Maskininlärning i molnet hjälper företag att förnya sig

I samarbete med AWS

Under det senaste decenniet har maskininlärning blivit en välbekant teknik för att förbättra effektiviteten och noggrannheten i processer som rekommendationer, försörjningskedjans prognoser, utveckling av chatbots, bild- och textsökning och automatiserade kundtjänstfunktioner, för att nämna några. Maskininlärning idag blir ännu mer genomgripande och påverkar alla marknadssegment och branscher, inklusive tillverkning, SaaS-plattformar, hälsovård, bokningar och kundsupportdirigering, naturliga språkbearbetningsuppgifter (NLP) som intelligent dokumentbearbetning och till och med mattjänster.

Ta fallet med Domino's Pizza, som har använt verktyg för maskininlärning som skapats för att förbättra effektiviteten i pizzaproduktionen. Domino's hade ett projekt som hette Project 3/10, som syftade till att ha en pizza klar för hämtning inom tre minuter efter en beställning, eller få den levererad inom 10 minuter efter en beställning, säger Dr. Bratin Saha, vice vd och general manager för maskin. inlärningstjänster för Amazon AI. Om du vill nå dessa mål måste du kunna förutsäga när en pizzabeställning kommer in. De använder prediktiva maskininlärningsmodeller för att uppnå det.

Den senaste tidens ökning av maskininlärning inom olika branscher har drivits av förbättringar inom andra tekniska områden, säger Saha – inte minst den ökande beräkningskraften i molndatacenter.

Under de senaste åren, förklarar Saha, har den totala beräkningsmängden som kan användas för maskininlärningsproblem fördubblats nästan var fjärde månad. Det är 5 till 6 gånger mer än Moores lag. Som ett resultat utförs många funktioner som en gång bara kunde utföras av människor - saker som att upptäcka ett objekt eller förstå tal - av datorer och maskininlärningsmodeller.

På AWS fungerar allt vi gör tillbaka från kunden och tar reda på hur vi minskar deras smärtpunkter och hur vi gör det lättare för dem att göra maskininlärning. Längst ner i stacken av maskininlärningstjänster förnyar vi maskininlärningsinfrastrukturen så att vi kan göra det billigare för kunder att göra maskininlärning och snabbare för kunder att göra maskininlärning. Där har vi två AWS-innovationer. Den ena är Inferentia och den andra är Trainium.

De nuvarande användningsfallen för maskininlärning som hjälper företag att optimera värdet av sin data för att utföra uppgifter och förbättra produkter är bara början, säger Saha.

Maskininlärning kommer bara att bli mer genomgripande. Företag kommer att se att de i grunden kan förändra sättet de gör affärer på. De kommer att se att de i grunden förändrar kundupplevelsen, och de kommer att anamma maskininlärning.

Visa anteckningar och referenser

AWS Machine Learning Infrastructure

Fullständig avskrift

Laurel Ruma : Från MIT Technology Review, I'm Laurel Ruma. Det här är Business Lab, showen som hjälper företagsledare att förstå ny teknik som kommer ut från labbet och in på marknaden.

Vårt ämne idag är maskininlärning i molnet. Inom alla branscher kräver den exponentiella ökningen av datainsamling snabbare och nya sätt att analysera data, men också lära av det för att fatta bättre affärsbeslut. Detta är hur maskininlärning i molnet hjälper till att driva på innovation för företag, från nystartade företag till äldre spelare.

Två ord för dig: datainnovation. Min gäst är Dr. Bratin Saha, vice vd och chef för maskininlärningstjänster för Amazon AI. Han har haft ledande roller på NVIDIA och Intel. Det här avsnittet av Business Lab är producerat i samarbete med AWS. Välkommen, Bratin.

Bratin Saha : Tack för att du har mig, Laurel. Det är fantastiskt att vara här.

Laurel: Ovanifrån, kan du ge några exempel på hur AWS-kunder använder maskininlärning för att lösa sina affärsproblem?

