数据科学和机器学习平台魔力象限》报告中被评为领导者。根据 Gartner 对公司愿景完整性和执行能力的评估，MathWorks 被评为 2021 年度领导者。 MathWorks 首席战略师 Jim Tung 表示：“随着 MathWorks 连续两年被评为领导者，我们相信，我们的产品得到了进一步认可，能够为用户提供应对 AI 挑战的全方位平台。MathWorks 凭借其深厚经验和不懈钻研，为加快技术创新提供一系列软件和服务，帮助工程师和科学家构建更完善的 AI 数据集、集成社区 AI 模型，并在系统级环境内快速迭代和持续测试 AI 模型。” 借助 MATLAB 科学计算平台，企业和机构可以： · 让 AI 惠及整个团队，成员无需具备 AI 或数据科学方面的专业技能或丰富经验，也能顺利应用 AI · 将 AI 整合到系统设计工作流的各个环节，涵盖数据准备、分析与建模、仿真与测试以及生产 · 将 AI 模型部署到嵌入式设备、边缘、企业系统和云 · 使用建模和仿真来处理集成问题、验证有效性，并降低 AI 驱动系统开发过程中的风险 Gartner 免责声明： Gartner 不为其研究出版物中出现的任何供应商、产品或服务提供担保，也并非建议技术用户只选择那些获得最高评级或荣誉的供应商。Gartner 研究出版物包含 Gartner 研究机构的观点，但不应被理解为对事实的陈述。Gartner 对本研究不作任何明示或暗示的保证，包括对适销性或特定目的适用性的保证。

时间：2021-03-26 关键词：数据科学 MathWorks 机器学习
Microchip发布世界首款PCI Express® 5.0交换机，加速机器学习和超大规模计算基础设施发展

数据分析、自动驾驶和医疗诊断等应用带来了对机器学习和超大规模计算基础设施的巨大需求。为满足这一需求，美国微芯科技公司(Microchip Technology Inc.)今日宣布推出Switchtec PFX PCIe 5.0系列产品，这是世界上首款PCI Express(PCIe)5.0交换机解决方案，可将密集计算、高速网络和NVM Express®(NVMe®)存储的互连性能提高一倍。连同XpressConnect™重定时器，Microchip是业内唯一能同时提供PCIe 第五代(Gen 5)交换机和PCIe 第五代(Gen 5)重定时器产品的供应商，为客户提供互操作性经过验证的完整PCIe第五代基础设施解决方案。 Microchip数据中心解决方案业务部负责营销与应用工程的副总裁Andrew Dieckmann表示：“加速器、图形处理单元(GPU)、中央处理单元(CPU)和高速网络适配器推动了对更高性能PCIe基础设施需求的持续增长。Microchip推出的全球首款PCIe 5.0交换机能将第四代PCIe互联链路速率提高一倍，达到32 GT/s，以支持要求更严苛的新一代机器学习平台。再加上我们的PCIe 5.0和Compute Express Link™(CXL™)1.1/2.0 等XpressConnect系列重定时器产品，Microchip可提供业界最丰富的PCIe Gen 5基础设施解决方案产品线，实现超低延迟和端到端的互操作性。 Switchtec PFX PCIe 5.0交换机系列产品由高密度、高可靠性交换机组成，支持28至100路通道和多达48路非透明网桥(NTB)。这些产品具备热插拔、非热插拔以及安全启动身份验证等高可靠性功能。由于PCIe 5.0的数据速率达32 GT/s，信号完整性和复杂的系统拓扑结构对系统的开发和调试构成极大挑战。为了加快上市时间，Switchtec PFX PCIe 5.0交换机提供了一套全面的调试和诊断功能，包括支持事务层包(TLP)生成和分析的复杂内部PCIe分析仪，以及配置在芯片上的非侵入式SerDes眼图捕获功能。Switchtec PFX PCIe 5.0交换机还配置有ChipLink，这是一种基于直观图形用户界面的器件配置与拓扑结构查看器，可全面访问PFX PCIe交换机的寄存器、计数器，诊断器和取证捕获功能，从而实现系统快速启动和调试。英特尔研究员兼输入/输出技术和标准总监Debendra Das Sharma博士表示：“英特尔即将推出的Sapphire Rapids Xeon处理器将会采用运行速度高达32.0 GT/s的PCI Express 5.0和Compute Express Link，为客户提供部署所需的低延迟和高带宽I/O解决方案。我们很高兴看到Microchip的PCIe 5.0交换机和重定时器更加巩固了我们的生态系统，并推动了PCIe 5.0和CXL解决方案的更广泛部署。” 开发工具 Microchip发布了全套设计资料、参考设计、评估板和工具，支持客户利用PCIe 5.0的高带宽优势开发系统。除了PCIe技术，Microchip还为全球数据中心基础设施建设商提供全面的系统解决方案，包括支持NVMe的RAID、存储器、内存，时序和同步系统、独立安全启动、安全固件与身份验证、无线产品、用于配置和监控数据中心设备的触摸显示屏，以及预测性风扇控制器。供货 Switchtec PFX PCIe 5.0系列交换机现已向符合条件的客户提供样品。如需了解更多信息，请联系Microchip销售代表。

时间：2021-02-03 关键词： Microchip 交换机机器学习
Silicon Labs携手Edge Impulse加速实现机器学习应用

中国，北京 - 2021年2月3日 - 致力于建立更智能、更互联世界的领先芯片、软件和解决方案供应商Silicon Labs(亦称“芯科科技”)宣布与领先的边缘设备机器学习(ML)开发平台Edge Impulse携手合作，实现在Silicon Labs EFR32无线片上系统(SoC)和EFM32微控制器(MCU)上快速开发和部署机器学习应用。Edge Impulse工具可在低功耗且内存受限的远程边缘设备上实现复杂的运动检测(motion detection)、声音识别和图像分类。研究表明，往往由于人工智能(AI)/机器学习方面的挑战，87%的数据科学项目从未实现量产。通过Silicon Labs与Edge Impulse之间的这种新合作，设备开发人员只需轻点按钮，即可直接生成机器学习模型并将其导出至设备或Simplicity Studio(Silicon Labs的集成开发环境)，在数分钟内便可实现机器学习功能。 Silicon Labs物联网副总裁Matt Saunders表示：“Silicon Labs相信，我们努力将机器学习融入到边缘设备中，将会使物联网更加智能。Edge Impulse提供安全、私密且容易使用的工具，在实现机器学习时为开发人员节省了时间和资金，并为从预测性维护、资产跟踪到监控和人员检测等实际商业应用带来了令人惊叹的新用户体验。” 通过在Simplicity Studio中集成部署，Edge Impulse可使开发人员免费在各种Silicon Labs产品上快速创建神经网络。通过在EFR32和EFM32器件(例如MG12、MG21和GG11)中嵌入最先进的TinyML模型，该解决方案能够实现以下功能： · 真实的传感器数据收集和存储 · 高级信号处理和数据特征提取 · 机器学习 · 深度神经网络(DNN)模型训练 · 优化嵌入式代码部署 Edge Impulse工具还可以利用Edge Impulse的Edge Optimized Neural(EON™)技术来优化内存使用和推理时间。 Edge Impulse联合创始人兼首席执行官Zach Shelby表示：“嵌入式机器学习在工业、企业和消费领域的应用是无止境的。将机器学习与Silicon Labs的先进开发工具和多协议解决方案整合在一起，将为客户带来绝佳的无线开发机遇。” Edge Impulse的各项支持已就绪，可用于Silicon Labs的Thunderboard Sense 2及无线SoC和MCU。Edge Impulse将在tinyML峰会(2021年3月22-26日)上举办实操研讨会，欢迎参与以进一步了解Silicon Labs平台的人工智能/机器学习功能。前250名研讨会注册者将免费获得一个Silicon Labs开发套件在活动期间使用。

时间：2021-02-03 关键词：物联网 TinyML 机器学习
疫情给云服务商带来机遇和挑战，亚马逊2020 re:Invent大会开启新的可能

“亚马逊2005年推出了全球第一款共享云的服务，这个服务正式开启了云服务的时代，春季云存储、秋季云计算，开始了整个全球的云计算的时代。”AWS首席云计算企业战略顾问张侠在近日的亚马逊re:Invent大会上分享到。今年亚马逊re:Invent 2020大会上，AWS CEO Andy Jassy强调“重塑造”仍然是重点方向。“疫情期间短期而言，前九到十个月，几乎所有的企业包括亚马逊都竭尽全力的去节约成本。疫情会造成一些业务的停顿，很多企业其实都退后一步去思考。我们跟很多企业沟通谈上云，它们都在小心翼翼地试水，我们看到有这么多企业从原来只是说到现在的实际进入规划，我认为这是最大的变化。如果我们回顾云的历史，事实上大疫情加速了云至少几年的时间。” “从1970年现在，一直保持在世界500强队列中的只剩了17%。如何一家公司想要保持持续不断的成功都绝非易事，要有非常强大的创新的基因，要有革自己命的勇气才能屹立不倒。”所以一定要不断地重塑，再造自己，才能够生存下来。在此次的re:Invent大会上，AWS前前后后发布了诸多新的云服务产品。首先最令人关注的是AWS计划推出全新的机器学习定制训练芯片 Trainium，亚马逊表示这款芯片可以带来比竞品都要好的的性能表现。这款芯片主要的意义在于突破在ML中最关键的范围和频度的限制，与标准的 AWS GPU 实例相比，Trainium 具有相当显著的速度和成本优势。Trainiu可带来 30% 的吞吐量提升、以及降低 45% 的单次引用成本。这款芯片是在去年发布的AWS Inferentia 定制芯片的补充，和其使用了相同的SDK。在EC2的方面，AWS也分享了一些全新的动态。AWS已经和Intel展开合作，在Habana Gaudi上进行EC2机器学习训练实例，相比GPU的EC2实例提高了40%的性价比。8卡的Gaudi 解决方案可以在TensorFlow上每秒处理12000张图像训练ResNet-50模型。每个Gaudi处理器集成了32GB的HBM2内存，并集成了用于服务器内部处理器互联的RoCE功能。凭借AWS弹性架构适配器（EFA）的技术可以跨服务器扩展，从而允许AWS及其客户无缝地扩展使用多个基于Gaudi的系统以实现高效和可扩展的分布式训练。此外，EC2 MAC实例也是备受关注。它首次将macOS和EC2结合在了一起，这意味着为苹果生态内创建应用程序的开发者，现在不再需要购买价格昂贵的Mac Pro或者iMac Pro工作站，只需要有网络连接，就能在几秒钟内访问和配置云端的macOS工作环境，并以极低的价格和极高的稳定性享受到在高端Mac设备上进行开发工作的快感。时至今日EC2已经逐步变得更为强大，更为贴近各种不同的用户，它也让AWS成为了迄今为止唯一一家，可以同时提供Intel、AMD和ARM三大CPU架构的云计算提供商。 “我们花了123个月的时间，也就是十年多一点，来实现收入达到100亿美元的规模；花了23个月实现下一个100亿美元的增量；又花了13个月时间达到了300亿；用了12个月时间从300亿增长到460——每增长100亿的时间正在缩短。”Andy Jassy对于云服务的未来充满信心，我们仍处在云时代的早期，随着对既有产业的重塑升级，云服务领域仍有着长足的增长潜力。而AWS作为云服务的创始者仍在持续保持创新，引领云服务为世界提供更好的发展前景。

