云计算登顶之后，亚马逊人工智能走上新征程

r囧r小猫 2023-01-23 10:48 189阅读 0赞

![云计算登顶之后，亚马逊人工智能走上新征程][534b0aaac2ad836ec50f7383a6d01611.png]

凡是过往，皆为序章。

作者 | 青暮

1961年，人工智能之父、1971年图灵奖获得者John McCarthy在MIT的百周年纪念上，第一次提出了公共计算服务的概念，这其实就是云计算的思想雏形。然而过了四十多年，直到亚马逊云科技在2006年发布了Amazon S3和Amazon EC2之后，云计算的时代大幕才逐步拉开，开始形成一个真正的多元化市场，并随着众多巨头的加入开始良性竞争。

亚马逊云科技在这场竞争中一骑绝尘，成为了云计算市场的领导者。

在云计算萌芽时期，存在一个有趣的现象，就是其与“大数据”之间的概念经常被人混淆。如今，这种误会自然越来越少见，云计算特指云端服务的软硬一体化技术资源平台，大数据特指处理大体量数据的方法。

但从生态的角度来看，两者之间也有密切的依赖关系。随着云计算技术的成熟，大数据处理与人工智能技术在当下有了更好的基础支撑。

![云计算登顶之后，亚马逊人工智能走上新征程][e9260ad8856ef4fb83b8c7c738f5886b.png]

云计算和人工智能都是大规模技术，其蓬勃发展的局面，印证了John McCarthy在六十年前关于“计算会成为公共服务”的卓越远见。

![云计算登顶之后，亚马逊人工智能走上新征程][2cbba354bd8122550b37134d90435a92.png]

John McCarthy

**1 个性化：精细到毛细血管**

云计算和人工智能有着相同的特点，即灵活、精准。

云计算可以按客户具体的使用需求来配置硬件资源，只需轻点指尖即可自助搭建应用所需的软硬件环境，并且根据业务变化可随时按需扩展和按量计费，再加上云上许多开箱即用的组件级服务，怎能不让企业心动。

在互联网经济长尾效应下，特色买卖、细分产业层出不穷，互联网经济正从工业时代的千人一面，过渡到数字时代的千人千面。对于人工智能，这便是最好的用武之地。

如果说云计算是软硬件层面的个性化，人工智能则是应用层面的个性化。

在“千人千面”般精细的体验下，客户对于个性化服务质量是非常敏感的。这正是互联网经济的核心特点——巨大的规模只是表象，覆盖着整个社会的网络平台下，是精细到毛细血管的周到。

根据麦肯锡在2019年进行的一次调查，提供个性化推荐并据此进行个性化交流沟通的组织，实现了5%-10%的收入增长，其营销开支的效率也提升了10%-30%。

尽管不少企业已经意识到这一点，但能尝到这个甜头的依然是少数。“不解风情”的推荐总是让用户沮丧和失望，然后“移情别恋”。

![云计算登顶之后，亚马逊人工智能走上新征程][149ceb2d33d7b20599e0f5f3dc8906ae.png]

聚焦到个性化推荐领域，个性化推荐通过收集和分析客户的行为信息，预测客户的兴趣偏好并进行推荐，通过影响客户的消费行为，从而产生经济效益。

从算法层面上看，个性化推荐历经了基于统计学、基于内容、基于协同过滤、基于社交网络和混合式推荐的发展历程，虽然已取得了一定效果，但是仍然无法令人满意。

将云计算与人工智能结合，打通从软硬件层面到应用层面的个性化，则是解决这一问题、让人工智能成为“新时代的水和电”一样的公共服务的关键。凭借着云计算的成功经验，亚马逊拥有着一条无与伦比的“护城河”。

**2 亚马逊的人工智能征程**

亚马逊的机器学习已有20余年的历史，但也是在最近几年，人工智能才真正显现出它的有效性。

贝佐斯看在眼里，顺势而为，开始着手将亚马逊全面打造为人工智能企业。这时候，也还没有企业能做出优秀的AI推荐系统，人们还沉迷于深度学习在图像识别上的胜利，亚马逊则准备在AI时代守住自己的领地。

