资料数据适得其所，Amazon构建完善资料架构

source：paixin.com

数据资料的重要性早已是企业未来最重要资产，资料数据的产生、储存、运算、分析与应用，并利用机器学习与深度学习建立推论；而Amazon作为全球最大公有云平台，对资料架构的建立不遗余力，希望能利用完善资料架构因应多元垂直应用领域。

Data Ingestion与Data Lake的重要性

Amazon对资料撷取和资料储存的建置相当重视，关键在于资料来源相当多元，而不同资料来源会产生不同资料格式，因此能收集来自不同来源(如CRM/ERP系统等)和不同格式(如时间序列/非时间序列)的Data Ingestion功能便相当重要，例如NFS、DMS等功能，可协助客户在进行大规模资料收集和储存时，能顺利将不同格式资料放入Data Lake中。

资料进入Data Lake后，便可进行更多资料服务与应用，包括视觉化、资料分析、建立人工智能模型等，亦可将机器学习先行置入于Data Lake前，可将资料先行分类与筛选；若是针对实时(Real-Time)需求的资料应用，则会以事件(Event)作为触发点，以进行资料处理或推论应用。

以IoT Core作为核心并导入AI进行Inference

Amazon现阶段针对IoT市场主要以Amazon IoT Core为核心，并作为边缘端与云端间的接口，边缘端(着重Sense与Act)包含Amazon Greengrass及Amazon FreeRTOS，目前与全球主要MCU厂商皆有紧密合作；在云端部分(着重Storage、Computing与Learn)，则有包含IoT Device Management、IoT Device Defender、IoT Analytics；借由边缘端与云端的串接，让IoT资料可从头至尾获得完善的储存与应用。

AI的导入则是Amazon未来发展重心，Amazon机器学习分3层，从底层往上至应用服务分别为ML Frameworks、ML Services、AI Services，Frameworks部分可支援GPU、CPU等主流硬件，以及现下市场上主流AI框架，例如Caffe2、TensorFlow；ML Services采用Amazon自家开发软件Amazon SageMaker及Amazon Mechanical Turk，协助客户AI模型的建置、训练、调校、部署。

随着AI模型的训练完成(客户可自行训练，亦可利用Amazon的AI Services进行快速导入)，可将AI模型部署进入边缘端，也就是利用Amazon Greengrass ML实现该目标，让应用场域可拥有更快的认知与反馈能力。

文丨拓墣产业研究院 刘耕睿