时间：2020-12-21 关键词：云计算数据中心 AWS 机器学习
亚马逊首席技术官预测2021：八大技术趋势改变世界

2020年12月18日，在为期三周的亚马逊re:Invent全球大会即将闭幕之际，亚马逊全球副总裁、首席技术官Werner Vogels博士发表压轴演讲，分享了他对2021年的科技趋势的预测。Werner也回顾了2020年，他表示，2020年是如此的与众不同，无论企业还是政府机构，工作和运营方式都彻底发生了改变。而帮助我们应对巨变的，是科技。在线课堂帮助孩子们继续接受教育，在线会议代替商务会议室、酒吧咖啡厅会面，在线视频让人们继续拥有电影之夜，科技帮助人们养家糊口、教育孩子和工作协同，隔离在家也能自娱自乐。2020年的疫情没有让我们放慢脚步，反而加速了我们向数字世界迈进。在他看来，正是得益于这一加速变化，2021年将成为各种变革的启动台。以下就是他对明年及未来发展的预测。 1. 无远弗届，云将无处不在(2021年，云向边缘的推进将进一步加速) 所有云功能都集中在数据中心的时代正在开始消失。你会发现，云应用可以帮助海上船只提高性能，帮助飞机穿越天空，云应用嵌入汽车，进入家庭生活。不只是设备密集的数据中心，农村地区、野外，甚至空中、近地轨道，都可以获得强大的云存储及计算能力。云无处不在。从AWS的视角看，AWS部署了数量众多的云数据中心区域和接入点，让云技术向全球各地的客户不断靠近。AWS Snowball被部署到夏威夷的火山边、南极洲的研究中心，收集PB级的数据。AWS Outposts将云的触角延申到客户的本地机房。AWS Local Zones将精选的云基础设施部署到更靠近客户需要的地方，帮助城市地区的客户迅速精减其累赘的数据中心。厨房里，健身房的自行车上，边缘设备可以借助AWS IoT Greengrass彼此相连。随着5G网络的扩展，运营商开始部署AWS Wavelength区域，让5G终端上的应用可以充分发挥5G网络低延迟、高带宽的优势。当网络的最远端都能高速地连接到云端，伟大的事情就会发生。当延迟消除了，一些需要极低延迟的操作，从自动驾驶到自然语音处理和翻译，对重要基础设施的主动管理，就不再需要往返于地球的偏远角落和中心服务器之间，可以在最需要结果的地方就地进行。结果是什么呢?无人驾驶汽车成为现实，您可以开始与智能语音助手Alexa进行更自然的对话，工厂、住宅和办公室空间变得更加高效灵活。而且，如果你喜欢玩游戏，无论身在何处，都不必担心延迟影响游戏体验，可以将你的游戏技能发挥到极致。云的概念从一个中心点延伸出来，进入人们日常的生活、工作环境，将有越来越多原本在云中运行的软件在身边运行，改善人们的生活，从医疗保健到交通运输、娱乐、制造等等。2021年，云向边缘的推进将进一步加速。 2. 机器学习的互联网(机器学习从云端延伸到边缘) 数据正在爆炸式增长。今天，一小时产生的数据，比2000年全年产生的数据还要多。未来三年内产生的数据，将比过去30年的还要多。2020 年，科学研究人员、制药公司、政府和医疗机构将所有资源转向疫苗开发、新的疗法，以及其它帮助我们对抗疫情的手段。无论你是不是数据科学家，都会对数据增长曲线有所认识。我们需要处理海量数据的能力。无论是医疗还是别的什么应用，处理所有这些信息的唯一实际方法，就是使用数据摄取和聚合工具，跟机器学习模型相结合，帮助我们理解这些信息。因此，毋容置疑，机器学习在2020年已经成为主流。机器学习历来是一个计算量很大的工作负载，只能在最强大的硬件上运行。但是随着软件和芯片技术的进步，情况正在改变。通过组合使用AWS多种技术，软件和硬件在边缘端适配，可以发挥出比以往更大的作用。云向边缘端不断地推进，明年将有更多行业和政府机构加速采用机器学习。在制造业，机器学习将融入生产线，实时发现生产异常。在农业领域，机器学习可以帮助农民更明智地使用宝贵的资源，例如土壤和水。在世界上以小农户为主的地区，例如整个东南亚和非洲，将机器学习模型的使用推向新的应用领域，在更边缘的地方收集数据，带来的改变将是革命性的，将有助于农户提高收成，并且帮助他们提高售价。 Werner说他曾在东南亚拜访过一个AWS客户叫HARA。HARA总部位于印度尼西亚雅加达，他们使用机器学习分析东南亚成千上万小农户的数据。通过人员和设备在田间收集数据，包括农场的季节性生长周期，种植作物需要多少投入，从中可以获得多少收入。这种分析有助于农户获得合理的信贷。随着新冠疫情全球爆发，HARA正在使用其平台识别最需要食物的地方和人，与拥有食物的农户相匹配，并找出两者之间最佳的物流方式。新冠疫情为人类带来棘手的问题，但是科技可以帮助解决这些问题。机器学习不断扩展，机器对机器的连接将呈爆炸式增长。根据思科的年度互联网报告, 2018年，互联网上只有33%的连接是机器对机器的连接。如果你有一个Echo智能家居产品，或者正在关注汽车行业的快速发展，那么你应该已经看到即将发生的事情，连接云的传感器和设备正在激增。Werner预计，到2021年，这一比例将超过50%。机器对机器的连接不断增加，更多的数据注入机器学习模型，将出现更多针对机器学习的定制芯片。通过AWS Inferentia，可以在电力和计算方面降低机器学习成本。成本不断降低，性能不断提高，越来越多的机器学习应用场景在边缘执行运算，在边缘建立新模型。对于需要低延迟的应用来说，这是一个颠覆性的创新。现实的例子是今年席卷澳洲丛林或者美国西海岸的山火。未来，在边缘设备运行的机器学习模型可以帮助人们，根据历史上的火灾情况，在地面逐秒模拟当前的情况，不用回到中央数据中心，就可以预测火灾危险。边缘设备产生的数据，可以帮助救灾机构预防和扑灭火灾，让我们在世界各地可以看到更准、更快版本的 "今日火灾风险"提示。如上，机器学习应用在医疗保健领域，用于为最需要的人提供食物，应对山火等气候变化的影响，技术、专家与决策者和社区合作，可以对人们身边的世界产生积极的影响。 3. 2021年，图像、视频和音频的表达将超过文字几年前，《连线》杂志的一篇文章中，Werner谈到了声控计算的迅速崛起，新兴的用户界面，让人类可以用更自然的方式与机器交流、进行人与人之间的交流。这一趋势进入2021年及以后，Werner认为键盘会继续没落，以渐进的方式被淘汰。在过去一年，全球疫情让人们与外界隔离，越来越多地通过音频、视频和图像进行通信。随着人们更多地使用多媒体的方式进行交流，在屏幕上产生的文字数量相对减少。在Twitter上，平均每天有80%的消息包含图像或视频，或者仅仅是图像或视频。今年夏天，Twitter开始为iOS用户推出音频推文，进一步明晰了这一趋势。快速降低的成本和在云中存储数据的能力，对这一趋势起到了一定的推动作用。企业要与客户保持联系，更要敏锐地意识到这些习惯的变化，客户会不再依靠键盘、鼠标或其它机械的方式，与企业的产品和服务进行互动。所以企业应该探索从键盘转向更自然的用户界面。Alexa允许客户用语音进行亚马逊购物，其应用情况令人兴奋。向更自然的交流方式的转变，也让服务和信息的获取更加公平。对那些从未学会读写的人来说，声音可能是他们获取信息的唯一方式。例如在加纳，Cow Tribe公司通过简单的语音命令向牧民分派疫苗、饲料和兽医。不能操作触摸板或键盘的残疾人，可以通过语音，让屏幕显示去年夏天的照片，从附近的餐馆点菜，或者让智能音箱给孩子打电话。另外， Twitter和其它地方的所有视频、音频和图像都将成为数据源，可以提供新的洞见，产出新的产品和服务。拿音乐来说，随着人们向数字音乐过渡，音频已成为分析数据的来源，不仅可以播放你喜欢的歌曲，而且帮助你跟踪潮流趋势，发现新的艺术家;结合乐曲、流派和艺术家的历史，将音乐匹配到情绪、言语片段或位置地点。 2021年及以后，从社交平台到业务运营的所有领域，音频、视频和图像的使用将继续取代文字，云技术将发挥重要作用，满足这一需求。 4. 科技将改变现实世界，就像改变数字世界一样 2020年，社交隔离闯入人们的生活。隔离让人们有机会审视、再思考，我们的城市是如何运作、如何呼吸、如何流动的。我们生活和工作的许多地方，都是建立在几十年的假设之上(或者有几百年的历史，取决于你的居住地)，这些假设不再成立，或者说在此次全球疫情中表现不佳。在高级数据分析的帮助下，2021年人们将开始思考，如何更好地设计城市，既能做到社交隔离，又不会感到相互之间遥不可及。这将会是数字和物理世界的真正融合。例如，使用先进的数据分析技术和机器学习，城市能够分析人员流量，了解行人在不同情况下如何走动，如何进入体育场、出入杂货店和地铁站。多年来，大型商场一直在使用这种技术分析特定时刻的人流量，让人们在最佳时刻路过广告或促销牌子。将机器学习模型加入进来，我们就可以在瓶颈和危险点出现之前对其进行预测。我们可以预测每小时的行人流量，在夏季旅游旺季或冬季流感季提供安全通勤建议。试想在一座博物馆，可以借助这些技术，很快知道如何摆放艺术品最好，更好地设计洗手间出入口，防止人们相互碰撞，保持安全的社交距离。现实世界的另一个巨大转变，更大程度上将体现在金融方面，人们口袋里的现金正在迅速消失。新冠疫情带来的最大变化之一是无现金支付兴起。世界各地的一些酒吧和餐馆开始禁止使用现金。新的在线支付平台在崛起，他们的业务建立在云上，以区块链为例，底层加密和分类账系统(区块链是一个去中心化的电子分类账系统)是基于云的。这样的支付选择会越来越多，全世界将进一步加速采用数字技术，取代陈旧的、持续了几个世纪的支付方式。 5. 远程学习在教育中挣得一席之地在过去几年里，几乎每个行业都发生了根本性的变化，只有教育是个例外，大多数教育机构的运作方式，仍然与我很多很多年前上学时并无二致。然而，当在线课程项目如Coursera或在线服务Chegg出现、教育方式正在出现一些缓慢变化时，新冠疫情让教育界经历了一场快速且不可逆转的重塑，其程度几乎超过了其它任何行业。 Werner说，最近他和波兰华沙的一些高中生进行了交谈，他们在用社交学习网站Brainly完成学校课业，通过线上课堂互相帮助。在疫情中绝望的父母们，都希望确保孩子在新的远程教育环境中真正在学习，因此，像Brainly这样的在线学习工具应运而生，爆炸性增长。在疫情期间，技术在儿童教育方面发挥了巨大作用。明年，当人们验证了远程学习的有效性，而且对某些人来说或许是更好的选择，远程学习将在教育中发挥更积极和持久的作用。另一个很好的例子，是黑人女孩代码(BGC)创始人Kimberly Bryant所做的项目。与所有教育者一样，在疫情期间，Kimberly只能在线上为7-17岁的女孩开设计算机科学课程。以往，BGC教室一年能招收约5500名学生，但今年春季仅用一个月的时间，学生数量就几乎达到了全年数量的一半，加入的女孩来自世界各地。Kimberly说，BGC不再会只有面授的教学形式了，她已经看到了自己能达到的规模，以及她可以帮助更多的来自世界各地的女孩。今年的疫情大流行以及其它显而易见的变化，都迫使人们做出适应。但在线课程的意义不只是发生了全球健康危机才能体现。任何时候都可以选择接受远程教育(和工作)意味着，孩子们生病时也可以呆在家里上课，不会落后于同学。如果根本没有学校可上，只要有互联网，至少有可能接受某种形式的教育。毫无疑问，应该把孩子们送回教室，让他们有面对面的交流，但还是可能有其它事件的干扰。远程课堂能使学校的教学系统和学生们，灵活应对各种突发事件，无论遇到疫情大流行、自然灾害还是人为灾难，都能确保学习不被中断。 6. 小企业竞相上云，东南亚和撒哈拉以南的非洲将成为领跑者 2021年及以后，一个巨大的变化是，小企业开始利用先进的云技术服务客户。大量优秀的技术和服务提供商将会涌现，服务于这些小企业。技术将帮助小企业做各种事情，从启动一个聊天机器人回答常见问题，到几分钟内让一个超简单的CRM系统就绪运行。小企业能够拥有复杂架构和应用带来的益处，却无需投入时间和金钱来搭建它们。实现这一点源于云无所不在的趋势。在过去的一年里，大多数小企业都体验到，在许多情况下，利用技术的能力决定了一个企业的生死存亡。很少有人知道，美国只有47%的中小企业拥有自己的网站，预计这一数字在2021年会有所增长。放眼全球，预计东南亚国家，如印度尼西亚、菲律宾、泰国和越南，以及非洲的肯尼亚、尼日利亚和南非，将引领这一趋势。 2020年之前，Werner花大量时间在世界各地与客户交谈，倾听他们利用科技克服挑战的故事。在这些地区，他看到了中小企业的巨大潜力，也从他们的故事中受到启示。在撒哈拉以南的非洲地区，90%的公司都是小企业，占国内生产总值的40%，经济总量达7000亿美元。而东南亚国家的一些重要行业中，小型和微型企业占了99%，主要集中在旅游业和手工业。目前，这些国家的在线普及率已经位居世界前列，即使周围的世界正在停摆，这些小微企业依然可以通过互联网与外界进行交易。以印度尼西亚的Warung Pintar为例，这家公司通过云端连接食品小店，将技术服务与小企业结合。在印度尼西亚、东南亚和世界其它地方，随处可见这种街边小吃摊和小杂货店，它们通常都是独自经营，可以在那里买冷饮，买零食，也可以给手机充值。Warung Pintar小店提供了所有这些功能，只是这些小店和它们的运营都是连接到云上的。Warung Pintar的小店经营者通过一个亮黄色的小盒子，就可以实现库存管理和跟踪、销售分析、无现金支付、WIFI连接等。以前，这些小店生意的好坏只有依赖路边的人流量，现在小店店主们可以开始了解和培育他们的客户群。以前，他们库存和进货主要凭直觉采购，现在他们可以分析，了解卖什么最赚钱，什么货只是占地儿。随着这些小企业将其独特的做法和独具特色的商品推向世界，他们很可能打破发达国家的许多商业惯例。他们既没有传统技术的负担，也没有固有思想的羁绊，因此发展空间广阔无限。 7. 2021年，量子计算将蓬勃发展过去，一次又一次证明，一旦最先进、最复杂的技术被普及，让大众都买得起、用得到、能理解，巨变就会发生。在 2019年 re:Invent大会上，AWS发布了一项全托管的量子计算服务Amazon Braket，帮助研究和开发人员加速研究，发现量子计算的潜力。2020年，AWS把这项服务开放给了所有人。 Amazon Braket出现前，只有全球顶尖的研究机构或最具经济实力的公司才能使用量子计算硬件，现在，任何人都可以用低至0.30美元的价格使用量子机器。毫无疑问，这种深奥难懂的计算方法还处于早期阶段，但这也正是Braket的要点所在。在探索时期尤为重要的一点是，要让尽可能多的人涉足到量子计算领域。随着企业和机构开始初步尝试量子技术，这种专业知识开始走出学术界，围绕量子未来的各种商业计划、产品与服务雏形就会陆续出现，这也是Braket从实验室走向应用的途径。正如我们在机器学习发展过程中看到的，当软件生态系统真正能够服务于硬件时，成千上万的应用程序就会出现。在未来十年左右的时间里，量子计算将改变很多领域，如化学工程、材料科学、药物发现、投资组合优化、机器学习等，但只有当越来越多的人现在开始设想这条未来之路，这些改变才能实现。鉴于AWS有经验让所有人用得起、用得上和能理解先进的云技术，Werner认为2021年将是量子计算开始蓬勃发展的一年。 8. 2021年，云技术将在太空方面取得最大进步 Werner说，为使科技发挥潜力，帮助全世界的人过上更好的生活，我们走遍世界，更应该走到世界的上空。 2019年，我们推出了AWS Ground Station卫星地面站服务。利用该服务，客户能够控制卫星通信、处理数据，扩大运营规模，而不必操心地面站基础设施的建设或管理。这项服务已经取得巨大成效，但我们认为这仅仅是一个开始。我预测，2021年及以后，太空将是我们在云技术方面取得最大进步的领域。目前，卫星数据的接入和处理技术，已经用于帮助研究人员追踪冰川消退，海事机构保护脆弱的海洋保护区，农学家更准确预测粮食供给。同时，一些初创公司正在探索利用太空发展新一代快速而安全的网络。通过让每个开发者都能负担得起接入太空的费用，我期待看到这些创新能落地变成现实，帮助所有人成长和成功。