早在1998年，Amazon.com就上线了基于物品的协同过滤算法，这是业界首次将推荐系统应用于百万物品及百万用户规模。比如，亚马逊商城的“看了又看”功能背后就是协同过滤算法在支撑。

![云计算登顶之后，亚马逊人工智能走上新征程][db98c76ee73c009a114959cb42cd0e89.png]

这项功能会在商城中提醒用户，“购买了你的购物车里的这本书的另一位顾客，也购买了以下这些书。”也就是说，算法根据“有相似购买行为的用户可能喜欢相同物品”来进行推荐。算法首先根据用户购买历史评估用户之间的相似性，然后就可以根据其他用户的喜好，对你进行商品推荐。

协同过滤算法的其它思想还包括“相似的物品可能被同个用户喜欢”（比如，对购买了篮球鞋的用户推荐篮球）、模型协同过滤（比如SVD）等，后者是为了应对亚马逊商城的超大数据规模产生的超高运算量而采用的降维方法。

这项技术造就了后来享誉业界的创新——亚马逊电商“千人千面”的个性化推荐。

但直到2003年，三位在Amazon工作的数据科学家才基于实践经验，正式发表了协同过滤算法的论文“Amazon.com Recommendations: Item to Item Collaborative Filtering”。当时他们的考虑是：算法还没有完全稳定，需要不断进行检验和改良。“论文是为了解决实际问题，而不是关起门来做研究。”亚马逊一贯是产品、客户导向的公司。

这篇论文是协同过滤的奠基研究，在过去近20年里启发和影响了很多企业的算法设计和工程应用。2017年，当年刊登此论文的IEEE Internet Computing期刊创刊20周年，为此论文颁发“Test of Time”大奖，意为最经得起时间考验的论文。

![云计算登顶之后，亚马逊人工智能走上新征程][1bb838dd2854b63c29351ddbf8c19324.png]

亚马逊覆盖业务非常广，这使得其内部环境基本能代表或者模拟整个互联网行业。因此，亚马逊从自身需求出发找到的云计算解决方案Amazon Web Service，正是当时整个互联网行业所需要的核心服务。

亚马逊转型AI的过程借鉴了过去开发云计算的经验，AI技术先在部分业务上成长起来，而后续的扩展，则是借助了亚马逊擅长的飞轮效应。

![云计算登顶之后，亚马逊人工智能走上新征程][1ad55d8bb24b779fd68e399a13217e31.png]

也就是说，基于机器学习的创新，会为其他业务团队提供动力；这些团队应用的算法和模型还可以反哺机器学习，不断调优，打造更好的机器学习产品，从而服务更多的部门，甚至对整个公司产生影响。

亚马逊重视创新和研究的文化吸引了卡内基梅隆大学教授Alex Smola，现在他领导着亚马逊云科技机器学习团队。如今，亚马逊每年春天都会在其总部举办一场内部机器学习会议，规模从2013年的数百人增加到了成千上万人。

![云计算登顶之后，亚马逊人工智能走上新征程][d8db7607d49e4aaf82da430268e52523.png]

Alex Smola

在了解到TensorFlow、Caffé这些深度学习框架受到学者青睐后，亚马逊想到，将这些工具与其云服务相结合可能会产生巨大的价值。他们想为数百万没有机器学习背景的开发者提供服务。然后，Amazon Machine Learning在2015年诞生，如今连NASA都是它的客户。

2016年，亚马逊选定MXNet为官方深度学习框架。对于此事，亚马逊首席科学家李沐曾经表示：“当客户只需要关心数据量和运算量、写好数学公式、把数据交给云并花钱租算力；而不需要关心如何有效实现利用硬件、不需要关心自动求导是如何训练、云端如何优化的时候，客户才能够真正把精力放在自己想做的事情上。”

![云计算登顶之后，亚马逊人工智能走上新征程][d6b53b162234eb4d144385eec59f48c1.png]

