編輯導(dǎo)語：機(jī)器學(xué)習(xí)這一概念對(duì)大多數(shù)人來說，還是相對(duì)陌生的，但其實(shí)許多行業(yè)的業(yè)務(wù)場景都可以結(jié)合機(jī)器學(xué)習(xí)平臺(tái)，達(dá)成更高效率的業(yè)務(wù)分析操作。本篇文章里，作者便從Amazon SageMaker Canvas出發(fā)，對(duì)機(jī)器學(xué)習(xí)平臺(tái)的發(fā)展做了解讀，一起來看一下。

人工智能一直是近幾年熱炒的話題，但隨著資本興趣的轉(zhuǎn)移，人工智能行業(yè)也逐漸趨于冷靜，各企業(yè)算法工程師崗位逐年縮減，競爭也逐年激烈。

一個(gè)朋友跟我說，他18年的時(shí)候轉(zhuǎn)了NLP方向，他覺得他算是跨專業(yè)轉(zhuǎn)型的最后一批選手，再后來他手里的簡歷基本是清北華五計(jì)算機(jī)科班的了。從從業(yè)人員水平來看，人工智能已經(jīng)變成普通人不再能輕易能涉足的行業(yè)。但技術(shù)如果不能服務(wù)社會(huì)，賦能行業(yè)，那便是無用的技術(shù)。

目前人工智能行業(yè)處在冷靜期，但用戶對(duì)機(jī)器學(xué)習(xí)的需求從未冷靜。更多的企業(yè)在一邊沉淀技術(shù)，一邊積極尋求更好的落地場景。

從17年底開始，陸陸續(xù)續(xù)有企業(yè)發(fā)布機(jī)器學(xué)習(xí)平臺(tái)，其實(shí)所謂機(jī)器學(xué)習(xí)平臺(tái)本質(zhì)是機(jī)器學(xué)習(xí)工具。而工具的好處在于，AI企業(yè)終于不用花太多精力在場景選擇上，而是追求產(chǎn)品的卓越上。就像賣剪刀的企業(yè)，不用太關(guān)心剪刀是拿去剪繩子還是剪紙片，用戶自己會(huì)發(fā)揮剪刀的價(jià)值。

最近體驗(yàn)了一下Amazon SageMaker Canvas，感受到AI企業(yè)正很努力地將人工智能變成普通人能夠輕松使用的技術(shù)。

先聊一下Amazon，2017年11月亞馬遜云科技推出了SageMaker這一機(jī)器學(xué)習(xí)平臺(tái)，并且在三年內(nèi)收獲了很多世界500強(qiáng)知名企業(yè)客戶。在去年12月份，SageMaker為了讓更多人能以更低的門檻享受到機(jī)器學(xué)習(xí)的服務(wù)，他們推出了SageMaker Canvas。

我們先不著急直接看SageMaker Canvas是什么，我們先了解一下機(jī)器學(xué)習(xí)平臺(tái)是什么樣的賽道。

一、冰山下埋著千億規(guī)模市場

隨著C端互聯(lián)網(wǎng)經(jīng)濟(jì)增長放緩，越來越多的人將目光投向B端，技術(shù)逐漸向產(chǎn)業(yè)傾斜。騰訊、阿里、亞馬遜等大廠概莫如是。

而B端目前如火如荼發(fā)展的正是數(shù)字化轉(zhuǎn)型。清華“姚班”的帶頭人姚期智院士公開說，數(shù)據(jù)、算法、算力是數(shù)字經(jīng)濟(jì)核心技術(shù)。機(jī)器學(xué)習(xí)同樣離不開數(shù)據(jù)、算法、算力。

根據(jù)最近一篇東吳證券的行業(yè)報(bào)告可以看到，國內(nèi)機(jī)器學(xué)習(xí)賽道目前是百億規(guī)模市場，但帶動(dòng)的卻是千億產(chǎn)業(yè)規(guī)模。