Bratin : Låt oss börja med definitionen av vad vi menar med maskininlärning. Maskininlärning är en process där en dator och en algoritm kan använda data, vanligtvis historiska data, för att förstå mönster och sedan använda den informationen för att göra förutsägelser om framtiden. Företag har använt maskininlärning för att göra en mängd olika saker, som att anpassa rekommendationer, förbättra försörjningskedjans prognoser, skapa chatbots, använda det inom hälso- och sjukvården och så vidare.

Till exempel kunde Autodesk använda den maskininlärningsinfrastruktur vi har för deras chatbots för att förbättra deras förmåga att hantera förfrågningar med nästan fem gånger. De kunde använda de förbättrade chatbotarna för att svara på mer än 100 000 kundfrågor per månad.

Sedan finns det Nerd Wallet. Nerd Wallet är en privatekonomistartup som inte anpassade rekommendationerna de gav till kunder baserat på kundens preferenser. De använder nu AWS maskininlärningstjänster för att skräddarsy rekommendationerna efter vad en person faktiskt vill se, vilket avsevärt har förbättrat deras verksamhet.

Sedan har vi kunder som Thomson Reuters. Thomson Reuters är en av världens mest pålitliga leverantörer av svar, med team av experter. De använder maskininlärning för att bryta data för att ansluta och organisera information för att göra det lättare för dem att ge svar på frågor.

Inom finanssektorn har vi sett ett stort upptag i maskininlärningsapplikationer. Ett företag, till exempel, är en betaltjänstleverantör, kunde bygga en modell för upptäckt av bedrägerier på bara 30 minuter.

Anledningen till att jag ger dig så många exempel är för att visa hur maskininlärning blir genomgripande. Det går över geos, går över marknadssegment och används av företag av alla slag. Jag har några andra exempel som jag vill dela för att visa hur maskininlärning också berör industrier som tillverkning, matleverans och så vidare.

Domino's Pizza hade till exempel ett projekt som hette Projekt 3/10, där de ville ha en pizza klar för avhämtning inom tre minuter efter en beställning, eller få den levererad inom 10 minuter efter en beställning. Om du vill nå dessa mål måste du kunna förutsäga när en pizzabeställning kommer in. De använder maskininlärningsmodeller för att titta på beställningars historia. Sedan använder de maskininlärningsmodellen som tränades på den orderhistoriken. De kunde sedan använda det för att förutsäga när en order skulle komma in, och de kunde distribuera detta till många butiker, och de kunde träffa målen.

Maskininlärning har blivit genomgående i hur våra kunder gör affärer. Det börjar antas i praktiskt taget alla branscher. Vi har fler än flera hundra tusen kunder som använder våra maskininlärningstjänster. En av våra maskininlärningstjänster, Amazon SageMaker, har varit en av de snabbast växande tjänsterna i AWS historia.

Laurel : Bara för att sammanfatta kan kunder använda maskininlärningstjänster för att lösa ett antal problem. Några av problemen på hög nivå skulle vara en rekommendationsmotor, bildsökning, textsökning och kundservice, men sedan också att förbättra kvaliteten på själva produkten.

Jag gillar Domino's Pizza-exemplet. Alla förstår hur en pizzaaffär kan fungera. Men om målet är att vända pizzor så snabbt som möjligt, för att öka den kundnöjdheten, var Domino's tvungen att vara på ett ställe för att samla in data, kunna analysera den historiska informationen om när beställningar kom in, hur snabbt de vände dessa beställningar, hur ofta folk beställde vad de beställde, et cetera. Det var vad prediktionsmodellen baserades på, eller hur?

Bratin : Ja. Du ställde en fråga om hur vi tänker kring maskininlärningstjänster. Om du tittar på AWS maskininlärningsstacken ser vi det som en treskiktstjänst. Det undre lagret är maskininlärningsinfrastrukturen.

Vad jag menar med detta är att när du har en modell tränar du modellen att förutsäga något. Då är förutsägelserna där du gör det här som kallas slutledning. I bottenskiktet tillhandahåller vi den mest optimerade infrastrukturen, så att kunderna kan bygga sina egna maskininlärningssystem.