时间：2020-12-18 关键词：亚马逊远程学习机器学习
亚马逊云服务(AWS) 为机器学习扩圈触及每一位AI工作者

12月9日， AWS全球机器学习副总裁Swami Sivasubramanian (简称Swami) 在亚马逊re:Invent大会上发表机器学习和人工智能主题演讲，展示了AWS关于人工智能与机器学习的最新全景蓝图，并宣布了一系列新服务和新功能，让机器学习更易用和拓展到更加广阔的使用者、应用场景和行业。这是亚马逊re:Invent大会上的首次机器学习主题演讲。Swami主题演讲中表示，“机器学习是我们这一代人能遇到最具颠覆性的技术之一，目前已经有超过10万客户在使用AWS的机器学习服务，很多客户已经将机器学习用于其核心业务。” AWS大中华区云服务产品管理总经理顾凡介绍说，“亚马逊利用机器学习技术已经有20多年时间，这是AWS机器学习服务的深厚源泉。AWS在2016年开始发力，在云上提供机器学习服务。当年只发布了三个服务，2017年开始加速，最近三年，每年新增的服务和功能超过200个，为全球人工智能工作者丰富了他们急需的工具集。” 据德勤发布的《全球人工智能发展白皮书》预测，到2025年，世界人工智能市场规模将超过6万亿美元。面对数字经济的发展机遇，多个国家和地区已将人工智能列为优先发展的国家战略。 2020年11月21日，国家工业信息安全发展研究中心在《2020人工智能与制造业融合发展白皮书》中指出了目前融合存在的诸多难点，其中人才匮乏问题尤为严重。而人社部官网的报道中测算，目前我国人工智能人才的缺口超过500万，国内的供求比例为1:10，供需比例严重失衡。德勤发布的《全球人工智能发展白皮书》指出，在人工智能众多的分支领域中，机器学习是人工智能的核心研究领域之一。包括89%的人工智能专利申请和40%人工智能范围内的相关专利均为机器学习范畴。 AWS是云计算的引领者，也是机器学习的翘楚。面对机器学习这样一个充满前途的事业，以及当前严重缺乏人才的处境，AWS通过多种方式，采取一系列措施，着重通过技术创新，为机器学习扩圈。首次推出开箱即用的工业领域机器学习解决方案扩圈举措之一，是推出开箱即用的解决方案。在re:Invent大会上，AWS发布了五项用于工业领域的机器学习服务，分别是Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一体机、AWS Panorama SDK和Amazon Lookout for Vision。这是AWS首次推出开箱即用的工业领域机器学习解决方案。 Amazon Monitron和Amazon Lookout for Equipment通过机器学习支持预测性维护。Amazon Monitron面向没有建立传感器网络的客户，提供由传感器、网关和机器学习服务组成的端到端机器监控系统，检测异常并预测何时需要维护工业设备。Amazon Lookout for Equipment面向已经拥有传感器、但不希望自己构建机器学习模型的客户，由AWS为其构建模型并返回预测结果，检测异常设备行为。 AWS Panorama通过计算机视觉改善工业运营和工作场所安全。AWS Panorama一体机是一个硬件设备，将它连接到工业场所的网络中，它就可以自动识别摄像头数据流，与工业摄像头进行交互。AWS Panorama软件开发套件(SDK)，方便工业相机制造商在新相机中嵌入计算机视觉功能。 Amazon Lookout for Vision为工业客户提供高精度、低成本的产品质量异常检测解决方案。它通过机器学习技术，每小时可以处理数千张图像，发现产品缺陷和异常。客户可以将摄像头图像批量或实时发送到Amazon Lookout for Vision，找出异常，例如机器部件的裂纹、面板上的凹痕、不规则形状或产品上的颜色错误等。目前已经使用AWS工业领域机器学习服务的客户和合作伙伴包括Axis、凌华科技、BP、德勤、Fender芬达、GE 医疗和西门子交通等等。打造包罗万象的工具箱，赋能每一位AI工作者扩圈举措之二，是打造全面丰富的工具集，用顾凡的话说， right tool for the right job(为每一项工作都提供一个趁手的工具)。AWS提供的机器学习工具集包括三个层面。工具集的底层，面向那些技术能力超强的客户，希望将人工智能和机器学习作为自己的核心竞争力。AWS为他们提供强大的算力、全面的算力选择、丰富的机器学习框架选择。AWS支持主流的机器学习框架，客户还可以通过容器部署的方式，自带机器学习框架;AWS可以提供基于英伟达、英特尔、AMD、赛灵思等芯片厂商的最新处理器的强大算力，同时还通过自主设计的处理器，极大地降低机器学习的算力成本。工具集的中间层，面向那些技术能力较强的客户，他们有大量的数据可以进行机器学习模型训练，有一定的算法人才，不要花精力管理基础设施，专注于自己的应用和业务创新。AWS的Amazon SageMaker为他们提供了首个全托管的机器学习集成开发环境，并为这个开发环境不断增加新功能，从数据准备、到模型训练、参数调优与模型迭代、到模型部署、模型质量监控，在整个过程中最大限度地提高他们开展机器学习的效率，降低他们开展机器学习的门槛。工具集的顶层，面向技术能力相对薄弱的客户，他们有一定的数据，但没有算法人才，他们希望在业务场景中直接引入人工智能。AWS为他们提供开箱即用的人工智能服务，目前已经涵盖机器视觉、语音文字转换、机器对话、文本处理、电商业务、客服、企业内信息搜索、开发与运维、工业AI等方面。通过这样一个全面的工具集，AWS可以覆盖和赋能所有的人工智能工作者。拓展到数据库开发者和数据分析师扩圈举措之三，是将机器学习拓展到数据开发者和数据分析师。数据库开发者、数据分析师这个群体，人数比机器学习开发人员群体大得多，他们没有机器学习的知识和技能，但是不缺少机器学习的想法。于是，AWS将机器学习能力跟数据库进行嫁接，让数据库开发者、数据分析师沿用数据库查询的方式，让他们的机器学习想法落地到业务应用中。Amazon Aurora是AWS著名的关系型数据库服务，AWS针对Aurora推出了新功能Amazon Aurora ML。数据库开发者发起数据库查询(SQL)时，只要选择一个机器学习模型，就会唤醒机器学习服务，Aurora ML自动将查询结果交给机器学习模型进行推理，返回结果。例如，要查询一个客户评价是正面还是负面，数据库开发者只管做数据库查询、选择这个模型，返回来的查询结果就会自动附加正面或负面判断。类似地，出海电商想把数据库中的商品信息变成多语种，数据库开发者只管查询商品信息、选择多语种翻译，返回的结果就会自动包含商品信息的多语种翻译。 Amazon Athena是数据分析师经常用到的服务。通过这项服务，可以直接从Amazon S3上的对象文件中，利用SQL语句进行数据查询(SQL是结构化查询语言，原本用于关系型数据查询，而S3的对象文件不是关系型数据)。AWS也推出了新功能Amazon Athena ML，查询返回的结果也可以自动附带机器学习推理的结果。 Amazon Redshift是云原生的数据仓库。AWS推出的新功能Amazon Redshift ML，甚至把选择模型这一步省了。举一个例子，电商领域经常会哪些客户有可能流失，这时你可能并没有一个模型来判断什么样特征的客户有可能会流失。通过Redshift ML，数据分析师只管SQL查询，Redshift ML可以把数据导入S3，然后SageMaker的Autopilot功能结合。Autopilot是一个自动建模的功能。这样的Redshift ML可以自动进行数据清洗、模型训练，选择最优的模型进行预测。 Amazon Neptune是AWS的一个图数据库，主要用于知识图谱、身份图谱、欺诈检测、推荐引擎、社交关系、生命科学等场景，用图的方式表示各个数据实体之间的关系，例如，好友关系图。对图数据库，只是表示出数据的相关性显然不够，用户更需要的是，根据这些相关性进行机器学习推理。新功能Neptune ML，就是将图数据库和机器学习打通，通过机器学习模型去访图数据库，进行更精准的预测。 Amazon QuickSight是AWS的一个商业智能(BI)服务，可以轻松地调用各种数据进行分析和展现。AWS于2020年5月推出了QuickSight ML新功能，它也跟SageMaker的Autopilot功能进行了结合，数据分析人员可以用它开展欺诈检测、销售预测等工作。在今年的re:Invent大会上，AWS推出了更酷的机器学习新功能QuickSight Q。通过它，可以用自然语言对数据进行提问，获得想要的数据洞察。例如，直接在查询框中输入“我们的同比增长率是多少?”几秒钟之内就可以得到高度准确的答案。如果按以往的方式，需要在模型中预先定义增长率、更新模型、处理数据，可能需要几天甚至几周时间。 AWS还推出了Amazon Lookout For Metrics，它利用机器学习技术，通过企业多种数据的比对，检测出数据异常。顾凡举例说，一件商品的售价200元，在某个数据源变成了20元。通过Amazon Lookout For Metrics找出这种异常数据，意义重大。如果是在线销售中出现这样的价格错误，有可能给企业带来巨大的损失。此外，AWS还发布了利用机器学习的运维服务Amazon DevOps Guru，它可以帮助应用开发人员自动检测运维操作的问题，给出建议补救措施，提高应用程序可用性。此前，AWS已经推出了Amazon CodeGuru，可以让开发人员使用机器学习自动进行代码审核，并且提供指导和建议。 Amazon SageMaker再添九项新功能，快上加快，简单再简单扩圈举措之四，大力发展机器学习的中间力量。如前所述，Amazon SageMaker是面向机器学习开发者的一个集成开发环境，是一项全托管的服务。它消除了机器学习过程中每个阶段的挑战，化繁为简，使开发人员和数据科学家能够从根本上更轻松、更快速地构建、训练和部署机器学习模型。Amazon SageMaker的功能也在快速迭代中，过去一年就交付了50多项新功能。在今年的re:Invent大会上，AWS再次发布9项新功能。 (1) Data Wranger，数据特征提取器。Amazon SageMaker Data Wrangler可以简化机器学习的数据准备工作。机器学习训练中有一个重要的工作，称为特征工程，就是从不同来源、格式多样的数据提取数据，形成规范化的数据字段(也称为特征)，作为机器学习模型的输入，这项工作非常耗时。通过Data Wrangler，客户可以将各种数据存储中的数据一键导入。Data Wrangler内置了300多个数据转换器，让客户无需编写任何代码，就可以机器学习用到的特征进行规范化、转换和组合。客户可以通过在SageMaker Studio(首个用于机器学习的端到端集成开发环境)中查看这些转换，快速预览和检查这些转换是否符合预期。 (2) Feature Store，数据特征存储库。鉴于有大量的特征需要管理，AWS为Amazon SageMaker推出了一项新功能，名为Feature Store。它一个用于更新、检索和共享机器学习特征的专用库。通过Data Wrangler把特征设计出来以后，可以保存在Feature Store 中，以供重复使用。一组特征会用于不同的模型，被多个开发人员和数据科学家使用，需要有效地跟踪、管理这些特征，及时更新，保持一致性。模型训练和利用模型进行推理(也就是实际运用模型)，对特征的使用场景也不同。在训练过程中，模型可以离线、批量地访问特征，使用时间长。而对于推理，通常只用到特征库的一部分，不过需要实时访问，几毫秒内返回预测结果。因此，如何特征库的管理是一件复杂的事儿，Feature Store就用于解决这些问题。 (3) Pipelines，自动化工作流。跟传统编程一样，编排和自动化可以提高机器学习的效率。Amazon SageMaker Pipelines是第一个专为机器学习构建的、方便易用的CI/CD(持续集成和持续交付)服务。 (4) Clarify，模型偏差检测。通过Amazon SageMaker Clarify，开发人员可以方便地检测整个机器学习工作流中的统计偏差，为机器学习模型所做的预测做出解释，识别偏差，清晰描述可能的偏差来源及其严重程度，指导开发人员采取措施减小偏差。 (5) Deep Profiling for Amazon SageMaker Debugger，对模型训练进行剖析。通过Deep Profiling，能够自动监控系统资源利用率，例如 GPU、CPU、网络吞吐量和内存 I/O，对训练过程中的资源瓶颈进行告警，让开发者及时调度资源，更快地训练模型。 (6-7) Distributed Training，大型复杂深度学习模型的分布式训练。AWS提供了两种方法，模型训练拆分到几百、几千个CPU上进行。一个是数据并行引擎，对数据集进行拆分。一个是模型并行引擎，自动剖析、识别分割模型的最佳方式，在多个 GPU上高效分割具有几十亿参数的大型复杂模型。通过对训练进行拆分，Amazon SageMaker可以将训练大型复杂深度学习模型的速度比当前的方法快两倍。 (8) Edge Manager，边缘端模型质量监控和管理。Amazon SageMaker Edge Manager 可以帮助开发人员优化、保护、监控和维护部署在边缘设备集群上的机器学习模型。模型部署到边缘设备以后，仍然需要管理和监控模型，确保它们持续以高精度运行。当模型的准确性随着时间的推移而下降时，开发人员可以重新训练模型，不断提高模型的质量。 (9) JumpStart，快捷起步工具。通过Amazon SageMaker JumpStart，客户可以快速找到跟自己类似的机器学习场景相关信息。新手开发人员可以从多个完整的解决方案进行选择，例如欺诈检测、客户流失预测或时序预测，直接部署到自己的Amazon SageMaker Studio环境中。有一些经验的用户则可以从100多个机器学习模型中选择，快速开始模型构建和训练。不断丰富的新功能，让Amazon SageMaker备受客户欢迎。它推出短短三年时间，已经有几万家客户在使用，包括3M、ADP、阿斯利康、Avis、拜耳、Bundesliga、Capital One、Cerner、Chick-fil-A、Convoy、达美乐比萨、富达投资、GE医疗、Georgia-Pacific、赫斯特、iFood、iHeartMedia、摩根大通、Intuit、联想、Lyft、国家橄榄球联盟、Nerdwallet、T-Mobile、汤森路透、Vanguard等等。 AWS的系列扩圈之举，背后是AWS对机器学习的雄心。Swami说，15年前他研究生毕业，有幸进入AWS开始云计算事业。如今可以毫无不夸张地说，云计算释放出巨大的力量，帮助各种创业公司和成熟企业取得了巨大的成功。机器学习目前就处于那样的早期阶段。我们从Swami的字里行间可以读出，机器学习就是AWS的下一个金矿。