我們可以將相關(guān)產(chǎn)業(yè)規(guī)模和機(jī)器學(xué)習(xí)市場規(guī)模比較，相關(guān)產(chǎn)業(yè)規(guī)模大概在機(jī)器學(xué)習(xí)市場規(guī)模的7倍。美團(tuán)在做外賣業(yè)務(wù)的時(shí)候燒錢燒了20億美元，王慧文有一句話很經(jīng)典：知道市場體量，才有燒錢的魄力。美團(tuán)外賣燒了20億美金，但是現(xiàn)在美團(tuán)外賣規(guī)模1000億美金，市場每天外賣單數(shù)5000萬單。冰山下的千億市場，才是真正值得機(jī)器學(xué)習(xí)從業(yè)者們耐心挖掘的。

國內(nèi)機(jī)器學(xué)習(xí)產(chǎn)業(yè)規(guī)模

二、大廠和獨(dú)角獸的角力

機(jī)器學(xué)習(xí)市場帶動(dòng)的相關(guān)產(chǎn)業(yè)規(guī)模僅國內(nèi)就有上千億產(chǎn)業(yè)規(guī)模，鋪開到全球范圍，這無疑是一個(gè)大金礦。對(duì)于人工智能細(xì)分領(lǐng)域的創(chuàng)業(yè)公司有很多，但是對(duì)于機(jī)器學(xué)習(xí)平臺(tái)，就只能看大廠和獨(dú)角獸們的角逐了。因?yàn)橐环矫鏅C(jī)器學(xué)習(xí)平臺(tái)燒錢，另一方面機(jī)器學(xué)習(xí)平臺(tái)需要大量數(shù)據(jù)去訓(xùn)練和驗(yàn)證平臺(tái)能力。

2020年百度開始密集地發(fā)布線上活動(dòng)，推廣百度智能云。而同時(shí)，華為云不甘落后地推出ModelArt。

而對(duì)比國外，早在2017年，Gartner第一次提出數(shù)據(jù)科學(xué)平臺(tái)（也叫AI平臺(tái)）概念，將機(jī)器學(xué)習(xí)、深度學(xué)習(xí)模塊納入數(shù)據(jù)分析平臺(tái)之中。Alteryx在18年進(jìn)入數(shù)據(jù)科學(xué)平臺(tái)魔力象限領(lǐng)導(dǎo)者，同期國內(nèi)也涌現(xiàn)出第四范式、九章云極等優(yōu)秀企業(yè)。

Amazon SageMaker 在2021年進(jìn)入Gartner數(shù)據(jù)平臺(tái)魔力象限，值得一提的小插曲是，Amazon SageMaker在2020年本就該在魔力象限遠(yuǎn)見者中占據(jù)一席之地，但由于發(fā)布時(shí)間比評(píng)選時(shí)間晚了點(diǎn)，錯(cuò)了過了當(dāng)年的評(píng)選，而是獲得當(dāng)年的榮譽(yù)提名。

Gartner在2021年對(duì)Amazon SageMaker的評(píng)價(jià)優(yōu)勢是：

1. 云平臺(tái)的深度和廣度；
2. 性能、可擴(kuò)展和精細(xì)度；
3. 數(shù)據(jù)標(biāo)記和人機(jī)交互功能。

需要注意的事項(xiàng)是：

1. 不斷發(fā)展公民數(shù)據(jù)科學(xué)新引力；
2. 需要快速開發(fā)以匹配競品的功能；
3. 成熟的本地、混合和多云的支持。

因?yàn)镚artner對(duì)Amazon SageMaker的這番評(píng)價(jià)，讓我更加想了解一下Amazon SageMaker。

三、SageMaker Canvas：亞馬遜云科技的科技民主化之旅

終于要聊到想聊的正主了。SageMaKer Canvas是亞馬遜云科技在平臺(tái)概念和目標(biāo)用戶上的一次全力突圍。從產(chǎn)品使用過程來說，是一次能感受到產(chǎn)品背后后厚積薄發(fā)的酣暢體驗(yàn)。