Sedan finns det ett lager ovanpå det där kunderna kommer och säger till oss: 'Vet du vad? Jag vill bara fokusera på maskininlärning. Jag vill inte bygga en maskininlärningsinfrastruktur.' Det är här Amazon SageMaker kommer in.

Sedan finns det ett lager ovanpå det, som är vad vi kallar AI-tjänster, där vi har förutbildade modeller som kan användas för många användningsfall.

Så vi ser på maskininlärning som tre lager. Olika kunder använder tjänster på olika nivåer, baserat på vad de vill ha, baserat på vilken typ av datavetenskaplig expertis de har och baserat på vilken typ av investeringar de vill göra.

Den andra delen av vår syn går tillbaka till det du nämnde i början, vilket är data och innovation. Maskininlärning handlar i grunden om att få insikter från data och att använda dessa insikter för att göra förutsägelser om framtiden. Sedan använder du dessa förutsägelser för att härleda affärsvärde.

När det gäller Domino's Pizza finns det data kring historiska ordningsmönster som kan användas för att förutsäga framtida ordningsmönster. Affärsvärdet där är att förbättra kundservicen genom att få beställningar klara i tid. Ett annat exempel är Freddy's Frozen Custard, som använde maskininlärning för att anpassa menyer. Som ett resultat av det kunde de få en tvåsiffrig försäljningsökning. Så det handlar egentligen om att ha data och sedan använda maskininlärning för att få insikter från den datan. När du har fått insikter från dessa data använder du dessa insikter för att skapa bättre affärsresultat. Detta går tillbaka till det du nämnde i början: du börjar med data och sedan använder du maskininlärning för att förnya ovanpå det.

Laurel : Vilka är några av utmaningarna som organisationer har när de börjar sina resor med maskininlärning?

Bratin : Det första är att samla in data och se till att den är väl strukturerad – ren data – som inte har många avvikelser. Sedan, eftersom maskininlärningsmodeller vanligtvis blir bättre om du kan träna dem med mer och mer data, måste du fortsätta att samla in enorma mängder data. Vi ser ofta kunder som skapar datasjöar i molnet, som till exempel på Amazon S3. Så det första steget är att få ordning på din data och sedan potentiellt skapa datasjöar i molnet som du kan använda för att mata din databaserade innovation.

Nästa steg är att få rätt infrastruktur på plats. Det är där som vissa kunder säger: 'Titta, jag vill bara bygga hela infrastrukturen själv', men de allra flesta kunder säger: 'Titta, jag vill bara kunna använda en hanterad tjänst för jag vill inte måste investera i att bygga infrastrukturen och underhålla infrastrukturen och så vidare.

Nästa är att välja ett affärscase. Om du inte har gjort maskininlärning tidigare, då vill du komma igång med ett affärscase som leder till ett bra affärsresultat. Det som ofta kan hända med maskininlärning är att se att det är coolt, göra några riktigt coola demos, men de översätts inte till affärsresultat, så du startar experiment och får inte riktigt det stöd du behöver.

Slutligen behöver du engagemang eftersom maskininlärning är en mycket iterativ process. Du tränar en modell. Den första modellen du tränar kanske inte ger dig de resultat du önskar. Det finns en process av experiment och iteration som du måste gå igenom, och det kan ta dig några månader att få resultat. Så att sätta ihop ett team och ge dem det stöd de behöver är den sista delen.

Om jag skulle behöva sätta detta i termer av en sekvens av steg, är det viktigt att ha data och en datakultur. Det är viktigt i de flesta fall för kunder att välja att använda en hanterad tjänst för att bygga och träna sina modeller i molnet, helt enkelt för att du får lagring mycket enklare och du får mycket lättare att beräkna. Det tredje är att välja ett användningsfall som kommer att ha affärsvärde, så att ditt företag vet att detta är något som du vill implementera i stor skala. Och sedan, slutligen, ha tålamod och var villig att experimentera och iterera, eftersom det ofta tar lite tid att få den data du behöver för att träna modellerna väl och faktiskt få affärsvärdet.

Laurel : Okej, för det är inte något som händer över en natt.