李沐

接下来亚马逊在2017年底推出了更加全面的机器学习外延辅助工具：Amazon SageMaker。SageMaker的野心，也是希望成为一个平台。开发人员相信，通过为他们的项目设立一个基础，让他们能够专注于更高级的算法任务，这将为他们节省大量的工作。

今天，人工智能和机器学习已成为对许多企业而言非常有意义的价值驱动力。

根据 2020 年 2 月， IDG 发布的针对 IT 主管的“首席信息官技术民意调查”(CIO Tech Poll) ，62% 的受访者认为人工智能/机器学习是很具颠覆性的技术，42% 的受访者认为这些技术具有很大的影响力。

令人印象深刻的是，其中有 18% 的受访者表示已经在使用人工智能/机器学习解决方案。

但即便意识到了应用人工智能的重要性，很多企业在刚接触时也不知从何入手。以构建推荐系统为例，实际上，企业需要面对三重挑战。

![云计算登顶之后，亚马逊人工智能走上新征程][e4fcb774b559cc8a72833cc6a8b01c69.png]

首先是渠道平台与系统的集成。组织的网站可能托管在Magento（Symfony提供的一种Web应用），邮件联系则使用了Marketo。通过这些相互独立的平台打造集成式的个性化解决方案，这是一种极为复杂的任务。

其次是数据维护难题。大部分组织都保留了CRM、促销、电子邮件等大量数据以及第三方数据，这些数据是为用户画像的必备“颜料“。然而，如何保障每种”颜料“的质量，并画出精准的用户画像，是个不小的难题。没有高超的技艺，不过是在自娱自乐。

最后是静态规则的限制。静态的推荐规则需要大量的维护成本，复杂度高，更新速度慢，时间一长就尾大不掉，成了企业转型的累赘。对于用户而言，这样的推荐服务也像是少年回到了老家的理发店，但大爷不明白少年已经不喜欢剪平头。

在三重压力下，企业可能第一时间会想到大量烧钱请人来提供解决方案。然而，市场上高端AI人才动辄数十万、数百万的薪酬，让人望而却步。

解决方案当然不是没有，只需要让人工智能和云计算一样，降低门槛。

到Amazon SageMaker诞生时，飞轮已经进入飞速旋转，Amazon SageMaker作为机器学习平台，降低了机器学习门槛，让数据和算法科学家更有效工作。但是很多企业并没有机器学习方面的人才，更多不具备机器学习能力的人，如何应用机器学习的技术或能力？亚马逊的下一步，就是将公司的机器学习平台作为一种付费服务提供给外界。

**3 Amazon Personalize**

2021年3月，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。

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客户体验，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，让用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。“

![云计算登顶之后，亚马逊人工智能走上新征程][dde0303f71973ce67843b412236dd2a1.png]

顾凡

个性化推荐可以增加内容互动，降低获客成本，提高用户留存率和粘性。获客机会的提高带来了整体业务效率的提升，从而能够对用户进行更深层次的需求挖掘，比如在促销活动中等推荐场景。

如果不能对用户进行深层次挖掘，很难做到千人千面，无法深入到长尾产品，不利于长久运营。由于人力原因或技术原因，自主开发的推荐系统可能无法适应多场景，同时还可能需要第三方的支持。简言之，要实现个性化推荐系统的有效性、稳定性、持久性，需要投入非常大的人力成本和运维成本。

亚马逊拥有20多年的个性化推荐服务经验的积累。Amazon Personalize正是将亚马逊20多年的推荐技术积累构建成平台，进行对外服务的尝试，让没有机器学习背景的开发人员也可以在数天之内上手构建机器学习模型、开启个性化推荐之旅。

相比Amazon SageMaker而言，Amazon Personalize是一种全面托管型的产品服务，用户不需要额外引入人力，比如引入运维人力去维护底层计算资源，也不用对算法、数据、模型训练进行维护。