时间：2020-12-10 关键词： AI 亚马逊云服务机器学习
AWS发布五大用于工业领域的机器学习服务

· Amazon Monitron提供包含传感器、网关和机器学习服务的端到端机器监控解决方案，以检测可能需要维护的异常设备状况 · Amazon Lookout for Equipment为拥有设备传感器的客户提供了使用AWS机器学习模型来检测异常设备行为并进行预测性维护的能力 · AWS Panorama Appliance帮助已在工业设施中装配摄像机的客户使用计算机视觉来改善质量控制和工作场所安全 · AWS Panorama软件开发套件(SDK)允许工业相机制造商在新相机中嵌入计算机视觉功能 · Amazon Lookout for Vision在图像和视频流上使用AWS训练的计算机视觉模型，以发现产品或流程中的异常和缺陷 · 使用全新的AWS工业机器学习服务的客户和合作伙伴包括Axis、凌华科技、BP、德勤、Fender芬达、GE 医疗和西门子交通北京-2020年12月9日，今天，在亚马逊云服务(AWS)举办的年度盛会——AWS re:Invent上，AWS宣布了Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama Appliance、AWS Panorama SDK和Amazon Lookout for Vision。这五项全新的机器学习服务共同帮助工业和制造业客户在其生产过程中嵌入智能能力，以提高运营效率，改善质量控制、信息安全和工作场所安全。这些服务代表了现有最全面的从云端到边缘的工业机器学习服务套件，通过结合先进的机器学习、传感器分析和计算机视觉功能，解决工业客户面临的常见技术挑战。实际上，数十万客户正在使用AWS云服务进行机器学习工作，各个规模、各行各业的客户都在使用AWS服务将机器学习作为其业务战略的核心。要了解有关全新AWS用于工业领域的机器学习服务的更多信息，请访问https://aws.amazon.com/industrial/。企业越来越多地希望将机器学习功能添加到工业环境中，例如制造设施、配送中心、食品加工厂等。对于这些客户来说，数据已成为将复杂工业系统结合在一起的重要媒介。工业系统中通常具有许多相互依存的流程，这些流程容错能力低，甚至很小的问题也会带来重大后果。许多客户通过分析其设施中运行设备的数据来应对这一挑战，例如，许多客户利用AWS IoT SiteWise等服务从工业设备收集数据并生成实时性能指标。随着客户开始使用云收集和分析工业数据，他们还希望采用机器学习技术来解读数据，进一步提高运营效率。在某些情况下，客户希望使用机器学习来帮助他们实现预测性维护，从而降低成本并提高运营效率。同时，在非联网或对延迟敏感的环境中运行的客户则希望通过在边缘使用计算机视觉来发现产品缺陷并提高工作场所安全性。伴随这些不断变化的需求和机遇，工业企业要求AWS帮助他们利用云、工业边缘和机器学习，以从其设备生成的大量数据中获得更多价值。 Amazon Monitron和Amazon Lookout for Equipment通过机器学习支持预测性维护今天，工业和制造企业面临的主要挑战是设备的持续维护。过去大多数设备维护都是被动的(在机器发生故障之后)或预防性的(定期进行以确保机器不会发生故障)。被动维护可能会损失大量成本并带来长时间停机，而预防性维护若维护过度则成本过高，若维护不够频繁则无法防止故障。实际上，预测性维护(能够预测设备何时可能需要维护的能力)是一种更有前景的解决方案。但是，为了实现预测性维护，企业在过去需要雇佣熟练的技术人员和数据科学家从头构建复杂的解决方案，同时需要针对用例识别和购买正确类型的传感器，并将它们与IoT网关(一种聚合和传输数据的设备)连接在一起。然后，公司必须测试监测系统，并将数据传输到本地或云上进行处理。只有这样，数据科学家才能构建机器学习模型来分析数据模式和异常情况，或者在检测到异常时创建警报系统。一些企业已经为在设备和必要的基础设施上安装传感器用于数据连接、存储、分析和警报方面进行了大量投资，然而，即使这些企业也通常仅停留在使用初级数据分析和建模方法的阶段，与高级机器学习模型相比，这些方法昂贵且通常无法有效地检测异常情况。大部分企业依然缺乏专业知识和人员来构建和完善机器学习模型，无法进行高度准确的预测性维护。这些都导致了很少有企业能够成功实施预测性维护，即使少数做到这一点的企业也希望让这些投资进一步发挥作用，同时减轻维护解决方案的负担。在这些问题上，全新的AWS机器学习服务可以提供众多帮助： · 对于未建立传感器网络的客户，Amazon Monitron提供由传感器、网关和机器学习服务组成的端到端机器监控系统，以检测异常并预测何时需要维护工业设备。 Amazon Monitron帮助客户免去了从头开始构建先进的、由机器学习驱动的预测性维护系统的高成本需求和复杂性，使他们能够专注于其核心制造、供应链和运营功能。Amazon Monitron根据振动或温度的异常波动来检测机器是否正常运行，并在可能出现故障时通知客户检查机器以确定是否需要预测性维护。这一端到端的系统提供了用于捕获振动和温度数据的IoT传感器、用于将数据聚合和传输到AWS的网关、以及用于检测异常设备模式并在数分钟内提供结果的机器学习云服务，而无需客户具备任何机器学习或云经验。借助Amazon Monitron，机器维护人员无需任何开发工作或专业培训就可以在数小时内开始跟踪机器的运行状况。Amazon Monitron可在轴承、电机、泵、传送带各种工业和制造领域的旋转设备上使用，其典型应用场景包括数据中心冷却风扇或水泵等关键机器的监测，或者大量安装在具有生产和运输系统的制造工厂中。Amazon Monitron还提供一个移动应用程序，供客户的现场维护技术人员实时监控设备行为。技术人员可以通过这个移动应用程序收到不同机器上任何异常设备状况的警报，检查机器的运行状况，并决定是否需要安排维护。为了提高系统的准确性，技术人员还可以在移动应用程序中输入有关警报准确性的反馈，帮助进一步改善Amazon Monitron。Amazon Monitron已经正式推出。要了解有关Amazon Monitron的更多信息，请访问https://aws.amazon.com/monitron。 · 对于已经拥有传感器但不希望自己构建机器学习模型的客户，Amazon Lookout for Equipment让客户可以将传感器数据发送到AWS，由AWS为其构建模型并返回预测结果，从而检测异常设备行为。首先，客户将其传感器数据上传到Amazon Simple Storage Service (S3)，并将S3位置提供给Amazon Lookout for Equipment。 Amazon Lookout for Equipment也可以从AWS IoT SiteWise提取数据，并与OSIsoft等其他流行的机器操作系统无缝协作。 Amazon Lookout for Equipment分析数据，评估正常或健康的模式，再利用从所有训练数据中得到的洞察来构建为客户环境定制的模型。然后，Amazon Lookout for Equipment可以使用机器学习模型来分析传入的传感器数据并识别机器故障的预警信号。这也就使得客户可以进行预测性维护，从而通过防止工业系统生产线崩溃来节省成本并提高生产率。 Amazon Lookout for Equipment帮助客户从其现有传感器中获得更多价值，使得客户能够及时做出从根本上改善整个工业流程的决策。要了解有关Amazon Lookout for Equipment的更多信息，请访问https://aws.amazon.com/lookout-for-equipment。 AWS Panorama通过计算机视觉改善工业运营和工作场所安全许多工业和制造业客户希望在其设施和设备的实时视频中使用计算机视觉技术自动执行监测或视觉检查任务，并实时做出决策。例如，客户通常需要检查一些高速运转的流程(例如精细铣削或激光工具)以确定是否需要进行调整，或者监视工地上和工厂的活动以确保操作合规(例如，确保行人和叉车留在指定的工作区域内)，或评估其设施内的工人安全(例如，保持适当的人员距离或使用PPE)。但是，当下普遍使用的监测手段是手动的，容易出错的，并且难以扩展。客户可以在云中构建计算机视觉模型来监视和分析他们的实时视频，但是工业设施和流程通常位于偏远和孤立的位置，网路连接很慢、昂贵或完全不存在。尤其对于那些涉及零件或安全监控视频审查等人工审核的工业流程，在云中构建计算机视觉模型更为困难。例如，如果某个高吞吐量的生产线上出现质量问题，客户希望立即得到预警，因为问题存在时间越长，解决问题的成本越高。这种类型的监控视频可以通过计算机视觉技术实现在云中自动处理，但是这些视频一般带宽高并且上载速度慢。因此，客户只能实时进行视频监控，但这一方式操作难度高、易出错并且成本高。有些客户希望使用具有足够处理能力的智能相机来运行实时监控模型，却很难达到高准确性、低延迟的性能。