Bratin : Det händer inte över en natt.

Laurel : Hur förbereder sig företag för att dra nytta av data? För, som du sa, detta är en process i fyra steg, men du måste fortfarande ha tålamod i slutet för att vara iterativ och experimentell. Har du till exempel idéer om hur företag kan tänka på sin data på ett sätt som gör dem bättre förberedda på att se framgång, kanske med sitt första experiment, och sedan kanske vara lite mer äventyrliga när de provar andra datamängder eller andra sätt att närma sig data?

Bratin : Ja. Företag brukar börja med ett användningsfall där de har en historia av att ha bra data. Vad jag menar med en historia av att ha bra data är att de har ett register över transaktioner som har gjorts, och de flesta uppgifterna är korrekta. Du har till exempel inte många tomma posttransaktioner.

Typiskt sett har vi sett att nivån på datamognad varierar mellan olika delar av ett företag. Du börjar med den del av ett företag där datakulturen är mycket mer utbredd. Du börjar därifrån så att du har ett register över historiska transaktioner som du lagrat. Du vill verkligen ha ganska tät data att använda för att träna dina modeller.

Laurel : Varför är det nu rätt tid för företag att börja tänka på att implementera maskininlärning i molnet?

Bratin : Jag tror att det är ett sammanflöde av faktorer som händer nu. En är att maskininlärning under de senaste fem åren verkligen har tagit fart. Det beror på att mängden tillgänglig dator har ökat i en mycket snabb takt. Om man går tillbaka till IT-revolutionen så drevs IT-revolutionen av Moores lag. Enligt Moores lag fördubblades beräkningen var 18:e månad.

Under de senaste åren har mängden total beräkning fördubblats nästan var fjärde månad. Det är fem gånger mer än Moores lag. Mängden framsteg vi har sett under de senaste fyra till fem åren har verkligen varit fantastisk. Som ett resultat utförs många funktioner som en gång bara kunde utföras av människor - som att upptäcka ett objekt eller förstå tal - av datorer och maskininlärningsmodeller. Som ett resultat av det frigörs många möjligheter. Det är vad som har lett till denna enorma ökning av tillämpbarheten av maskininlärning – du kan använda den för personalisering, du kan använda den inom hälsovård och finans, du kan använda den för uppgifter som churn-förutsägelse, bedrägeriupptäckt och så vidare.

En anledning till att det nu är ett bra tillfälle att komma igång med maskininlärning i molnet är bara den enorma mängd framsteg under de senaste åren som släpper lös dessa nya funktioner som tidigare inte var möjliga.

Det andra skälet är att många av maskininlärningstjänsterna som byggs i molnet gör maskininlärning tillgängligt för många fler. Även om man tittar på fyra till fem år sedan var maskininlärning något som bara mycket expertutövare kunde göra och bara en handfull företag kunde göra eftersom de hade expertutövare. Idag har vi mer än hundra tusen kunder som använder våra maskininlärningstjänster. Det säger dig att maskininlärning har demokratiserats i stor utsträckning, så att många fler företag kan börja använda maskininlärning och omvandla sin verksamhet.

Sedan kommer det tredje skälet, vilket är att du har fantastiska möjligheter som nu är möjliga, och du har molnbaserade verktyg som demokratiserar dessa möjligheter. Det enklaste sättet att få tillgång till dessa verktyg och dessa funktioner är genom molnet eftersom det för det första ger grunden för beräkning och data. Maskininlärning handlar i sin kärna om att slänga mycket beräkning på data. I molnet får du tillgång till den senaste datorn. Du betalar allt eftersom, och du behöver inte göra stora investeringar i förväg för att sätta upp datoranläggningar. Du får också all lagring och säkerhet och integritet och kryptering, och så vidare—all den där kärninfrastrukturen som behövs för att få igång maskininlärning.

Laurel : Så Bratin, hur utvecklar AWS för att hjälpa organisationer med maskininlärning, modellträning och slutledning?

