文/商业伙伴李卫忠

Amazon SageMaker 是一项完全托管的服务，可以帮助开发者和数据科学家快速地规模化构建、训练和部署机器学习 (ML) 模型。

日前，在亚马逊云服务（AWS）中国区域推出Amazon SageMaker机器学习服务之际，中科创达（ThunderSoft）率先宣布，已经将Amazon SageMaker成功集成到了中科创达智慧工业ADC (Automatic Defect Classification) 系统。

携手AWS，为客户提供从云到端一体技术平台

中科创达成立于2008年成立，目前拥有员工6000多人，业务遍及全球各地，聚焦智能手机、智能网联汽车、智能物联网，智能行业四大业务板块以及AI视觉技术平台。

“不论是工业还是消费，大家都直接或间接的在使用智能操作系统。AWS是云端操作系统的翘楚，我们做的是端侧的操作系统。双方携手，可以为客户打造从云到端的一体化整体智能平台。”中科创达CTO 邹鹏程开门见山地介绍了与AWS合作的定位。

中科创达CTO 邹鹏程

作为全球知名的智能操作系统产品和技术提供商，中科创达深入了解传统制造业发展需求和趋势，基于在智能操作系统、图形图像处理和人工智能领域的深厚技术积累，在2018年推出了工业视觉检测一站式解决方案——智慧工业ADC系统。

邹鹏程介绍，该系统包含缺陷自动化分类、新产品迭代数据清洗、业务作业员认证三个子系统，从作业员技能认证、数据集更新到新产品导入，贯穿工业检测的整个生命周期，有效帮助制造企业减少75%的工作量，产能提升35倍。相比人工检测，漏检率下降3%，准确率提升99%。目前，中科创达已经拓展到液晶面板、汽车制造、电子产品、化妆品制造、橡胶制造等行业，帮助众多客户提升工业自动化和智能化水平。

在现实中，任何客户应用智慧工业ADC系统，都需要实施机器学习工作。然而，机器学习的实施是一项复杂的工作，涉及大量试错，需要大量专业技能，并消耗庞大的算力、数据存储和时间成本。

2019年，中科创达了解到Amazon SageMaker的强大功能，携手AWS进行了合作试点，方案很快就得到了行业客户的认可，于是中科创达决定正式引入SageMaker的完整体系。

可以说，有了Amazon SageMaker的加持，让机器学习的过程变得简单高效，可以帮助客户去除机器学习涉及的混乱和复杂性，让客户能够迅速构建、训练和部署模型，应对创新的挑战。

尤其是Amazon SageMaker Studio集成开发环境（IDE），为整个机器学习工作流提供了一个统一界面，使构建、训练、解释、检查、监视、调试和运行机器学习模型变得更简单、更快。

借助 Amazon SageMaker Neo，开发者只需训练一次机器学习模型，便可在云端和边缘的任何位置运行。SageMaker Neo 可将模型的运行速度优化到两倍，同时仅占用 1/10 的内存，也不会对准确性造成任何影响。SageMaker Neo还可以优化部署在Amazon EC2实例、Amazon SageMaker端点和AWS Greengrass管理的设备上的模型，实现工业视觉检测应用与其它应用无缝连接。

此外，SageMaker可以有效贴近工业的实际需求，降低了算法实施过程中开发、环境、运维对工程师的依赖。例如，在电气行业ADC系统的实施中，通过集成SageMaker，最终用户的一次性投入成本降低了42%，软件开发的工作量降低了39%，系统的上线时间缩短了50%，系统运行效率是传统检测的35倍，解决了ADC系统落地工业场景的障碍。

近年来，中科创达提出“服务上云”战略，打通前端和后端的产业链条，助推智能产业加速实现数字化。“我们非常荣幸与AWS携手，通过集成Amazon SageMaker，大幅提升智慧工业ADC系统在工业制造领域落地、部署的效率。同时，依托AWS实现业务发展和持续创新，加速全球智慧行业的智能化、自动化和数字化升级。”邹鹏程说。

SageMaker，直击机器学习落地之痛

机器学习的实施是一项非常复杂的工作，涉及大量试错，并且需要专业技能。

首先，开发者和数据科学家必须对数据进行可视化、转换和预处理，才能变成算法可以使用的格式，用以训练模型。

其次，即使是简单的模型，企业也需要花费庞大的算力和大量的训练时间，并可能需要招聘专门的团队来管理包含多台GPU服务器的训练环境。从选择和优化算法，到调节影响模型准确性的数百万个参数，训练模型的所有阶段都需要大量的人力和猜测。