大多数客户最终会运行一些简单的模型，却无法编程为可以集成到工业机器中的自定义代码。针对这些问题，AWS现在可以提供以下帮助： · AWS Panorama Appliance提供了一种新的硬件设备，使组织可以将计算机视觉添加到客户可能已经部署在本地的摄像机中。客户首先将AWS Panorama Appliance连接到他们的网络，然后这一设备会自动识别摄像头数据流并开始与现有的工业摄像头进行交互。AWS Panorama Appliance可集成于那些用于构建自定义机器学习模型或获取视频以进行更精细分析的AWS机器学习服务和IoT服务中。AWS Panorama Appliance将AWS机器学习能力扩展到边缘，以帮助客户在没有网络连接的情况下在本地进行预测。每个AWS Panorama Appliance都可在多个摄像头数据流上并行运行计算机视觉模型，从而使诸如质量控制、零件识别和工作场所安全的用例成为可能。AWS Panorama Appliance还可与适用于零售、制造、建筑和其他行业的AWS和第三方经过预先培训的计算机视觉模型一起使用。此外，客户使用Amazon SageMaker自主开发的计算机视觉模型也可以部署在AWS Panorama Appliance上。 · AWS Panorama软件开发套件(SDK)帮助硬件供应商开发可在边缘有效运行计算机视觉模型的新型摄像头。使用AWS Panorama SDK构建的摄像头可在多种用例中运行计算机视觉模型，例如检测快速移动的传送带上的损坏部件或定位那些脱离指定工作区域的器械等。这些相机可以使用英伟达和安霸旗下用于计算机视觉的芯片。通过使用AWS Panorama SDK，制造商可以开发自带计算机视觉模型的相机，从而可以处理更高分辨率的高质量视频以发现问题。他们还可以在低成本设备上构建更复杂的模型，这些设备可以通过以太网供电并可以放置在站点周围。客户可在Amazon SageMaker中训练模型，并一键将其部署到使用AWS Panorama SDK构建的摄像机上。客户还可以将Lambda功能添加到使用AWS Panorama SDK构建的摄像头中，以通过文本或电子邮件提醒潜在问题。 AWS还提供用于PPE检测和保持人员距离等任务的预构建模型，并且可以在几分钟内部署这些模型，而无需进行任何机器学习工作或特殊优化。要了解更多关于AWS Panorama或其支持供应商和合作伙伴的信息，可访问https:// aws.amazon.com/panorama。 Amazon Lookout for Vision可以低成本自动、快速、准确地对图像和视频进行视觉异常检测 AWS客户非常希望将计算机视觉部署到摄像头中以用于质量控制。工业企业必须保持不断的努力进行质量控制。仅在制造业中，由于忽略某些细微错误而导致的生产线停产每年导致数百万美元的成本超支和收入损失。工业流程中的外观检查通常需要人工操作，这可能非常乏味且标准不一。计算机视觉技术可以保证持续识别外观缺陷所需的速度和准确性，但实施过程却可能非常复杂，并需要数据科学家团队来构建、部署和管理机器学习模型。由于这些局限，由机器学习支持的视觉异常系统对绝大多数企业而言仍然遥不可及。现在， AWS可在以下领域帮助到这些企业： · Amazon Lookout for Vision为客户提供了一种高精度、低成本的异常检测解决方案，可以通过机器学习技术每小时处理数千张图像以发现缺陷和异常。客户将摄像头图像批量或实时发送到Amazon Lookout for Vision以识别异常，例如机器部件的裂纹、面板上的凹痕、不规则形状或产品上的颜色错误等。然后，Amazon Lookout for Vision报告与基线不同的图像，以便客户采取适当的措施。Amazon Lookout for Vision有强大的技术能力可以处理因工作环境变化而引起的相机角度、方位和照明方面的差异。客户可以通过至少提供30张“良好”状态的图像建立基线，准确、一致地评估机械零件或制成品。Amazon Lookout for Vision也可以在Amazon Panorama设备上运行。即日起客户可在AWS中运行Amazon Lookout for Vision。从明年开始，客户还将可以在AWS Panorama Appliances和其他AWS Panorama设备上运行Amazon Lookout for Vision，从而可以在网络连接受限或无网络连接的环境中使用Amazon Lookout for Vision。要了解有关Amazon Lookout for Vision的更多信息，请访问https://aws.amazon.com/lookout-for-vision。 “工业和制造业客户需要持续应对来自股东、客户、政府和竞争对手的压力，要求他们降低成本，提高质量并保持合规性。这些组织希望利用云和机器学习来实现流程自动化并增强整个运营流程中的人员能力，但是构建这些系统可能出错率高、复杂、耗时且昂贵，”负责亚马逊机器学习的AWS副总裁Swami Sivasubramanian说，“我们很高兴为客户带来五项针对工业用途的全新机器学习服务。这些服务易于安装、部署、快速启动和运行，并将云和边缘相连，将助力工业客户打造未来智慧工厂。” 芬达乐器公司(Fender Musical Instruments Corporation)是吉他、贝斯、放大器和相关设备的全球领先制造商和标志性品牌。芬达基础设施全球总监Bill Holmes表示，“在过去的一年中，我们与AWS共同针对设备状态检查进行了很多努力，这是对成功的制造业务而言非常关键却容易被忽略的部分。对于全球制造商而言，维持设备正常运行时间是在全球市场上保持竞争力的唯一途径。由于设备故障的紧急性，计划外的停机会给生产和劳动力造成巨大的损失。Amazon Monitron让大型工业制造商以及小型家族企业都能具备设备故障预测的能力，有机会抢先安排设备维修。” 斗山工程机械是全球领先的重型设备和发动机制造商。斗山工程机械战略副总裁Jaeyeon Cho表示，“AI在推进斗山下一代设备开发方面至关重要，因此我们正与AWS合作开发可利用自动化和可扩展机器学习的用例。很高兴继续与AWS合作，在我们的下一代IoT平台中利用Amazon Lookout for Equipment。” Amazon.com Middle Mile Production Technology副总裁Steve Armato表示，“每个月有数百万辆卡车进入亚马逊工厂，因此使用自动化拖车装卸和停车的技术非常重要。Amazon’s Middle Mile Products & Technology (MMPT) 已开始使用AWS Panorama来识别车牌，自动加快驾驶员的出入手续，从而使这些车辆可以安全、快速地进入亚马逊站点，确保为客户提供更快的配送速度。” BP是一家全球性能源企业，为客户提供运输用燃料，热能和光能，润滑油以及用于制造油漆、服装、包装物等日常用品的石化产品。BP在全球拥有18,000个服务站和74,000多名员工。BP美国首席技术官Grant Matthews说：“我们位于bpx的工程团队正与AWS紧密合作，以构建一个物联网和云平台，助力BP持续提高运营效率。作为这项工作的一部分，我们也在探索通过计算机视觉辅助提高安全性和工作人员安全。我们希望利用计算机视觉实现卡车自动化进出工厂，确认它们已完成正确的订单。此外，我们还在监控人员距离、设置动态禁区和检测石油泄漏等方面看到了通过计算机视觉辅助保护工人安全的可能性。AWS Panorama创新地实现了在单一硬件平台上以直观的用户体验提供所有这些解决方案。我们的团队非常高兴与AWS一起使用这项新技术，并期望解决许多新的用例。” 西门子交通为市内、城市间运输和货运提供智能高效的移动解决方案。“在过去的160年中，西门子交通在无缝、可持续和安全的运输解决方案领域持续处于领导地位。西门子ITS数字实验室负责将最新的数字技术带入交通行业，并处于向公共机构提供数据分析和AI解决方案的独特位置。”西门子交通ITS数字实验室创新经理Laura Sanchez表示，“随着城市面临新的挑战，市政部门希望西门子交通帮助他们进行创新。城市想了解如何有效地管理资产并改善拥堵和直接交通。我们希望使用AWS Panorama将计算机视觉带入现有的安全摄像头中，以监控交通并智能分配路边空间，帮助城市优化停车和交通，改善居民的生活质量。” GE 医疗是全球领先的医疗技术和数字解决方案的创新者，致力于开发、制造和分销诊断成像剂、放射性药物、CT和MRI机器等医疗诊断设备、以及由其Edison数字医疗智能平台支持的智能设备。 “今天，我们通过人工检验医疗设备的质量。为了提升我们的品牌并为医疗保健专业人员提供值得信任的一流产品，我们很高兴能够通过Amazon Lookout for Vision探索以编程方式提高GE医疗日本工厂产品缺陷检测的速度、一致性和准确性的可能性，短期内还可能应用于全球其他区域的工厂中。”GE医疗日本工厂经理、产线运营官和总经理Kozaburo Fujimoto说。