Bratin : På AWS fungerar allt vi gör tillbaka från kunden och tar reda på hur vi minskar deras smärtpunkter och hur vi gör det lättare för dem att göra maskininlärning. Längst ner i stacken av maskininlärningstjänster förnyar vi maskininlärningsinfrastrukturen så att vi kan göra det billigare för kunder att göra maskininlärning och snabbare för kunder att göra maskininlärning. Där har vi två AWS-innovationer. Den ena är Inferentia och den andra är Trainium. Dessa är anpassade chips som vi designade på AWS som är specialbyggda för slutledning, vilket är processen att göra förutsägelser om maskininlärning, och för utbildning. Inferentia ger idag de lägsta kostnadsförekomsterna i molnet. Och Trainium, när det blir tillgängligt senare i år, kommer att tillhandahålla de mest kraftfulla och mest kostnadseffektiva träningstillfällena i molnet.

Vi har ett antal kunder som använder Inferentia idag. Autodesk använder Inferentia för att vara värd för sina chatbot-modeller, och de kunde förbättra kostnaden och fördröjningen med nästan fem gånger. Airbnb har över fyra miljoner värdar som välkomnar mer än 900 miljoner gäster i nästan alla länder. Airbnb såg en tvåfaldig förbättring av genomströmningen genom att använda Inferentia-instanserna, vilket innebär att de kunde betjäna nästan dubbelt så många förfrågningar om kundsupport än de annars skulle ha kunnat göra. Ett annat företag som heter Sprinklr utvecklar en SaaS-plattform för kundupplevelse, och de har en AI-driven enhetlig plattform för hantering av kundupplevelser. De kunde distribuera de naturliga språkbehandlingsmodellerna i Inferentia, och de såg också betydande prestandaförbättringar.

Även internt kunde vårt Alexa-team flytta över sina slutsatser från GPU:er till Inferentia-baserade system, och de såg mer än 50 % förbättring av kostnaden på grund av dessa Inferentia-baserade system. Så det har vi på det lägsta lagret av infrastrukturen. Utöver det har vi de hanterade tjänsterna, där vi förnyar oss så att kunderna blir mycket mer produktiva. Det är där vi har SageMaker Studio, som är världens första IDE, som erbjuder verktyg som debuggers och profiler och förklarabarhet, och en mängd andra verktyg – som ett visuellt dataförberedande verktyg – som gör kunderna mycket mer produktiva. På toppen av det har vi AI-tjänster där vi tillhandahåller förutbildade modeller för användningsfall som sökning och dokumentbearbetning – Kendra för sökning, Textract för dokumentbehandling, bild- och videoigenkänning – där vi förnyar för att göra det enklare för kunderna för att ta itu med dessa användningsfall direkt.

Laurel : Så, det finns säkert vissa fördelar för maskininlärningstjänster i molnet – som förbättrad kundservice, förbättrad kvalitet och förhoppningsvis ökad vinst, men vilka nyckeltal är viktiga för framgången för maskininlärningsprojekt, och varför är just dessa indikatorer så viktiga?

Bratin : Vi arbetar tillbaka från kunden, arbetar tillbaka från smärtpunkterna baserat på vad kunderna berättar för oss, och uppfinner på uppdrag av kunderna för att se hur vi kan förnya oss för att göra det lättare för dem att göra maskininlärning. En del av maskininlärning, som jag nämnde, är förutsägelser. Ofta ligger den stora kostnaden för maskininlärning i termer av infrastruktur i slutsatsen. Det är därför vi kom ut med Inferentia, som idag är de mest kostnadseffektiva maskininlärningsinstanserna i molnet. Så vi förnyar oss på hårdvarunivå.

Vi tillkännagav också Tranium. Det kommer att vara de mest kraftfulla och mest kostnadseffektiva träningstillfällena i molnet. Så vi förnyar först på infrastrukturlagret så att vi kan ge kunderna den mest kostnadseffektiva beräkningen.

Därefter har vi tittat på smärtpunkterna för vad som krävs för att bygga en ML-tjänst. Du behöver datainsamlingstjänster, du behöver ett sätt att sätta upp en distribuerad infrastruktur, du behöver ett sätt att sätta upp ett slutledningssystem och kunna automatiskt skala det, och så vidare. Vi har funderat mycket på hur vi ska bygga denna infrastruktur och innovation kring kunderna.

