立即报名：3月27日 AWS线上研讨会「加速你的机器学习之旅 – AWS最新技术与应用」
这几年人工智慧（AI）已成为各行各业的「共同话题」，不论是科技大厂企图在市场布局拔得头筹；抑或新创公司耕耘垂直领域，AI俨然是全球数位转型的浪潮下，企业寄望保持竞争力的解囊。
AI经常一起被讨论的「兄弟档」机器学习（Machine Learning）及深度学习（Deep Learning），许多人很容易混淆这三者的概念，甚至企业决策者或开发工程师，也是知其意，却不晓得如何在既有商业模式和IT架构下，运用机器学习快速掌握AI金矿。
我们与机器学习的距离，Netflix的推荐清单为何都不一样？首先釐清AI与ML、DL之间的关联，想像有三个同心圆，最外圈是AI、中间是ML、最内圈是DL。他们之间的差别，简言之，ML是AI的一个分支，也是实现AI的其中一个途径；而DL则是从ML的基础，再更深入执行、优化ML的技术及应用。
从AI到ML，释放更多运算的潜能，机器在不需经过手动给特殊指令的前提下，凭藉机器本身具备的程式学习能力，不断使用大量数据，进而持续提升运算出来结果的精準度。换言之，机器持续一连串自动学习过程，让运算逐渐展现比以往更精準的成效。
解释这么多，有没有更简单的例子？事实上，我们日常生活，早就充满ML的身影。从手机的助理功能、智慧音箱的语音辨识，到购物网站跳出「猜你会喜欢」的推播建议，都是藉助大量资料的投入、演算，最后跑出最符合个人化的指令需求。
更具体的ML案例从Facebook观察，他们利用机器学习功能，无时无刻掌握、分析用户平常按哪一类贴文讚，在哪些主题停留较长时间，进而演算出更贴近用户偏好的个人化内容。又或是深受年轻人喜爱的Netflix，也是根据用户对不同主题影音的观看长度、停留率，让ML分析大量複杂资料，所以不同帐号登入，推荐的影片清单自然都不一样。
自动化到创新化，企业4步轻鬆部署感受ML威力当然，的中小企业，论IT规模、工程师人数都比不上Facebook、Netflix这样的大企业，但仍有更快速又轻鬆的方式，从云端展开ML尝试之旅。如同Hotels.com副总裁兼资料科学长Matthew Fryer曾说：「AWS是我们精心挑选的ML平台，为开发人员带来全新方式，协助我们打造世界级旅行平台。」
正因为AWS的信念是「让机器学习掌握在每个开发人员手中」，所以中小企业的工程师，能够直接在AWS云端平台从预先已训练的AI服务，选择电脑视觉、语言、推荐或预测等项目。
在云端展开部署ML旅程，资料运算自动化是第一步起点，快速建立起ML模型，第二步优化数据以扩大价值，接着第三步是增加训练ML新的功能特徵，扩大企业商业服务多元性，最后一步则是迈向持续创新，将企业掌握的独特Know-How回馈给产业，带动市场进步。
要从自动化到持续创新，企业必须经历：组织拥护ML文化、洞察需要哪些数据、提升团队技术能量、找寻关键商业痛点、持续规模化等五大流程。对一般企业可能觉得不易实现，然而，正因为AWS提供「Amazon SageMaker」这项全受管服务，让开发人员、资料科学家，得以更快速、轻鬆部署及训练ML模型。
除了快速导入效益，ML最关键在于使用历史资料进行模型训练及评估。因为不同资料组容易导致预测结果的有效性，经一段时间后影响模型品质。对此，「Amazon SageMaker」还提供「Model Monitor」模型监控功能，持续侦测模型品质，快速辨识问题并及早採取补救，透过稽核或再训练模型。
加速迈开ML步伐，3大成功案例及宝藏全在研讨会除了相关功能认知，究竟企业在AWS云端平台进行ML部署，切确带来哪些商业服务的优势呢？以下来自不同行业的3个案例，证明迈开ML布局步伐，一点都不难。
案例一：石油化工製造商Formosa Plastics
Formosa Plastics致力提供垂直整合塑料树脂及石油化工产品，是顶尖製造商。为了提升产品质量，决定藉助ML提升品质瑕疵侦测、降低人工成本。Formosa Plastics首选AWS作为探索ML的最佳伙伴，在AWS ML Solutions Lab，从定义商业使用、选择ML模型到实际部署，获得AWS大力支援。导入「Amazon SageMaker」之后，Formosa Plastics员工手动检查时间大幅缩短50%，而且当生产条件变更后，仍能持续优化「SageMaker」模型。
案例二：AI影像分析团队Beseye
AI 影像分析团队Beseye致力提供安全摄影机的人工智慧影像分析服务，独家的骨干分析技术，可深度分析场域中人群的行为及意义。藉助「Amazon EC2 P3」提升分析效能，同时透过CloudWatch与ASG等服务有效管理部署，让Beseye的解决方案落地、英国及等十个国家。这项AI影像分析技术，目前广泛应用在大型公共交通设施、大型零售店家、工厂生产线，克服当前人脸辨识无法解决的距离及角度限制等问题。
案例三：国际医疗设备大厂GE Healthcare
国际大厂GE Healthcare为了持续维持竞争力，期望透过ML协助医院降低营运成本，让病患获得更妥善的照护。于是GE Healthcare携手AWS，在「Amazon SageMaker」平台大规模部署ML解决方案。GE Healthcare与教学医院合作建立一套演算资料库，改善传统X光摄影技术，藉由ML辨识X光片异常结果提升医师的判断。最终结果，82% 医疗决策者肯定ML资料库改善医护品质；63%受访表示有效降低病患再次入院率。
看完上述企业成果，开发人员还能透过什么方式，更快熟悉ML的导入？ AWS将在2020年3月27日举办一场线上研讨会：「加速你的机器学习之旅 – AWS 最新技术与应用」。更深入说明AWS机器学习实践方式及最新的AI服务应用。另一方面，本次研讨会也将邀请 AI 影像分析团队Beseye，分享他们的商业模式，以及如何善用「Amazon EC2 P3」提升分析效能等实务心得。
相信透过本次研讨会，将呈现最广泛、最深入的机器学习和AI服务说明。
更多AWS机器学习资讯：https://go.aws/2TVAY7a