时间：2020-12-09 关键词：云服务 AWS 机器学习
AWS发布 Amazon DevOps Guru

北京-2020年12月7日，今天，在亚马逊云服务(AWS)举办的年度盛会——AWS re:Invent上，AWS宣布了完全托管的运营服务Amazon DevOps Guru。利用机器学习技术，这一服务可以帮助开发人员通过自动检测操作问题和建议补救措施来提高应用程序可用性。Amazon DevOps Guru应用了支持Amazon.com和AWS卓越运营多年的机器学习技术，通过自动收集和分析应用程序指标、日志、事件和痕迹等数据，识别偏离正常操作模式的行为(例如，计算能力配置不足、数据库 I/O过度使用、内存泄漏等)。当Amazon DevOps Guru识别出可能导致服务中断的异常应用程序行为(例如，延迟、错误率和资源限制等增加)时，它将向开发人员发出问题详细信息(例如，涉及的资源、问题时间表和相关事件等)，并通过Amazon Simple Notification Service(SNS)以及Atlassian Opsgenie和PagerDuty等合作伙伴集成服务来帮助开发人员快速了解问题的潜在影响和可能原因，并提出具体的修复建议。开发人员可以使用Amazon DevOps Guru的修复建议来减少问题修复时间，无需手动设置或机器学习专业知识即可提高应用程序的可用性和可靠性。 Amazon DevOps Guru没有前期成本或承诺，客户只需为Amazon DevOps Guru分析的数据付费。访问https://aws.amazon.com/DevOps Guru即可开始使用Amazon DevOps Guru。为了摆脱本地部署的限制并向全球扩展业务运营，越来越多的组织开始转向基于云的应用程序部署和微服务架构，这也导致应用程序为满足客户需求而变得越来越分散。开发人员需要更多的自动化方式来维护应用程序的可用性，减少花费在检测、调试和解决运营问题上的时间和精力。错误的代码或配置更改、不平衡的容器集群或CPU、内存、磁盘等资源耗尽带来的应用程序宕机事件将不可避免地导致不良客户体验和收入损失。企业需要花费大量资金和开发人员时间来部署多个监测工具，而这些监测工具通常是分开管理的，并且必须针对负载平衡器错误或应用程序请求率下降等常见问题开发和维护自定义警报。对于希望通过设置阈值以识别和警告应用程序资源异常状况的企业来说，不仅很难设置准确的阈值，涉及诸多手动操作，并且要求阈值必须随着应用程序使用情况的变化而不断更新(例如，在假日购物季时突增大量请求)。如果阈值设置得太高，开发人员在运营性能已经严重受损前无法收到警报。当阈值设置得太低时，开发人员则可能得到过多误报并最终忽略警报。即使开发人员对潜在的操作问题已经有所警觉，仍然很难寻找和确认问题根源。使用现有工具，开发人员通常很难从图形和警报中确定问题根源，而即使找到根本原因，也往往无法解决问题。每次故障排除都是冷启动，团队必须花费数小时或数天来识别问题，这种工作既耗时又繁琐，从而减缓了解决操作故障的时间，并可能延长应用程序的中断时间。 Amazon DevOps Guru的机器学习模型采用了亚马逊过去20多年为Amazon.com构建、扩展和维护高可用应用程序的运营专业知识。这使Amazon DevOps Guru能够自动检测运营故障(例如，警报遗漏或配置错误，资源耗尽的早期警告，可能导致停机的配置更改等)，提供有关资源和相关事件的背景，并建议补救措施，而无需开发人员具备任何机器学习经验。开发人员只需在Amazon DevOps Guru控制台中单击几下，即可自动提取和分析所有资源的历史应用程序和延迟、错误率、请求率等基础架构指标，以建立操作基线，然后Amazon DevOps Guru就可以开始通过预先训练的机器学习模型识别与既定基线的偏差。当Amazon DevOps Guru分析系统和应用程序数据以自动检测异常时，它还将这些数据分组为运营洞察，包括异常指标、随着时间的推移对应用程序行为可视化、以及有关补救措施的建议。 Amazon DevOps Guru还将相关的应用程序和基础架构指标(例如Web应用程序延迟峰值、磁盘空间用尽、错误的代码部署、内存泄漏等)相关联并进行分组，以减少冗余警报并帮助用户关注高严重性问题。客户可以通过查看配置更改历史记录、部署事件以及系统和用户活动，以在Amazon DevOps Guru控制台中生成需要优先关注的潜在操作问题事件列表。为了帮助客户快速解决问题，Amazon DevOps Guru提供了具有补救步骤的智能建议，并与AWS Systems Manager集成运行手册和协作工具，使客户能够更有效地维护应用程序并管理其部署的基础架构。 Amazon DevOps Guru与Amazon CodeGuru(机器学习支持的开发人员工具，可提供智能建议以提高代码质量并识别应用程序中最昂贵的代码行)一起，使客户可以针对其操作数据使用自动化机器学习技术，帮助开发人员轻松提高应用程序的可用性和可靠性。负责亚马逊机器学习的AWS副总裁Swami Sivasubramanian表示：“客户希望AWS继续在我们可以运用自己的专业知识来提高应用程序可用性的领域中增加服务，并从Amazon.com的多年运营经验中学习。借助Amazon DevOps Guru，我们利用亚马逊过往的经验建立了专门的机器学习模型，帮助客户检测、排除故障并防止操作问题，并在出现问题时提供智能化建议。这使得客户可以立即从亚马逊在运营Amazon.com中学到的最佳操作实践中受益，节省配置和管理多个监测系统上所花费的时间和精力。” 只需在AWS管理控制台中单击几下，客户就可以在数分钟内开始使用Amazon DevOps Guru分析账户和应用程序活动，提供运营见解。 Amazon DevOps Guru通过汇总AWS CloudTrail、Amazon CloudWatch、AWS Config、AWS CloudFormation、AWS X-Ray等多个来源中的相关数据，让客户可以通过一个控制台可视化其运营数据，减少了在多种工具之间切换的需要。客户还可以在Amazon DevOps Guru控制台中查看相关的运营事件和数据以获得运营见解，并通过Amazon SNS接收警报。此外，Amazon DevOps Guru通过AWS软件开发工具包(AWS SDK)支持API终端节点，使合作伙伴和客户可以轻松地将Amazon DevOps Guru集成到其现有解决方案中，以针对高严重性问题提交故障单、分级并自动通知工程师。 PagerDuty和Atlassian已将Amazon DevOps Guru集成到其运营监控和事件管理平台中，使用其解决方案的客户现在可以从Amazon DevOps Guru提供的运营见解中受益。 Amazon DevOps Guru现已在美国东部(北弗吉尼亚)区域、美国东部(俄亥俄)区域、美国西部(俄勒冈)区域、亚太(新加坡)区域和欧洲(爱尔兰)区域进行预览，并将在未来几个月中在其它地区推出。超过170,000个企业依靠Atlassian产品来简化团队合作，组织、讨论和完成工作。 Opsgenie产品负责人Emel Dogrusoz表示：“Atlassian很荣幸能与AWS就Amazon DevOps Guru推出达成合作，帮助更多开发团队部署代码和运营服务。通过与Opsgenie和Jira Service Management集成，Amazon DevOps Guru可以在预测到潜在问题或确定事件发生时立即通知相关团队。Amazon DevOps Guru提供了新的洞察力，而Atlassian确保了最快的响应速度。” PagerDuty,Inc. (NYSE: PD) 是数字运营管理的领导者。PagerDuty产品副总裁Jonathan Rende表示：“PagerDuty致力于通过全生命周期事件自动化响应来推动向DevOps文化的转变。我们很高兴能够通过与Amazon DevOps Guru的集成来继续深化对DevOps的承诺。借助亚马逊数十年来的卓越运营经验和Amazon DevOps Guru的机器学习功能，PagerDuty为我们的共同客户提供了更多的实时信号到响应功能。通过PagerDuty提取的Amazon DevOps Guru的Amazon SNS，AWS客户可以在运营事件影响用户服务中断之前对其采取实时行动。” 汤森路透是全球最受信赖的信息和资讯提供商，帮助专业人士做出自信的决定并更好的经营业务。汤姆森路透基础设施托管业务主管史蒂夫·索恩斯说：“客户体验对我们至关重要。在试图防止和减轻影响客户的事件时，处理可用性、性能和变更请求的多种警报可能是一个挑战。我们很高兴能够使用Amazon DevOps Guru并利用其机器学习见解为快速解决问题并避免影响客户的事件提供清晰路径。这一服务与PagerDuty的集成则可以帮助我们将Amazon DevOps Guru提供的问题解决建议及时有效地交付给正确的团队。” SmugMug是一个提供付费的图片共享和托管服务及在线视频的平台，用户可以在该平台上传照片和视频。该公司为业余和专业摄影师促进数字化和印刷作品的销售。 SmugMug运营总监Andrew Shieh说：“我的团队一直在寻找让手动工作自动化的方法。我们希望能够通过Amazon DevOps Guru实现这一目标，让AIOps接管我们的许多日常任务，简化日常运营，从而专注于IT创新。现在，我们不仅满足了业务需求，而且能够超出业务预期，因为我们有更多时间专注于最重要的事情——为我们的组织和客户创造价值。” NextRoll通过帮助市场和营销平台构建和增强其营销解决方案提高收益。NextRoll的首席技术官Valentino Volonghi说：“我们运行着数千个Amazon Elastic Compute Cloud (Amazon EC2) 实例，一直在寻找能够减少团队用于解决运营问题时间的方法。很高兴能够使用Amazon DevOps Guru并利用其基于机器学习的洞察来帮助我们识别、关联和解决运营问题。这将帮助我的团队节省时间并减少我们的平均恢复时间。”

时间：2020-12-07 关键词： AWS reInvent 机器学习
Arteris®IP完成对Magillem Design Services资产的收购，创建了世界一流的SoC组装公司