Canvas是SageMaker的全新功能，通過低代碼的形式讓非專業(yè)人員也能便捷地享受機(jī)器學(xué)習(xí)的福利。

我有一個(gè)朋友是物流運(yùn)營的小伙伴，她希望客戶的訂單都能按時(shí)送達(dá)。為了滿足這個(gè)目標(biāo)，她希望能夠?qū)τ唵问欠衲軠?zhǔn)時(shí)送達(dá)做提前預(yù)測，以便她能提前發(fā)掘可能延期的訂單。我從她手里要來了兩份脫敏后的數(shù)據(jù)，一份是商品清單，另一份是發(fā)貨訂單。

因?yàn)镃anvas的介紹里并不需要寫代碼，我嘗試使用Canvas搭建一個(gè)訂單送貨的預(yù)測模型，看看是否能實(shí)現(xiàn)她要的。Canvas的操作如同它的引導(dǎo)書一樣，僅有四步：選擇數(shù)據(jù)，創(chuàng)建模型，分析結(jié)果，生成預(yù)測。

Canvas首頁

1. 選擇數(shù)據(jù)

我把從朋友那邊拿到的脫敏數(shù)據(jù)上傳到Canvas里以便訓(xùn)練使用。Canvas的數(shù)據(jù)導(dǎo)入有4種方式：本地上傳、Amazon S3導(dǎo)入、Snowflake導(dǎo)入、Redshift導(dǎo)入。

第一次上傳失敗了，因?yàn)楸镜厣蟼餍枰赟3里修改一項(xiàng)配置，在按官網(wǎng)操作之后，順利地上傳了本地的CSV文件。Amazon S3是亞馬遜自己的云存儲(chǔ)，類似云盤。Redshift是亞馬遜的數(shù)倉平臺(tái)。

比較意外的是看到了Snowflake，可能很多人不知道Snowflake，這是一家做云原生數(shù)倉的公司，推的是DaaS，但收費(fèi)模式卻是SaaS企業(yè)最想要的模式，建議SaaS企業(yè)的小伙伴可以研究一下。

比較意外是亞馬遜自己有Redshift為啥還要引入第三方數(shù)倉，轉(zhuǎn)念一想也挺有道理，一方面Snowflake確實(shí)做得好，有廣大的用戶群，另一方面snowflake是云服務(wù)商而不是云設(shè)備商，Snowflake也可以是亞馬遜的客戶。

Canvas的數(shù)據(jù)錄入頁面

通過本地上傳數(shù)據(jù)之后，Canvas支持Join功能。這個(gè)可能稍微偏一點(diǎn)技術(shù)，其實(shí)就是開發(fā)最常用的Join函數(shù)的意思，能夠把數(shù)據(jù)庫表拼接。

首先，我把朋友給的商品清單和發(fā)貨訂單進(jìn)行拼接，兩張表里有相同的字段ProductID。拼接之后我得到了一個(gè)維度更多的CSV文件，或者說特征更多的CSV文件。

然后將拼接好的數(shù)據(jù)上傳到了Canvas里。Canvas會(huì)對(duì)上傳的數(shù)據(jù)進(jìn)行簡單的統(tǒng)計(jì)。下圖里JoinData是我拼接后的文件，我們后文就專業(yè)一點(diǎn)叫把這個(gè)CSV文件稱為數(shù)據(jù)集。這個(gè)數(shù)據(jù)集大小是16列10000行。

在導(dǎo)入數(shù)據(jù)集的時(shí)候，Canvas支持?jǐn)?shù)據(jù)集的預(yù)覽，避免用戶導(dǎo)入錯(cuò)數(shù)據(jù)集。

Canvas選擇數(shù)據(jù)頁面

2. 創(chuàng)建模型

正常來說，建模這個(gè)事情真的是煉丹師們登場，非專業(yè)人士緊急避讓。但是Canvas里的操作簡單到讓人不可思議。

在創(chuàng)建模型的頁面選擇自己關(guān)注的字段，然后選擇自己需要參與到模型分析的字段就可以了。這里簡單一點(diǎn)理解，就像求解一個(gè)復(fù)雜的函數(shù) y = f (x1, x2, x3，…… )。我們關(guān)注的字段是 y，需要參與分析的字段是x1，x2，x3等等。相當(dāng)于是在尋求一個(gè)函數(shù)的計(jì)算結(jié)果。