Sedan har vi tittat på några av användningsfallen. Så för många av dessa användningsfall, oavsett om det är sökning, eller objektigenkänning och detektering, eller intelligent dokumentbehandling, har vi tjänster som kunderna kan använda direkt. Och vi fortsätter att förnya på deras vägnar. Jag är säker på att vi kommer att komma med många fler funktioner i år och nästa år för att se hur vi kan göra det enklare för våra kunder att använda maskininlärning.

Laurel : Vilka nyckeltal är viktiga för framgången med maskininlärningsprojekt? Vi pratade lite om hur du gillar att förbättra kundservice och kvalitet, och naturligtvis öka vinsten, men att tilldela en KPI till en maskininlärningsmodell, det är något annat. Och varför är de så viktiga?

Bratin : För att tilldela KPI:erna måste du arbeta tillbaka från ditt användningsfall. Så låt oss säga att du vill använda maskininlärning för att minska bedrägerier. Din övergripande nyckeltal är, vad var minskningen av upptäckten av bedrägerier? Eller låt oss säga att du vill använda den för att reducera churn. Du driver ett företag, dina kunder kommer, men ett visst antal av dem håller på att trilla av. Du vill sedan börja med, hur minskar jag min kundförlust med någon procent? Så du börjar med KPI på toppnivå, vilket är ett affärsresultat som du vill uppnå, och hur du får en förbättring av det affärsresultatet.

Låt oss ta exemplet med churn-prediktion. I slutet av dagen, vad som händer är att du har en maskininlärningsmodell som använder data och mängden träning den behövde för att göra vissa förutsägelser kring vilken kund som kommer att churna. Det handlar alltså om modellens noggrannhet. Om modellen säger att 100 personer kommer att churna, hur många av dem churnar egentligen? Så det blir en fråga om noggrannhet. Och då vill man också titta på hur väl maskininlärningsmodellen upptäckte alla fall.

Så det finns två aspekter av kvalitet som du letar efter. En är, av de saker som modellen förutspådde, hur många av dem som faktiskt hände? Låt oss säga att den här modellen förutspådde att dessa 100 kunder kommer att tappa. Hur många av dem slutar egentligen? Och låt oss bara säga att 95 av dem faktiskt slutar. Så du har 95% precision där. Den andra aspekten är, anta att du driver den här verksamheten och att du har 1 000 kunder. Och låt oss säga att under ett visst år har 200 av dem hoppat av. Hur många av dessa 200 förutspådde modellen att de faktiskt skulle sluta? Det kallas återkallelse, vilket är, givet den totala mängden, hur mycket kan maskininlärningsmodellen förutsäga? Så, i grund och botten, utgår du från det här affärsmåttet, vilket är det resultat jag vill få, och sedan kan du omvandla detta till modellnoggrannhetsmått när det gäller precision, vilket är hur exakt modellen var i att förutsäga vissa saker, och sedan återkalla, vilket är hur uttömmande eller hur omfattande modellen var för att upptäcka alla situationer.

Så på en hög nivå är det de här sakerna du letar efter. Och sedan går du ner till mätvärden på lägre nivå. Modellerna körs på vissa instanser på vissa datorer: vad var infrastrukturkostnaden och hur minskar jag dessa kostnader? Dessa tjänster, till exempel, används för att hantera överspänningar under Prime Day eller Black Friday, och så vidare. Så, då kommer du till de där lägre nivåerna, som är, kan jag hantera ökningar i trafiken? Det är verkligen en hierarkisk uppsättning nyckeltal. Börja med affärsmåttet, gå ner till modellmåttet och gå sedan ner till infrastrukturmåttet.

Laurel : När du tänker på maskininlärning i molnet under de kommande tre till fem åren, vad ser du då? Vad tänker du på? Vad kan företagen göra nu för att förbereda sig för det som kommer?