同时Amazon Personalize还提供了一个整体的方案隐私性和安全性，保证客户数据都是在私有环境上运行的，不会将客户数据提供给第三方去使用。

除此之外，Amazon Personalize还特别开发了几项方便的功能。

**推荐过滤器（Recommendation Filters）功能**

Amazon Personalize中的推荐过滤器可帮助用户根据业务需求对推荐内容进行微调，客户无需分神设计任何后处理逻辑。

推荐过滤器可对用户已经购买的产品、以往观看过的视频以及消费过的其他数字内容进行过滤与推荐，借此提高个性化推荐结果的准确率。以往推荐系统提供的推荐内容往往准确率较低，此类推荐可能影响用户情绪、导致用户参与度降低，最终引发业务营收损失。

![云计算登顶之后，亚马逊人工智能走上新征程][acf117b3f3a04ea10b8626d3fc6cdb0f.png]

目前，大部分客户通过编写自定义代码解决此类问题，即通过代码将个性化系统针对每位用户存储在数据库内的数据进行比较，借此提供更为准确的推荐内容，同时删除推荐中用户已经购买过的条目。但这一实现过程相当耗时且极易出错。Amazon Personalize的推荐过滤器消除了编写自定义代码的必要，并可自动过滤掉用户已经购买过的产品条目。这样，在最终推荐的结果当中就不会显示客户已经购买过或者说不感兴趣的商品。

**实时提供高质量的推荐**

Amazon Personalize 使用的机器学习算法可创建更高质量的推荐，以响应用户的特定需求、偏好和不断变化的行为，从而提高参与度和转化率。

Amazon Personalize 可轻松集成到客户现有的网站、应用程序、短信和电子邮件营销系统中，为所有渠道和设备提供独特的客户体验，消除了高昂的基础设施或资源成本。Amazon Personalize 让客户能够灵活地根据自己的用例情况使用实时或批量推荐以获得最优解，从而使客户能够向用户大规模提供各种个性化体验。

![云计算登顶之后，亚马逊人工智能走上新征程][8da93b531ef7edf833cabbf2fbe8e761.png]

**冷启动功能**

当新用户在进入电商网站的时候，网站可以立刻通过一些基本注册信息来预测新用户潜在的购物需求。Amazon Personalize即使是针对新用户也能有效地生成推荐，并为用户找到相关的新项目推荐。

随着新产品、新内容不断涌现，帮助用户及时发现并使用这些产品或内容对企业来说至关重要。现在无需对应用程序代码做出任何更改，Amazon Personalize根据用户的兴趣与喜好将新产品与用户进行匹配，从而使用户体验更加个性化，帮助企业持续保持用户体验的新鲜感，并通过直接转化或订阅用户转化及保留，提升自身运营收入。

![云计算登顶之后，亚马逊人工智能走上新征程][28147eede0765dd34673683836dea1d6.png]

简言之，Amazon Personalize具有四大优势：推荐质量高、简单易操作、适用范围广、数据私有和安全。

**4 两大赛道**

基于产品需求，从业务反推AI研究的发展，并借助了飞轮效应放大，进一步反哺业务，是亚马逊云科技解决AI研究与实际应用“最后一公里”的关键。产品客户导向的企业文化并没有成为AI研究的阻碍，反而让亚马逊云科技的AI研究更接地气，也是亚马逊云科技在对外服务中可以更好了解客户需求，用AI服务帮助他们解决个性化推荐问题的秘诀。

亚马逊的老本行电商、以及新兴的互联网媒体，则是Amazon Personalize在AI个性化推荐着重打造的两个赛道。

**乐天玛特**

乐天玛特是韩国知名零售商。公司使用专有的优惠券系统，来鼓励顾客购物。由于大卖场客户每次到店平均花费 50 至 200 美元，因此客户访问频率直接影响乐天玛特的业务绩效。

乐天玛特原本是通过客户的销售历史和用户偏好数据，以优惠券的方式，来进行针对性的产品推荐。

当关键的参数（比如回购间隔和喜欢的品牌等）设置正确时，此方法是有效的，有助于推动重复购买。但还不足以为客户做个性化推荐，并且仅适用于以前购买过的产品。但是当用这种方法向客户推荐新产品时，优惠券使用率和实际购买率极低。

