簡單說，從熱電廠到需要供暖的家庭，中間需要一次網和二次網，所謂站端和戶端，其調控的策略受室外天氣以及建筑保溫等多種因素的影響，調控策略以往依靠人工來干預，需要大量的經驗積累。

通過與亞馬遜云科技的合作，借助Amazon SageMaker機器學習的平臺，淄博市熱力集團快速構建、訓練和部署了機器學習模型，通過氣象、工控數據、建筑物維護結構等數據的學習和訓練，訓練出來了最佳的供熱模式，完成了傳統供暖向智能化供暖的轉型。

對于供暖這個傳統產業而言，淄博市熱力集團訓練的這個智能供熱模型，明顯具有行業推廣價值。

智能化供暖模型只是一個例子。

Amazon SageMaker工具箱還有很多訓練好的模型。如Prime Video、StyleSnap和Amzone GO等。

這些模型大多與電商有關，主要來自于亞馬遜云科技對于亞馬遜電商平臺的支持，從物流優化、購物體驗，到基于Alexa智能語音體驗，有大量訓練好的模型。

“如果你要制造汽車，沒有必要從輪子開始做起。人工智能、機器學習也是如此，沒有必要從頭做起，有大量訓練好的模型，拿來使用就可以了?！鳖櫡舱f。

應該說，這些訓練好的模式是AI/ML工具箱的內容之一，適合普通用戶使用。

但還是有些用戶喜歡DIY，或者沒有現成的工具，需要自己動手訓練，對此，亞馬遜云科技也有適合的工具。

談到應用的現狀，上海音智達信息技術有限公司CEO孫曉臻指出：如今用戶對于數據的期望不斷提高，但對機器學習、數據分析效果的信心卻在不斷下降，所謂“結果二分法”。

“關鍵還在于能夠增加營收，同時降低機器學習的成本?！?孫曉臻說。

“如今大數據和人工智能的人才招聘和培養不易，開發技術難度越來越大，越是在這種情況下，越是需要提高系統部署的效率，降低系統的運維成本。要讓數據科學家的精力集中在業務上，沒有必要消耗在系統的搭建和維護?！彼^續補充說。

對于合作伙伴而言，使用Amazon SageMaker機器學習平臺，基于Web的機器學習IDE開發環境，將非常有助于以上目的實現，也是Amazon SageMaker帶來的價值。

在Amazon SegeMaker落地中國區域一周年之際，亞馬遜云科技又針對SegeMaker新增加了7大功能。

1、Amazon SageMaker Data Wranger，簡化機器學習的數據準備工作。通過該功能，客戶可以將各種數據存儲中的數據一鍵導入。Amazon SageMaker Data Wrangler內置了300多個數據轉換器，讓客戶無需編寫任何代碼，就可以對機器學習用到的特征進行規范化、轉換和組合。

2、Amazon SageMaker Feature Store，一個完全托管且專門構建的特征存儲庫，用于存儲、更新、檢索和共享機器學習特征?？蛻艨梢栽谄渲写鎯驮L問特征，以便更輕松地在各個團隊中對其進行命名、共享和重復使用。

3、Amazon SageMaker Pipelines是業界首個針對機器學習專門構建、易于使用的持續集成和持續交付服務，通過編排和自動化提高機器學習工作的效率。借助該服務，用戶可以大規模地創建、自動化和管理端到端機器學習工作流。

4、Amazon SageMaker Clarify讓機器學習開發人員可以更好地掌控其訓練數據和模型，從而識別和限制偏差并解釋做出相關預測的原因。

5、Amazon SageMaker Distributed training libraries為訓練大型深度學習模型和數據集提供了易用的方法，與現有分布式訓練實現相比，以最高快 40% 的速度完成分布式訓練，并且幫助用戶減少手動實施數據并行和模型并行策略所需時間。

6、 Amazon SageMaker Model Monitor幫助客戶時刻保持機器學習模型的準確性，它能夠自動檢測生產環境中部署的模型，并在檢測到不準確的預測時發出警報，從而幫助客戶維護高質量的機器學習模型。

7、Amazon SageMaker Debugger，可以通過實時捕獲訓練指標，自動識別機器學習訓練任務中正在出現的復雜問題，例如梯度值變得過大或過小等。它可以實時監控系資源(例如GPU、CPU、網絡和內存等)的利用率，幫助用戶提高資源利用率，對訓練過程中的資源瓶頸進行告警，讓開發者及時調度資源，快速采取糾正措施，減少時間和成本浪費。

其中，針對機器學習數據的檢測糾偏的功能，讓人印象深刻，可在理解模型預測的基礎上，防止模型過度取信于莫種類型數據。

此外，基于高性能機器學習推理芯片Amazon Inferentia的Amazon EC2 Inf1實例，也同期落地中國區域。

臨淵羨魚不如退而結網，機器學習也是如此!授人魚，不如授人以漁，如今，Amazon SageMaker準備好了!就看你的動手能力了!

趕快行動起來吧!用好機器學習，讓AI為業務創新賦能!