比如在這次訂單的測試?yán)铮野咽欠駵?zhǔn)時(shí)送到這個(gè)字段作為我關(guān)注的字段 y，我們用 y=1 表示可以準(zhǔn)時(shí)送到，y=0表示不能準(zhǔn)時(shí)送到。剩余的字段運(yùn)輸優(yōu)先級(jí)、距離、發(fā)貨地等作為x1，x2，x3進(jìn)入模型參與運(yùn)算和分析。

Canvas創(chuàng)建模型

通過預(yù)分析建模，能夠得到SageMaker建議的模型分類。比如預(yù)測是否能準(zhǔn)時(shí)送達(dá)，SageMaker給出的建議是一個(gè)二分類的模型，就只會(huì)出現(xiàn)兩種結(jié)果，準(zhǔn)時(shí)送達(dá)和不準(zhǔn)時(shí)送達(dá)。

在預(yù)分析建模后，能夠得到模型的準(zhǔn)確率和各個(gè)特征的影響系數(shù)。影響系數(shù)越大，表示這個(gè)字段對(duì)結(jié)果越重要。比如圖里可以看到預(yù)建模的結(jié)果是，運(yùn)送優(yōu)先級(jí)最大程度影響是否能按時(shí)送達(dá)。

但是預(yù)建模只能讓我們知道準(zhǔn)確率，還沒有更詳細(xì)的信息。Canvas支持標(biāo)準(zhǔn)建模和快速建模，根據(jù)數(shù)據(jù)集的大小不同，標(biāo)準(zhǔn)建模和快速建模的耗時(shí)也不同。我用10000行數(shù)據(jù)測試，快速建模大概需要2-15分鐘，標(biāo)準(zhǔn)建模需要1小時(shí)45分鐘左右。

標(biāo)準(zhǔn)建模能讓模型更加準(zhǔn)確，運(yùn)算的時(shí)間也更長一些。這里滿足了兩類人的需求，定性的看問題的小伙伴快速建模就可以了，對(duì)結(jié)果定量嚴(yán)格要求的用戶可以標(biāo)準(zhǔn)建模，標(biāo)準(zhǔn)建模還能將模型分享給算法團(tuán)隊(duì)進(jìn)行進(jìn)一步的開發(fā)。

算下來創(chuàng)建模型頁面就三個(gè)配置模塊，建模完成以后就進(jìn)入了下一階段數(shù)據(jù)分析。

3. 數(shù)據(jù)分析

數(shù)據(jù)分析階段和創(chuàng)建模型的預(yù)建模步驟拿到的信息類似，主要是模型準(zhǔn)確率和各個(gè)特征的權(quán)重。也可以單獨(dú)看某個(gè)特征值的預(yù)測影響。而最主要的是能夠看到分析結(jié)果里的高級(jí)矩陣，同時(shí)能看到F1得分、準(zhǔn)確率、精確度、召回率和AUC。

Canvas 分析頁面

Canvas 高級(jí)矩陣頁面

這些高級(jí)矩陣的指標(biāo)其實(shí)是由頁面里藍(lán)粉框內(nèi)的TP、TN、FP、FN數(shù)值計(jì)算得到的，這一部分業(yè)務(wù)人員其實(shí)不是很關(guān)心，但是可能有小伙伴感興趣，我們簡單掃個(gè)盲。

• TP：True Positive，即正確預(yù)測出的正樣本個(gè)數(shù)（實(shí)際是準(zhǔn)時(shí)，模型預(yù)測也是準(zhǔn)時(shí)）。
• FP：False Positive，即錯(cuò)誤預(yù)測出的正樣本個(gè)數(shù)（實(shí)際是延期，被模型預(yù)測成了準(zhǔn)時(shí)）。
• TN：True Negative，即正確預(yù)測出的負(fù)樣本個(gè)數(shù)（實(shí)際是延期，模型預(yù)測也是延期）。
• FN：False Negative，即錯(cuò)誤預(yù)測出的負(fù)樣本個(gè)數(shù)（實(shí)際是準(zhǔn)時(shí)，被模型預(yù)測成了延期）。