此外，为新产品构建和维护相关的数据库非常耗时，会消耗大量的大数据工程资源，涉及很多手动计算流程。即便如此，最后的效果并没有达到预期。

新产品的数量是巨大的，为了提供最佳的客户体验，大卖场不能用每一种新产品来轰炸客户。乐天玛特需要制定一项长期战略。

于是，公司将 Amazon Personalize 作为解决方案，为其优惠券用户提供高度策划和个性化的产品推荐。

借助 Amazon Personalize，乐天玛特的新产品优惠券命中率（即促销优惠券的响应率）增加，并开始对月度销售额做出显著贡献。

Amazon Personalize 不需要手动数据分析，将开发时间缩短了 50%。乐天玛特只需提供预定义的交互、用户和项目数据集。与之前的方法相比，工程团队可以在一半的时间内生成测试结果。

不过节省时间只是完成了部分任务， 乐天玛特希望客户以更高的频率参与和购买新产品，同时仍能确保最佳的客户体验。

乐天玛特的工程师准备好数据后，Amazon Personalize对各种算法进行了测试，并在此过程中持续进行新的尝试，例如添加或替换功能以提高整体优惠券响应率。基于Amazon Personalize的方案，乐天玛特为每个客户启用了自定义推荐，而不是为每个人都提供传统的基于规则的推荐。

整个过程由于不需要管理和维护自定义模型的成本，大大提高了生产力。

通过 Amazon Personalize推出个性化推荐以来，乐天玛特优惠券的使用量增加了一倍以上，其新产品购买频率也增长了 1.7 倍。这一增加的比率表明，客户隐藏的购买需求被挖掘出来了。

**有道乐读**

有道乐读是网易有道旗下一款面向少年儿童的数字阅读教育产品，希望为最终读者提供精准图书推荐。公司选择了Amazon Personalize 的个性化推荐以及大数据服务。

在整个项目落地的过程中，“从 POC 测试到实际业务上线，仅用了一个月时间。”有道乐读资深服务器开发工程师姜为说道。

业务上线后，有道乐读 APP 月活跃指数增长了 20%，“同时收到了来自家长用户的大量正面反馈。”

![云计算登顶之后，亚马逊人工智能走上新征程][49b964d8c6a93e268c7b296563196fc0.png]

到2020 年 2 月，通过Amazon Personalize，有道乐读已经将人工智能服务以及大数据分析平台全面应用于自身业务，实现了业务场景 100% 覆盖。

随着业务迭代效率的提升，恰到其处的推荐，使有道乐读用户体验倍增。“之前产品迭代频率大概是每周 1-2 次，并且需要手工发布，每次发布需要大概 15-30 分钟，如今可以实现秒级发布。”

此外，团队人力成本大幅降低。“传统的部署方式，仅运维团队就需要至少 3-5 人，而现今只需 1 人即可完成全部任务，功能交付实现了大规模自动化。”

姜为表示，“亚马逊云科技为有道乐读提供的是经市场验证的解决方案，无论在稳定性、可扩展性以及安全性方面都令有道乐读十分满意。”

**5 凡是过往，皆为序章**

亚马逊云科技是云计算的开创者和引领者。亚马逊云科技的成功引爆了云计算革命，使得“云计算”从曾被大众质疑为“旧瓶装新酒”的概念炒作变成了实实在在的未来技术趋势。

在人工智能时代，亚马逊云科技不为以往成绩所束缚，进一步向前看，在过往成就的基础上，开创一个全新的未来。

从某种意义上说，Amazon Personalize是亚马逊云计算的更高级形式：云计算的特点是虚拟化、灵活可扩展、按需而变，从而帮助用户降低成本和使用门槛，提升用户体验。

Amazon Personalize则是更进一步，借助机器学习技术可根据用户需求提供个性化的低门槛推荐方案，以适应用户业务模式及环境不断变化的挑战，做到真正的“按需而变”。