Bratin : Jag tror att det som kommer att hända är att maskininlärning kommer att bli mer genomgripande. För vad som kommer att hända är att kunderna kommer att se att de i grunden kan förändra sättet att göra affärer. Företag kommer att se att de i grunden förändrar kundupplevelsen, och de kommer att anamma maskininlärning. Vi har sett det på Amazon också – vi har en lång historia av att investera i maskininlärning. Vi har gjort detta i mer än 20 år, och vi har förändrat hur vi servar kunder med amazon.com eller Alexa eller Amazon Go, Prime. Och nu med AWS, där vi har tagit denna kunskap som vi har fått under de senaste två decennierna av att implementera maskininlärning i stor skala och gör den tillgänglig för våra kunder nu. Så jag tror att vi kommer att se ett mycket snabbare utnyttjande av maskininlärning.

Sedan kommer vi att se många breda användningsfall som intelligent dokumentbehandling, mycket pappersbaserad bearbetning, kommer att bli automatiserad eftersom en maskininlärningsmodell nu kan skanna dessa dokument och härleda information från dem – härleda semantisk information, inte bara syntaxen. Om du tänker på pappersbaserade processer, oavsett om det är lånehantering och bolånehantering, kommer mycket av det att bli automatiserat. Sedan ser vi också att företag blir mycket mer effektiva när det gäller personalisering som prognoser, försörjningskedjans prognoser, efterfrågeprognoser och så vidare.

Vi ser en hel del användning av maskininlärning inom hälsa. Vi har kunder, GE till exempel använder en maskininlärningstjänst för radiologi. De använder maskininlärning för att skanna röntgenbilder för att avgöra vilka som är mer allvarliga, och därför vill du få patienterna tidigt. Vi ser också potential och möjligheter för att använda maskininlärning inom genomik för precisionsmedicin. Så jag tror att mycket innovation kommer att hända med maskininlärning inom vården.

Vi kommer att se mycket maskininlärning inom tillverkning. Många tillverkningsprocesser kommer att bli effektivare, automatiseras och bli säkrare på grund av maskininlärning.

Så jag ser att under de kommande fem till tio åren, välj vilken domän som helst – som sport, NFL, NASCAR, Bundesliga, de använder alla våra maskininlärningstjänster. NFL använder Amazon SageMaker för att ge sina fans en mer uppslukande upplevelse genom Next Gen Stats. Bundesliga använder våra maskininlärningstjänster för att göra en rad förutsägelser och ge en mycket mer uppslukande upplevelse. Samma sak med NASCAR. NASCAR har mycket datahistorik från sina lopp, och de använder den för att träna modeller för att ge sina tittare en mycket mer uppslukande upplevelse eftersom de mycket lättare kan förutse vad som kommer att hända. Så sport, underhållning, finansiella tjänster, hälsovård, tillverkning – jag tror att vi kommer att se mycket mer utnyttjande av maskininlärning och göra världen till en smartare, hälsosammare och säkrare plats.

Laurel : Vilket bra samtal. Tack så mycket, Bratin för att du är med på Business Lab.

Bratin : Tack. Tack för att jag fick komma. Det var riktigt trevligt att prata med dig.

Laurel : Det var Dr. Bratin Saha, Vice President och General Manager för Machine Learning Services för Amazon AI, som jag pratade med från Cambridge, Massachusetts, hemmet för MIT och MIT Technology Review med utsikt över Charlesfloden. Det var allt för det här avsnittet av Business Law. Jag är din värd, Laurel Ruma. Jag är chef för Insights, avdelningen för anpassad publicering av MIT Technology Review. Vi grundades 1899 vid Massachusetts Institute of Technology. Och du kan också hitta oss i tryck på webben och vid evenemang varje år runt om i världen. För mer information om oss och showen, kolla in vår hemsida på technologyreview.com. Den här showen är tillgänglig var du än får dina poddar. Om du gillar det här avsnittet hoppas vi att du tar dig tid att betygsätta och recensera oss. Business Lab är en produktion av MIT Technology Review. Det här avsnittet producerades av Collective Next. Tack för att du lyssna.

Dölj