準(zhǔn)確率（Accuracy）＝ (TP + TN) / 總樣本 ＝(944 + 945)/2000 = 94.45%。定義是：對(duì)于給定的測試數(shù)據(jù)集，分類器正確分類的樣本數(shù)與總樣本數(shù)之比。

精確率（Precision）＝ TP / (TP + FP) = 944/（944+54） = 94.589%。它表示：預(yù)測為正的樣本中有多少是真正的正樣本，它是針對(duì)我們預(yù)測結(jié)果而言的。Precision又稱為查準(zhǔn)率。

召回率（Recall）＝ TP / (TP + FN) = 944/（944+57） = 94.306% 。它表示：樣本中的正例有多少被預(yù)測正確了， 它是針對(duì)我們原來的樣本而言的。Recall又稱為查全率。

F1分?jǐn)?shù)（F1 Score），是統(tǒng)計(jì)學(xué)中用來衡量二分類模型精確度的一種指標(biāo)。它同時(shí)兼顧了分類模型的精確率和召回率。F1分?jǐn)?shù)可以看作是模型精確率和召回率的一種調(diào)和平均，它的最大值是1，最小值是0。

AUC（Area under curve）曲線下面區(qū)域的面積，這條曲線一般指ROC（Receiver operator characteristic curve）曲線。按照定義，AUC是ROC曲線下的面積，而ROC曲線的橫軸是FP，縱軸是TP。

4. 生成預(yù)測

第三步主要是分析模型訓(xùn)練的結(jié)果，沒有過多可操作的頁面，模型生成之后，第四步可以通過模型來預(yù)測結(jié)果。

在預(yù)測新結(jié)果的時(shí)候，我們只需把新的特征值放進(jìn)模型，模型會(huì)計(jì)算出對(duì)應(yīng)的結(jié)果。

我們?nèi)我庠O(shè)定訂單的優(yōu)先級(jí)，運(yùn)輸方式，目的地距離等參數(shù)，Canvas能夠基于我們輸入的特征值給我們返回一個(gè)預(yù)測結(jié)果：準(zhǔn)時(shí)或者延期。Canvas可以直接單點(diǎn)預(yù)測和批量預(yù)測。

利用批量預(yù)測的功能，我朋友就能得到她后續(xù)處理的訂單是否能準(zhǔn)時(shí)送達(dá)的預(yù)測結(jié)果了。

單點(diǎn)預(yù)測

批量預(yù)測

5. 使用小結(jié)

我大概統(tǒng)計(jì)了一下操作用時(shí)，第一次使用花了半小時(shí)左右，主要在探索功能上多花了點(diǎn)時(shí)間。熟練操作后可能5-10分鐘就可以把Canvas的完整流程走完。

看下來Canvas把建模完全變成了黑盒測試，用戶只需給Canvas設(shè)定輸入?yún)?shù)和輸出參數(shù)，Canvas就可以實(shí)現(xiàn)模型創(chuàng)建，并能為用戶提供預(yù)測功能。官方主打的低代碼雖然和APaaS行業(yè)里的低代碼認(rèn)知有挺出入，但從操作流程來看也說不上虛假宣傳，確實(shí)沒有需要coding的地方。

我想這個(gè)產(chǎn)品應(yīng)該算是亞馬遜云科技對(duì)技術(shù)民主化的一次探索，將晦澀復(fù)雜的技術(shù)用最簡單的方式呈現(xiàn)，以期降低用戶使用技術(shù)的門檻。從Canvas的產(chǎn)品表現(xiàn)來看，實(shí)實(shí)在在降低了機(jī)器學(xué)習(xí)準(zhǔn)入門檻。

但是，完全沒有人工智能知識(shí)或數(shù)據(jù)分析知識(shí)的小伙伴可能上手還是有一些困難，這個(gè)困難不是囿于產(chǎn)品的使用，而是囿于知識(shí)版圖的缺失。

