數字化轉型是千行百業的必然發展趨勢，且已經進入到了向各行各業全流程、全環節整體滲透的時期。大數據和人工智能深度融合，即數智融合，成為了企業數字化轉型歷程中最核心、最重要的能力。

數智融合，顧名思義，其關鍵因素是大數據技術和機器學習技術。大數據技術所提供的能力是機器學習建模所需要的必然基礎。同時，機器學習也能夠為大數據技術提供更高的智能，為商業業務產生價值。所以從用戶邏輯來看，大數據技術和機器學習技術本身互為因果。

眾多企業在利用數智融合加速驅動企業創新的過程中，面臨著一系列的挑戰。亞馬遜云科技依據多年的企業服務經驗，將這些挑戰總結為以下三點：

第一， 數據和機器學習分而治之，數據及技術孤島制約敏捷迭代；

第二， 數據處理能力不足。在生產制造企業，機器學習幫助客戶對產品售后維修需求進行預測，由被動響應變為主動規劃。但由于不具備足夠的大數據處理能力，模型開發成功后，不能夠有效收集處理海量的運營數據，致使預測不準確，無法達到預期業務目標；

第三， 數據分析人員參與度低?，F實情況經常是，模型在實驗環節效果良好，但實際使用中卻不盡人意，實驗環境只是對真實環境的簡單模擬，生產環境要復雜得多。

針對以上挑戰，亞馬遜云科技認為，企業應當在云中打造統一的數據基礎底座，來實現大數據和機器學習的雙劍合璧，為企業發展提供新動力。具體來說，企業應當首先建立統一融合的治理底座，如數據質量、數據權限、數據開發、數據工作流、可視化。其次，大數據和機器學習之間應該是高效充分的雙向互動，互為支撐，互為因果，形成正向循環。

實現數智融合所需的三大核心能力

為了實現數智融合，企業需要構建若干核心能力。亞馬遜云科技大中華區產品部總經理陳曉建將其總結為三點。

亞馬遜云科技大中華區產品部總經理陳曉建

首先是統一數據共享，讓數據資產化，打破數據孤島。一個好的、合理的大數據和機器學習融合架構，要建立一個統一融合的數據底座，包括數據質量、權限、開發、可視化。其中，大數據和機器學習這兩個技術不是孤立的，要實現二者高效、充分、雙向互動，才能形成雙向循環，真正實現數據融合。要實現這樣的目標，必須要做好三項工作：一是打造統一融合的治理底座，避免大數據和AI為了同樣的底座做重復的事情，增加復雜度，浪費資源成本。二是建立一個統一的數據采集的標準，統一的數據存儲標準，質量權衡標準，能夠讓數據在不同系統間流動。如果只做數據打通，而不做完善的細粒度的權限控制，開發團隊也不能放心的讓數據自由地在不同業務系統間進行流轉。三是統一開發和流程編排，從用戶的角度來說，從數據采集的時刻開始到最后算法落地，為業務所用，端到端的開發流程編排必須都是統一的。

第二，為機器學習提供生產級的數據處理能力。一個算法要從實驗走向實踐，最關鍵的一步是數據處理能力，因為只有具備海量的數據處理能力，才能把算法真正打磨成生產級別的，對業務可用的算法。要具備這樣的能力，首先要做的是“開放”，因為現實環境中，大部分數據都是異構的、多元的。底層大數據平臺要能夠對這些多元和異構的數據進行處理，因此，開放的引擎必不可少。其次，還需要靈活的平臺，不僅能實現對海量數據的處理，同時為了滿足生產的需求，能夠根據業務的負載進行靈活的底層資源的收縮，即所謂云的彈性能力。三是需要優化的數據質量，除了算法本身要優化，還需要通過大數據的技術，進行采集、清洗、查詢等能力，為機器學習提供高質量的數據源。

第三，能夠通過智能數據分析，統一技術和業務的價值。這意味著研發和業務并不是兩個割裂的，而是合作關系。AI機器學習能夠豐富智能分析的場景，通過AI和機器學習可以更好發揮數據的價值。比如互聯網用戶推薦系統的用戶畫像，通過機器學習可以從表面原始的業務數據抽象出用戶的標簽和畫像，供業務使用。很多企業的現狀是，作為業務人員（使用者），很難真正影響到算法的開發。如何使業務人員能夠通過自己平時使用的可視化工具，方便的調用算法能力，通過數據反向檢驗一下算法的效果，將極大提高智能數據分析的效率。更進一步，如果系統能力再強大一些，即使業務人員不懂算法，不會寫代碼，但是有數據和需求，就可以自己訓練算法，而不是通過研發才能訓練算法，這樣效率就會更高了。

“云、數、智三位一體”的亞馬遜云科技數智融合服務

針對以上挑戰，亞馬遜云科技推出了“云、數、智三位一體”的數智融合服務，幫助全球數十萬的用戶通過利用大數據和AI技術助力業務發展。

首先，亞馬遜云科技能幫助客戶構建統一的數據治理底座，實現大數據和機器學習的數據共享，數據權限的統一管控，以及兩者統一的開發和流程編排。Amazon Lake Formation推出諸多新功能，實現了數據網格跨部門的數據資產共享，以及基于單元格的最細粒度的權限控制機制。Amazon SageMaker Studio可一站式地完成數據開發、模型開發及相關的生產任務，該服務基于多種專門構建的服務，如交互式查詢服務Amazon Athena、云上大數據平臺Amazon Elastic MapReduce （Amazon EMR）、云數據倉庫服務Amazon Redshift、Amazon SageMaker等，為大數據和機器學習提供統一的開發平臺。

第二，機器學習項目成功的關鍵是對復雜的數據進行加工和準備。Amazon Athena能夠對支持多種開源框架的大數據平臺，包括Amazon EMR、高性能關系數據庫Amazon Aurora、NoSQL數據庫服務Amazon DynamoDB、Amazon Redshift等多種數據源，對這些數據源進行聯邦查詢，快速完成機器學習建模的數據加工。 以Amazon Redshift、Amazon Managed Streaming for Apache Kafka （Amazon MSK）和 Amazon EMR 為代表的無服務器分析能力，可以讓客戶無需配置、擴展或管理底層基礎設施，即可輕松地處理任何規模的數據，為機器學習項目提供兼具性能和成本效益的特征數據準備。

第三，亞馬遜云科技不斷提供更加智能的數據分析服務，賦能業務人員進行智能分析、模型效果驗證以及自主式創新。例如，在日常分析工具中集成機器學習模型預測能力，其中深度集成機器學習Amazon SageMaker模型預測能力的Amazon QuickSight 、在分析結果中添加基于模型預測的Amazon Athena ML，可幫助用戶使用熟悉的技術，甚至通過自然語言來使用機器學習。亞馬遜云科技還提供如Amazon Redshift ML、可視數據準備工具Amazon Glue DataBrew、零代碼化的機器學習模型工具 Amazon SageMaker Canvas等服務，讓業務人員探索機器學習建模。

亞馬遜云科技大中華區產品部技術專家團隊總監王曉野表示，機器學習和大數據的融合不僅僅是技術能解決的問題，亞馬遜云科技也堅持“授人以漁”，通過面向快速算法原型的數據實驗室的應用科學家、面向生產精度可用的模型訓練指導的機器學習解決方案實驗室，以及提供端到端咨詢及交付的專業服務團隊，通過不同分工的專家，和客戶肩并肩一起，幫助客戶探索機器學習與大數據融合挑戰時，共同學習優秀的企業在數據驅動轉型成功路上寶貴的經驗。