美国加利福尼亚州坎贝尔2020年11月30日消息 – 全球领先的经过硅量产验证的片上网络 (NoC)互连知识产权(IP)创新供应商Arteris IP今天宣布，完成了其于2020年10月宣布的 (参看 “Arteris® IP to Acquire Assets of Magillem Design Services, Creating World's Premier System-on-Chip Assembly Company”) 对Magillem Design Services (“Magillem”) 资产的收购。Magillem现已成为Arteris IP内部的IP部署部门(IP Deployment Division)。通过将Arteris IP的片上互连IP与Magillem的IP部署技术相结合，两家公司的领先技术整合后，将创建一个半导体行业SoC组装方面的领导者。合并后的公司将为客户带来以下好处: 1.对于所有目前和未来的Magillem用户来说，由Magillem开发的IP部署技术(IP deployment technologies)将继续作为独立产品提供，不受Arteris IP的NoC互连IP的影响。该公司打算对这些技术增加投资并加以改进。 2.对于获得Arteris IP授权的被许可方，IP部署技术将与Arteris IP 的NoC互连IP集成，创建一个SoC组装平台，为被许可方提供一个快速、可预测、低成本的SoC组装工具。 “随着机器学习革命的进展，芯片设计的复杂性正在爆炸性增长，需要集成数百个IP块”，The Linley Group高级分析师Mike Demler说，“通过提供简化芯片开发的技术，Arteris IP在帮助半导体行业解决这些问题方面具有独特的优势，使设计人员能够更好地将精力集中在SoC创新上。” “Arteris致力于通过我们最先进的芯片互连IP和IP部署软件简化SoC组装设计流程。”Arteris IP的总裁兼首席执行官K. Charles Janac说，“随着我们双方技术的整合，Magillem IP部署产品和Arteris IP NoC互联技术的结合将简化IP块的组装，使之成为创新的、高性能的、低成本的SoC半导体。” “我们很高兴能够创建一家规模足够大的大型IP公司，并拥有必要的研发专长，以满足我们半导体和系统公司客户的需求。” Arteris IP部署部门副总裁兼总经理Isabelle Geday表示，“我们合并后的公司不仅在半导体行业拥有一个更大的IP和软件开发团队，而且还将Magillem的工程专业知识与一个更大的营销、销售和支持机构相结合，以扩大我们独立产品和合并后的产品在全球的增长。” Arteris IP已经将Magillem的所有员工都雇用到了其法国子公司Arteris IP SAS。合并后，Arteris IP在欧洲的员工人数将与在美国的几乎相同。该交易的条款没有公开披露。

时间：2020-12-02 关键词： SoC Arteris 机器学习
总爱搞事！苹果全新Final Cut Pro X笔记本不看一眼？

在这篇文章中，小编将对苹果全新Final Cut Pro X笔记本的相关内容和情况加以介绍以帮助大家增进对它的了解程度，和小编一起来阅读以下内容吧。 Final Cut Pro 修复了亮度，关键帧，变换工具等方面的问题： · 修复了无法识别 Sony PXW-FX9 摄像机的 XAVC 媒体问题 · 修复了在查看器中在 “更好的质量”和 “更好的性能”之间切换时亮度级别发生变化 · 修复了无法正确添加效果关键帧的问题使用屏幕上的控件 · 提高在时间轴中使用具有多个剪辑的变换工具时的稳定性 · 导出包含复合剪辑的 FCPXML 时提高可靠性 · 解决了某些分辨率下无法共享的问题 · 修复了部分特定条件下时间轴中的剪辑被禁用的问题新的Final Cut Pro支持创建存储库的副本，并在多种分辨率下自动将媒体转换为ProRes Proxy 或 H.264。与此同时，在带有苹果芯片的Mac计算机上，“智能符合”可以更快地使用苹果神经网络引擎进行机器学习分析。以上便是小编此次想要和大家共同分享的内容，如果你对本文内容感到满意，不妨持续关注我们网站哟。最后，十分感谢大家的阅读，have a nice day!

时间：2020-11-14 关键词：苹果笔记本机器学习
浅谈机器学习是大数据走向嵌入式智能化应用的捷径

我们生活在一个特定的世界，几乎每个人都在谈论数据和潜在价值。绘制大量的原始数据是复杂且难以解释的。近年来，学习机器使我们能够实现在线公司迄今为止所做的大部分价值，但现在它们正在扩展到物理世界。然而，对于许多人来说，传感器数据和集成KI模型之间的路径似乎几乎无法逾越。 WriTIngembeddedsoftwareisnotoriouslyTIme-consuming,andisknowntotakeatleast10-20TImeslongerthandesktopsoftware被发展的状态开发区[1].Itdoesnothavetobethatway.Here,wewillwalkyouthrougharealAIproject—fromtoembeddedapplicaTIon—usingourefficient,time-savingmethod. 今天，处理和解释传感器数据的绝大多数软件都是基于传统的方法：变换、滤波、统计分析等。这些方法是由一个人设计的，他参考他们的个人领域知识，在数据中寻找某种“指纹。通常，这种指纹是数据中事件的复杂组合，需要机器学习才能成功地解决问题。 Tobeabletoprocesssensordatainreal-time,themachinelearningmodelneedstorunlocallyonthechip,closetothesensoritself—usuallycalled“theedge.”Here,weexplainhowamachinelearningapplicationcanbecreated,fromtheinitialdatacollectionphasetothefinalembeddedapplication.Asanexample,welookataprojectweatImagimobcarriedouttogetherwiththeradarmanufacturerAcconeer. （左）Acconeer生产世界上最小、最节能的产品雷达系统。在2019年，Imagimob与Acconeer合作，创建了一个带有手势识别的嵌入式应用程序。两家公司都专注于为小型电池供电设备提供解决方案，对能源效率、处理能力和BOM成本提出了极端要求。我们的目标硬件包含一个基于ArmCortex-M0-M4架构的MCU，它提供了市场上最节能的平台。对于我们Imagimob来说，边缘计算几乎已经成为最小ArmCortexM系列MCU上的高级计算的同义词。重要的是，能够运行我们的应用程序在下端的ArmCortexM系列MCU，因为它向世界表明，我们正在瞄准地球上最小的设备。这就是我们希望从市场角度出发的地方。 Acconeer生产世界上最小、最节能的雷达系统。数据包含大量信息，对于手势控制等高级用例，需要复杂的解释。在数据输出流的顶部运行机器学习软件对这些案例有很大的好处。因此，Imagimob-Aconeer协作在创建全新的和创造性的嵌入式应用程序方面是一个很好的匹配。我们与Acconeer的项目的目标是创建一个嵌入式应用程序，该应用程序可以使用雷达数据实时分类五种不同的手势（包括用于唤醒应用程序的一个手势）。由于雷达体积小，可以放置在一对耳机中，手势将作为虚拟按钮来引导功能，通常被编程成物理按钮。该项目的最终产品被确定为一个运行在ArmCortex-M4架构上的C库，该库于2020年1月在拉斯维加斯的CES上被展示为一个健壮的现场演示。对于演示，我们使用耳朵耳机。然而，我们的长期产品目标是在耳内耳机中使用这项技术。我们认为，手势检测特别会改变耳内耳机的可用性，因为它们的面积有限，这使得物理按钮的放置变得困难。在其核心，（监督）机器学习是关于找到一个函数(F)，根据y=f(X)将一些输入数据(X)映射到一些输出数据(Y)。该函数或“模型”是通过处理许多不同的输入/输出对(x，y)和“学习”它们之间的关系来找到的。如果y是一个连续的值，那么这个问题被称为回归问题。但如果y取离散值，则被认为是一个分类问题。因此，机器学习项目的第一步是收集这些数据对。模型构建是第二步。嵌入式项目的最后一步是在目标平台上部署模型。下面，我们以手势识别项目为指导示例，通过这些步骤。机器学习项目的第一步是收集数据对。模型构建是第二步，a嵌入式项目的最后一步是在目标平台上部署模型。（左）我们为初始阶段建造了一个粗糙的试验台datacollectionwhich由雷达传感器组成安装在上面development板和放置在一个一对耳机。从表面上看，数据收集似乎不是一项艰巨的任务。但这一步通常被低估了，根据我们的经验，这是大部分时间都花在这里的。首先要考虑的是如何从传感器中物理地获取数据。许多传感器带有一个开发板，可以从中提取数据，通常是通过某种电缆连接到PC机。对于手势识别项目，我们搭建了一个粗糙的试验台，用于初始数据采集，由安装在开发板上的雷达传感器组成，放置在一对耳机上，如下图所示。在这种情况下，我们使用了AcconeerXM112雷达传感器和XB112突破板。接下来要考虑的是如何有效地标记数据。换句话说，你需要弄清楚如何为每个“x”标记适当的“y”。这可能看起来很琐碎，但当涉及到最小化这一步所需的人工工作量时，这是至关重要的。考虑到大量的数据，如果您不能正确地理解这一点，它将成为一项非常耗时的任务。对于传感器时间序列数据，通常不可能仅仅通过查看数据来标记数据，否则，例如图像数据可能是可能的。帮助标记过程的一种方法是将视频记录附加到数据中。ImagimobCapture是一个Android应用程序，它将同步视频记录附加到每个传感器数据流中。标签可以直接在应用程序中完成，也可以在桌面应用程序ImagimobStudio中完成。在我们的雷达手势识别项目中，数据流看起来如下：雷达手势识别项目中的数据流。在这里，数据从传感器，带有USB串口，发送到PC。在PC上，服务器运行并将数据发送到手机上的ImagimobCapture，而手势则被视频记录。标记的数据，连同其视频记录，然后发送回PC，或云存储，如果数据是远程收集。从存储中，数据可以下载到ImagimobStudio，当它是建模阶段的时候。我们定义了以下一组手势（“覆盖传感器”仅用于唤醒应用程序），并记录了大约七个不同的人的数据。从七个不同的人记录了上述一组手势的数据。数据收集过程的一个例子如下图所示。手势识别模型仅限于特定的手势，但可以很容易地用其他手势进行再训练。手势数据采集过程的一个例子。一旦数据到位并贴上标签，就该建立机器学习模型了。通常，人们开始建立模型只是为了很快意识到他们需要调整一些标签。你是做什么的？手动进入并编辑文本文件和更新数据是很麻烦的，这是我们都希望尽可能避免的。相反，图形工具是可取的。ImagimobStudio将数据与视频记录一起加载，并允许用户以图形方式拖动和修剪标签。一个例子，以一个记录的手势，显示在下面的图像。视频与绿色数据一起可见。在底部，蓝色的标签显示出来，我们可以看到它们紧紧地放在手势周围（非零数据）。 ImagimobStudio将数据与视频记录一起加载，并允许用户以图形方式拖动和修剪标签。这是一个有记录的手势的例子。如果数据已经在ImagimobCapture中预先标记，那么通过文件并确保数据是正确的，并且标签已经到位，这是一个相对较小的任务。没有正确标记的数据，很难找到一个好的模型。找到一个高精度的好模型通常需要多次迭代和实验。首先要决定使用什么机器学习技术，例如随机森林、支持向量机或人工神经网络等。在过去的几年里，深度学习由于具有原始数据的令人印象深刻的学习能力而受到欢迎。深度学习的主要吸引力之一是它排除了手动查找功能的需要，这是更传统的机器学习方法所需要的。它具有提高精度和消除大量手工工作的潜力。然而，仍有许多所谓的超参数有待选择，例如网络的体系结构、所谓的学习率和许多其他参数。在ImagimobStudio中，用户经历了构建深度神经网络的过程。用户定义要试用多少种不同类型的超参数，然后程序自动搜索所有组合并保存最佳模型。在ImagimobStudio中，用户被引导通过构建深度神经网络的过程。用户定义要试用多少种不同类型的超参数，然后程序自动搜索所有组合并保存最佳模型。一旦您对模型的健壮性感到满意，就该是过程中的最后一步了：将模型导出到C代码并为嵌入式硬件构建库。当从PC环境中的高级语言软件开发到微控制器(MCU)上的低级编程时，复杂性急剧增加。发育时间增加的因子为10-20并不少见[1]。例如，障碍可能包括更难的内存和处理限制，更长的调试周期，以及更难找到的更糟糕的错误类型。在ImagimobStudio中，以.h5文件形式训练的模型很容易转换为特定硬件类型的C代码，如“Edge”选项卡所示。在ImagimobStudio中，以.h5文件形式(用于从Tensorflow、Keras和其他深度学习框架导出模型权重和体系结构的通用格式)的经过训练的模型可以很容易地转换为特定硬件类型的C代码，如上一幅图像中的“Edge”选项卡所示。然后编译C代码并将其闪烁到硬件上。我们通常构建一个库，可以集成到C应用程序中。右边，可以看到现场演示的嵌入式版本。它有一个电池驱动的Acconeer物联网模块XM122与蓝牙连接。人工智能应用程序运行在XM122模块上，其中包括来自北欧半导体的NRF52840SoC，该模块基于ArmCortexM4MCU。现场演示的嵌入式版本。在这里，你可以看看最后的演示：图像手势检测库的核心是针对时间序列数据的人工神经网络。它是专门设计的，脑海中有一个小的记忆足迹。库用C编写并在静态库中编译，然后与主AcconeerC应用程序一起编译。 ·TheGesturedetectionlibraryusesradardatafromtheAcconeerXM122IoTModuleasinput ·Thememoryfootprintofthegesturelibraryisapproximately80kBRAM ·Thelibraryrunsona32-bit64MHzArmCortexM4MCUwith1MBFlashand256kBRAM ·Thelibraryprocessesroughly30kBofdatapersecond ·TheexecutiontimeoftheAImodelisroughly70mswhichmeansthatitpredictsagestureatapproximately14.3Hz 在2020年6月，由Imagimob、Acconeer和Flexworks组成的一个财团从瑞典Vinnova获得了价值45万$的赠款，以采取下一步建设gesturhe控制的耳内耳机。Acconeer将覆盖传感部分，Flexworks将负责硬件和力学，我们在Imagimob将开发手势检测应用程序。在这个项目中，我们不仅将建立第一个手势控制的耳内耳机，而且我们还将致力于一个硬件加速系统的机器学习代码在单片机上。我们将继续使用ArmCortexM系列，并受益于Arm提供的先进解决方案。 John malm digital analysis and development algorithmus担任imagimob machines的学习开发者[（1）]麦康奈尔，史蒂夫，软件评估，秘密黑艺术，微软出版社，2006年