不知道Canvas后續(xù)會(huì)不會(huì)進(jìn)一步降低使用門檻，還是說目前產(chǎn)品目標(biāo)受眾就是懂一部分?jǐn)?shù)據(jù)分析和人工智能的運(yùn)營人員。如果用戶只局限在互聯(lián)網(wǎng)相關(guān)的產(chǎn)品運(yùn)營人員的話，那可能就有點(diǎn)格局沒打開。還有很多場景值得機(jī)器學(xué)習(xí)發(fā)揮，比如銀行通過客戶的行為數(shù)據(jù)預(yù)測用戶是否可能會(huì)延期還款，工廠通過設(shè)備的監(jiān)控?cái)?shù)據(jù)預(yù)測設(shè)備是否會(huì)損壞。

在這些場景下，需要掌握機(jī)器學(xué)習(xí)能力的人不再是產(chǎn)品經(jīng)理，運(yùn)營。還有銀行的風(fēng)控、工業(yè)里的IT和OT人員等等。

從Canvas簡潔的UI畫風(fēng)來看，Canvas團(tuán)隊(duì)對(duì)產(chǎn)品要求的還是相對(duì)嚴(yán)格的。包括在數(shù)據(jù)拼接和數(shù)據(jù)導(dǎo)入的時(shí)候，有很多小細(xì)節(jié)來做柔性處理。比如數(shù)據(jù)拼接時(shí)，對(duì)不同數(shù)據(jù)來源數(shù)據(jù)集的字段用不同的顏色表示；比如數(shù)據(jù)導(dǎo)入之后，在選擇目標(biāo)列的時(shí)候，對(duì)所有字段的類型做了預(yù)定義，并且配了很形象的Icon去表征數(shù)據(jù)類型。

但是在模型構(gòu)建的部分只能看到耗時(shí)和預(yù)測用時(shí)，無法看到剩余用時(shí)或者訓(xùn)練進(jìn)度。這里的設(shè)計(jì)會(huì)讓用戶處于沒有安全感的等待中。用戶并不知道是因?yàn)榫W(wǎng)速問題、瀏覽器問題、還是Canvas的服務(wù)問題一直未完成訓(xùn)練。

Canvas的頁面細(xì)節(jié)

另外，無論是SageMaker Canvas也好，還是其他的ML平臺(tái)也好。整個(gè)行業(yè)應(yīng)該沒有很好的模型可解釋性。這一點(diǎn)是比較反人類認(rèn)知的。我們從小接受的教育都是要邏輯嚴(yán)謹(jǐn)，要不然也不會(huì)在數(shù)學(xué)物理里做了那么多證明題。

現(xiàn)在ML平臺(tái)的解決方案是非常簡單粗暴的，給一堆特征參數(shù)，然后返回一個(gè)預(yù)測結(jié)果。但是為什么有這個(gè)結(jié)果，是目前誰都說不清楚的。如果ML平臺(tái)把模型可解釋性提高，相信會(huì)有更多的用戶接受。

四、市場所需的機(jī)器學(xué)習(xí)平臺(tái)到底是什么樣的？

前面聊了很多我自己的使用體會(huì)，我們也一起了解了一下市場到底需要什么樣的機(jī)器學(xué)習(xí)平臺(tái)。Garnter2021數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)平臺(tái)的魔力象限里提到，他們對(duì)機(jī)器學(xué)習(xí)平臺(tái)的考量標(biāo)準(zhǔn)在五個(gè)點(diǎn)：

1. 數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)平臺(tái)能力；
2. 企業(yè)的收入和增長；
3. 客戶數(shù)量；
4. 市場吸引力；
5. 產(chǎn)品能力評(píng)分。

但是Gartner的考量維度是以一個(gè)中立視角從企業(yè)層面對(duì)機(jī)器學(xué)習(xí)平臺(tái)進(jìn)行評(píng)價(jià)。而更能說明產(chǎn)品能力的，還是用戶反饋。勇于嘗鮮的部分企業(yè)用戶其實(shí)已經(jīng)對(duì)現(xiàn)有的機(jī)器學(xué)習(xí)平臺(tái)開始了深度探索，我從字母點(diǎn)評(píng)整理了一個(gè)小樣本的機(jī)器學(xué)習(xí)平臺(tái)調(diào)研結(jié)果，可以一起看一下。