在亚马逊云科技登顶云计算的过程中，亚马逊没有炒作概念——它甚至没有提过云计算的概念，但一直以客户需求为导向，坚持在做产品。Amazon Personalize则是对云计算重视用户体验、应需而变、平台化特质的一脉相承，只不过这一次，亚马逊云科技更加重视技术研发了。

基于云计算的个性化推荐平台可以消除数据孤岛，建立基于客户全网兴趣偏好轨迹的精准云计算分析模型，打通客户在多个网站的兴趣偏好，形成客户行为偏好大数据中心。因此，机器学习与云计算的结合符合未来的发展趋势。

亚马逊，又一次选对了路。

参考资料：

1.  激荡十年：云计算的过去、现在和未来  
    https://www.huxiu.com/article/295847.html
2.  AWS杀死了云计算  
    https://www.tmtpost.com/3864686.html
3.  如何打造更为精准的个性化推荐？Amazon Personalize 有独门技术秘籍！  
    https://mp.weixin.qq.com/s/Xk8x0rTREfgeW7CpJ98MuA
4.  Amazon Personalize 更快地大规模打造个性化的实时用户体验  
    https://aws.amazon.com/cn/personalize/
5.  亚马逊帝国的人工智能革命史  
    https://mp.weixin.qq.com/s/3Npc71VtxyIMrHd0YqBymQ
6.  李沐：工业界追求“how”，学术界重在“why”  
    https://www.leiphone.com/category/ai/eQTza49r8JQYRyA6.html
7.  有道乐读 x AWS | 云上的少儿图书馆！  
    https://mp.weixin.qq.com/s/\_M5KNVFAnoRbXcpWZRzFDw
8.  Increasing customer engagement and loyalty with personalized coupon recommendations using Amazon Personalize https://aws.amazon.com/cn/blogs/machine-learning/increasing-customer-engagement-and-loyalty-with-personalized-coupon-recommendations-using-amazon-personalize/

[534b0aaac2ad836ec50f7383a6d01611.png]: /images/20221004/79d818d21db14f6eae6a30a0f1a75e16.png
[e9260ad8856ef4fb83b8c7c738f5886b.png]: /images/20221004/8e23ff7fc6ad42499ca39ff14cb48a28.png
[2cbba354bd8122550b37134d90435a92.png]: /images/20221004/365669f0892a422996dca9197b81eccd.png
[149ceb2d33d7b20599e0f5f3dc8906ae.png]: /images/20221004/0622ceae3e2948e9ad8bab0d690d3791.png
[db98c76ee73c009a114959cb42cd0e89.png]: /images/20221004/f26ee9bfaff246cc8dcf56b66d36d0a3.png
[1bb838dd2854b63c29351ddbf8c19324.png]: /images/20221004/3b68becbdc424f80b8e479b0393e34f9.png
[1ad55d8bb24b779fd68e399a13217e31.png]: /images/20221004/0225b36f24ef46eeb8ed25baa52cb2a4.png
[d8db7607d49e4aaf82da430268e52523.png]: /images/20221004/ff6e4c7046834cd3965541fa6924a717.png
[d6b53b162234eb4d144385eec59f48c1.png]: /images/20221004/d7754c28a59146fea0cff71cce88e90c.png
[e4fcb774b559cc8a72833cc6a8b01c69.png]: /images/20221004/64a1c6e8164b4637bb62552dd0a9f796.png
[dde0303f71973ce67843b412236dd2a1.png]: /images/20221004/fc314a65539b461d89bb054e8a94b937.png
[acf117b3f3a04ea10b8626d3fc6cdb0f.png]: /images/20221004/666cf16d4f1843ed8c38d7d33d43f42a.png
[8da93b531ef7edf833cabbf2fbe8e761.png]: /images/20221004/a55ac9329ff74d25b2f7d07e1c30e9ff.png
[28147eede0765dd34673683836dea1d6.png]: /images/20221004/2cd13ed422104a59bd4a4fb6b2c1aa48.png
[49b964d8c6a93e268c7b296563196fc0.png]: /images/20221004/4b998a6507a3420d840d47cec2ef7d72.png