时间：2020-10-24 关键词：嵌入式大数据机器学习
机器学习实战：GNN(图神经网络)加速器的FPGA解决方案

1. 概述得益于大数据的兴起以及算力的快速提升，机器学习技术在近年取得了革命性的发展。在图像分类、语音识别、自然语言处理等机器学习任务中，数据为大小维度确定且排列有序的欧氏(Euclidean)数据。然而，越来越多的现实场景中，数据是以图(Graph)这种复杂的非欧氏数据来表示的。Graph不但包含数据，也包含数据之间的依赖关系，比如社交网络、蛋白质分子结构、电商平台客户数据等等。数据复杂度的提升，对传统的机器学习算法设计以及其实现技术带来了严峻的挑战。在此背景之下，诸多基于Graph的新型机器学习算法—GNN(图神经网络)，在学术界和产业界不断的涌现出来。 GNN对算力和存储器的要求非常高，其算法的软件实现方式非常低效，所以业界对GNN的硬件加速有着非常迫切的需求。我们知道传统的CNN(卷积神经网络网络)硬件加速方案已经有非常多的解决方案;但是，GNN的硬件加速尚未得到充分的讨论和研究，在本文撰写之时，Google和百度皆无法搜索到关于GNN硬件加速的中文研究。本文的撰写动机，旨在将国外最新的GNN算法、加速技术研究、以及笔者对GNN的FPGA加速技术的探讨相结合起来，以全景图的形式展现给读者。 2. GNN 简介 GNN的架构在宏观层面有着很多与传统CNN类似的地方，比如卷积层、Polling、激活函数、机器学习处理器(MLP)和FC层等等模块，都会在GNN中得以应用。下图展示了一个比较简单的GNN架构。图 1：典型的GNN架构但是， GNN中的Graph数据卷积计算与传统CNN中的2D卷积计算是不同的。以图2为例，针对红色目标节点的卷积计算，其过程如下： · Graph卷积：以邻居函数采样周边节点特征并计算均值，其邻居节点数量不确定且无序(非欧氏数据)。 · 2D卷积：以卷积核采样周边节点特征并计算加权平均值，其邻居节点数量确定且有序(欧氏数据)。图 2： Graph卷积和2D卷积 3. GraphSAGE算法简介学术界已对GNN算法进行了非常多的研究讨论，并提出了数目可观的创新实现方式。其中，斯坦福大学在2017年提出的GraphSAGE是一种用于预测大型图中动态新增未知节点类型的归纳式表征学习算法，特别针对节点数量巨大、且节点特征丰富的图做了优化。如下图所示，GraphSAGE计算过程可分为三个主要步骤：图 3：GraphSAGE算法的视觉表述 · 邻节点采样：用于降低复杂度，一般采样2层，每一层采样若干节点 · 聚合：用于生成目标节点的embedding，即graph的低维向量表征 · 预测：将embedding作为全连接层的输入，预测目标节点d的标签为了在FPGA中实现GraphSAGE算法加速，我们需要知悉其数学模型，以便将算法映射到不同的逻辑模块中。下图所示的代码阐述了本算法的数学过程。图 4：GraphSAGE算法的数学模型对于每一个待处理的目标节点xv，GraphSAGE 执行下列操作： 1)通过邻居采样函数N(v)，采样子图(subgraph)中的节点 2)聚合被采样的邻节点特征，聚合函数可以为mean()、lstm()或者 polling()等 3)将聚合结果与上一次迭代的输出表征合并，并以Wk做卷积 4)卷积结果做非线性处理 5)迭代若干次以结束当前第k层所有邻节点的处理 6)将第k层迭代结果做归一化处理 7)迭代若干次以结束所有K层采样深度的处理 8)最终迭代结果zv即为输入节点xv的嵌入(embedding) 4. GNN加速器设计挑战 GNN的算法中涉及到大量的矩阵计算和内存访问操作，在传统的x86架构的服务器上运行此算法是非常低效的，表现在速度慢，能耗高等方面。新型GPU的应用，可以为GNN的运算速度和能效比带来显著收益。然而GPU内存扩展性的短板，使其无法胜任海量节点Graph的处理;GPU的指令执行方式，也造成了计算延迟过大并且不可确定，无法胜任需要实时计算Graph的场景。如上所述种种设计挑战的存在，使得业界急需一种可以支持高度并发实时计算、巨大内存容量和带宽、以及在数据中心范围可扩展的GNN加速解决方案。 5. GNN加速器的FPGA设计方案 Achronix 公司推出的 Speedster7t系列高性能FPGA，专门针对数据中心和机器学习工作负载进行了优化，消除了CPU、GPU以及传统 FPGA 存在的若干性能瓶颈。Speedster7t FPGA 基于台积电的 7nm FinFET 工艺，其架构采用革命性的新型 2D 片上网络 (NoC)，独创的机器学习处理器矩阵 (MLP)，并利用高带宽 GDDR6 控制器、400G 以太网和 PCI Express Gen5 接口，在保障ASIC 级别性能的同时，为用户提供了灵活的硬件可编程能力。下图展示了Speedster7t1500高性能FPGA的架构。图5: Achronix Speedster7t1500 高性能FPGA 架构如上所述种种特性，使得Achronix Speedster7t1500 FPGA器件为GNN加速器设计中所面临的各种挑战，提供了完美的解决方案。表1：GNN设计挑战与Achronix的Speedster7t1500 FPGA解决方案 5.1 GNN加速器顶层架构本GNN加速器针对GraphSAGE进行设计，但其架构具有一定的通用性，可以适用于其他类似的GNN算法加速，其顶层架构如下图所示。图6: GNN加速器顶层架构(来源：Achronix原创) 图中GNN Core为算法实现的核心部分，其设计细节将在下文展开谈论;RoCE-Lite为RDMA协议的轻量级版本，用于通过高速以太网进行远程内存访问，以支持海量节点的Graph计算，其设计细节将在本公众号的后续文章中讨论;400GE以太网控制器用来承载RoCE-Lite协议;GDDR6用于存放GNN处理过程中所需的高速访问数据;DDR4作为备用高容量内存，可以用于存储相对访问频度较低的数据，比如待预处理的Graph;PCIe Gen5x16提供高速主机接口，用于与服务器软件交互数据;上述所有模块，皆通过NoC片上网络来实现高速互联。 5.2 GNN Core 微架构在开始讨论GNN Core 微架构之前，我们先回顾一下本文第3节中的GraphSAGE算法，其内层循环的聚合以及合并(包含卷积)等两个操作占据了算法的绝大部分计算和存储器访问。通过研究，我们得到这两个步骤的特征如下：表2：GNN算法中聚合与合并操作对比可以看出，聚合操作与合并操作，其对计算和存储器访问的需求完全不同。聚合操作中涉及到对邻节点的采样，然而Graph属于非欧氏数据类型，其大小维度不确定且无序，矩阵稀疏，节点位置随机，所以存储器访问不规则并难以复用数据;在合并操作中，其输入数据为聚合结果(节点的低维表征)以及权重矩阵，其大小维度固定，存储位置规则线性，对存储器访问不存在挑战，但是矩阵的计算量非常大。基于以上分析，我们决定在GNN Core加速器设计中用两种不同的硬件结构来处理聚合操作与合并操作，功能框图如下图所示：图7: GNN Core功能框图(来源：Achronix原创) 聚合器(Aggregator)：通过SIMD(单指令多数据处理器)阵列来对Graph进行邻居节点采样并进行聚合操作。其中的“单指令”可以预定义为mean()均值计算，或者其他适用的聚合函数;“多数据”则表示单次mean()均值计算中需要多个邻居节点的特征数据作为输入，而这些数据来自于子图采样器(Subgraph Sampler);SIMD阵列通过调度器Agg Scheduler做负载均衡;子图采样器通过NoC从GDDR6或DDR4读回的邻接矩阵和节点特征数据h0v，分别缓存在Adjacent List Buffer和Node Feature Buffer之中;聚合的结果hkN(v)存储在Agg Buffer之中。合并器(Combinator)：通过脉动矩阵PE来执行聚合结果的卷积操作;卷积核为Wk权重矩阵;卷积结果通过ReLU激活函数做非线性处理，同时也存储在Partial Sum Buffer中以方便下一轮迭代。合并的结果通过L2BN归一化处理之后，即为最终的节点表征hkv。在比较典型的节点分类预测应用中，该节点表征hkv可以通过一个全连接层(FC)，以得到该节点的分类标签。此过程属于传统的机器学习处理方法之一，没有在GraphSAGE论文中体现，此设计中也没有包含这个功能。 6. 结论本文深入讨论了GraphSAGE GNN 算法的数学原理，并从多个维度分析了GNN加速器设计中的技术挑战。作者通过分解问题并在架构层面逐一解决的方法，综合运用Achronix Speedster7t1500 FPGA所提供的竞争优势，创造了一个性能极佳且高度可扩展的GNN加速解决方案。

时间：2020-10-19 关键词： FPGA gnn 机器学习