機(jī)器學(xué)習(xí)平臺(tái)第三方評(píng)價(jià)

機(jī)器學(xué)習(xí)平臺(tái)用戶滿意度

從第三方的數(shù)據(jù)來看，不同用戶對(duì)主流機(jī)器學(xué)習(xí)平臺(tái)能力評(píng)價(jià)總體接近，一些頭部機(jī)器學(xué)習(xí)平臺(tái)的客戶滿意度遠(yuǎn)超行業(yè)平均值。從用戶的實(shí)際口碑來看，Amazon SageMaker的產(chǎn)品競爭力比較靠前，用戶普遍反饋的是可以放心地讓SageMaker托管自己的機(jī)器學(xué)習(xí)任務(wù)，而相對(duì)抱怨較多的是Amazon的付費(fèi)模式過于復(fù)雜。

其實(shí)普通企業(yè)用戶對(duì)機(jī)器學(xué)習(xí)平臺(tái)核心訴求就兩點(diǎn)：

1）安全

機(jī)器學(xué)習(xí)平臺(tái)需要保證用戶的數(shù)據(jù)絕對(duì)安全，這也是很多企業(yè)目前還在猶豫上不上公有云的困擾，企業(yè)需要確保自己的數(shù)據(jù)不泄露，不被篡改。

2）準(zhǔn)確

對(duì)于選擇了機(jī)器學(xué)習(xí)平臺(tái)的用戶來說，他們需要模型能有較為精確的結(jié)果。而準(zhǔn)確性也是對(duì)機(jī)器學(xué)習(xí)平臺(tái)的算法能力比較大的挑戰(zhàn)，模型是否準(zhǔn)確其實(shí)在用戶心里也是個(gè)二分類問題，不會(huì)嚴(yán)格的像算法里給出90%精確這樣。用戶心里需要的是放心的托管和信任。在這兩點(diǎn)核心訴求的滿足上，ML平臺(tái)缺一不可。

而在這兩點(diǎn)核心訴求之上，才是便捷易用和模型可解釋。當(dāng)然一開始著手設(shè)計(jì)低門檻的產(chǎn)品和平臺(tái)是否安全、模型是否準(zhǔn)確這兩點(diǎn)并不沖突。

目前已經(jīng)獲得客戶好評(píng)的企業(yè)，不知道打造的是不是最終市場所需的機(jī)器學(xué)習(xí)平臺(tái)，但至少眼前他們的路是正確且踏實(shí)的。

五、最后

最后，要回過頭反思一下咱們標(biāo)題的問題了。毫無疑問，Amazon SageMaker Canvas的出現(xiàn)，是在傳遞一個(gè)信號(hào)，亞馬遜云科技正在把復(fù)雜深?yuàn)W的技術(shù)，簡化成一系列簡單的配置，讓更多人可以輕易地借助機(jī)器學(xué)習(xí)的力量改善自己的工作狀況。

但無論是從大廠動(dòng)向的觀察，還是從歷史發(fā)展必然性的反思，機(jī)器學(xué)習(xí)的未來應(yīng)該是科技向善，科技親民，讓更多的人享受到真實(shí)有效的服務(wù)。當(dāng)前疫情之下，國內(nèi)經(jīng)濟(jì)發(fā)展啟動(dòng)雙循環(huán)。企業(yè)運(yùn)營迫切需要改革，效率迫切需要提升，技術(shù)民主化才真正是當(dāng)下各類科技的最佳實(shí)踐，所以標(biāo)題的問題不再是問題，而是科技企業(yè)們需要給出的答案。

#專欄作家#

忙里偷賢，公眾號(hào)：忙里偷賢，人人都是產(chǎn)品經(jīng)理專欄作家。B端產(chǎn)品，低代碼玩家，工具類產(chǎn)品思考者。熱愛分享，務(wù)實(shí)的理想主義者。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于CC0協(xié)議。