第三，在应用程序中部署训练好的模型时，客户又需要另一套应用设计和分布式系统方面的专业技能。并且，随着数据集和变量数的增加，模型会过时，客户又必须一次又一次地重新训练模型，让模型从新的信息中学习和进化。

所有这些工作都需要大量的专业知识，并耗费庞大的算力、数据存储和时间成本。而且，由于没有集成化的工具用于整个机器学习的工作流，机器学习模型的传统开发方式是复杂、繁复和昂贵的。

Amazon SageMaker的推出，消除了机器学习过程中各个步骤的繁重工作。

AWS中国区生态系统及合作伙伴部总经理汪湧

AWS中国区生态系统及合作伙伴部总经理汪湧介绍，通过预置的Notebook、针对PB级数据集优化的常用算法，以及自动模型调优，SageMaker大大降低了模型构建和训练的难度，并且显著简化和加快了模型训练过程，可以通过自动提供和管理基础设施来训练模型和运行推理。同时，AWS 最近宣布了多项重要功能和高级特性，让客户能够更轻松地构建、训练、调优和部署机器学习模型。这些功能包括：

面向机器学习的集成开发环境（IDE）：Amazon SageMaker Studio将所有用于机器学习的组件集中在一个地方，开发者可以通过统一界面，查看和组织源代码、依赖项、文档和其它应用程序资产，并且利用创建项目文件夹、组织Notebook和数据集，以及协作讨论Notebook和结果等功能，使构建、训练、解释、检查、监视、调试和运行机器学习模型变得更简单、更快。

弹性笔记本：一键启用的Jupyter Notebook具有秒级的弹性计算提升能力，包含了运行或重新创建机器学习工作流所需的一切要素，让开发者可以轻松地调高或降低Notebook需要的算力（包括GPU加速）。一键共享功能可以让一个工程师很容易地将手头工作共享给其他工程师，使构建模型的协作变得更容易。

实验管理：Amazon SageMaker Experiments自动捕获输入参数、配置和结果，并将它们存储为“实验”，帮助开发者轻松管理迭代、可视化地比较实验结果、保留实验的完整谱系、及时回溯和检查。

调试与分析：Amazon SageMaker Debugger用于调试和分析模型训练，提高准确性，减少训练时间，让开发者更好地理解模型。当检测到训练问题时，SageMaker Debugger还会提供警告和补救建议，并且能够帮助开发者解读模型工作原理，向神经网络的可解释性迈出第一步。

自动构建模型：Amazon SageMaker Autopilot是业内首个可以让开发者对其模型保持控制和可见性的自动化机器学习功能，可以自动检查原始数据，应用特征处理器，挑选最佳算法集，训练多个模型，对它们进行调优，跟踪其性能，然后根据性能对模型进行排名。点击几下鼠标，用户可以得到用于部署的、性能最佳的模型推荐，经验丰富的开发者可以使用它提供的多达50种不同的模型，针对应用场景进行选择，快速开发基础模型，不断进行迭代。

概念漂移检测：Amazon SageMaker Model Monitor允许开发者检测和纠正概念漂移（concept drift）。当检测到漂移时，SageMaker Model Monitor会向开发者发出告警，帮助他们直观地确定原因，让开发者更容易调整训练数据或算法以解决概念漂移问题。

让机器学习在各行各业快速落地

任何项目的开发工作，都需要考虑涉及投入产出比的总体拥有成本，一般工业产品两到三年有回报就已经很不错了，中科创达与AWS联手，让回报周期普遍可以缩短到一年。

邹鹏程指出，工业企业走数字化转型之路，涉及到思维转变、组织变更、生态伙伴等方方面面的事情，总结起来可以归纳为组织、文化、产品三大挑战。

中科创达与AWS的理念相同：绝不能把这些问题仅仅看做是客户的问题，而要把它们都当成是供给侧的问题，包括如何选择合作伙伴，如何打造一个面向服务的平台型组织，如何打造以技术为本的开放文化，如何构建融合的平台系统等等。谁在供给侧解决了这些问题，帮助客户降低转型的痛苦，更快地看到了效果，谁就能在市场竞争中抓住机遇，脱颖而出。

汪湧也谈到，除了工业质检领域的成功应用，机器学习在很多领域都有广阔的应用前景。比如AWS的合作伙伴帮助全球很多物流行业客户通过仓储智能分析大幅提高了仓储的利用效率；帮助很多组织在ERP、CRM系统中成功的应用，使制造、客户关系和财务等系统做出了更快、更好的反应；帮助很多呼叫中心提升了效率，提高了客户满意度；此外还在传媒、自动驾驶，以及生命科学等众多领域取得很多成功的应用。

未来，AWS将携手合作伙伴深耕行业，让机器学习在各行各业快速落地，合力提升整个经济、社会的智能化水平。