---
title: "Public Cloud Learning Sessions - Introduction to Artificial Intelligence (AI) Machine Learning (ML) - 20240206"
type: source
tags:
  - AI
  - ML
  - AWS
  - Machine-Learning
  - Serverless
date: 2024-02-06
---

## Source File
- [[raw/Cloud & DevOps/Public-Cloud-Learning-Sessions/09_Serverless_AI/public-cloud-learning-sessions-introduction-to-artificial-intelligence-ai-machin.md]]

## Summary
- 核心主题：AWS AI/ML 介绍与实践，生成式 AI 应用
- 问题域：企业如何采用 AI/ML 技术进行数字化转型
- 方法/机制：Amazon Bedrock、SageMaker、Foundation Models、ML Ops
- 结论/价值：AWS 提供完整的 AI/ML 工具链，降低企业采用门槛， Bedrock 是构建生成式 AI 应用的核心服务

## Key Claims
- AI 是复制需要人类智能才能完成的任务的系统，通常通过机器学习寻求概率性结果
- Amazon 投资机器学习 20 年，用于推荐系统、机器人技术、预测和 Alexa
- AWS 在四个领域帮助客户使用 AI：增强客户体验、支持更好决策、改善运营、创造新产品
- Amazon Bedrock 是全托管服务，可通过基础模型构建和扩展生成式 AI 应用
- ML Ops 结合机器学习和运营，涉及数据管道、训练管道和推理管道

## Key Quotes
> "We believe most customer experiences and applications will be reinvented with generative AI, powered by foundation models with billions of parameters."
> — Suraav Paul, AWS Senior Solutions Architect

> "AI is a way to describe any system that can replicate tasks that previously required human intelligence."

## Key Concepts
- [[AI]]：复制需要人类智能才能完成的任务的系统
- [[Machine Learning]]：使用数据创建决策逻辑或模型的 AI 子领域
- [[Foundation Model]]：基础模型，具有数十亿参数的大规模预训练模型
- [[Amazon Bedrock]]：全托管服务，用于使用基础模型构建生成式 AI 应用
- [[Amazon SageMaker]]：AWS 机器学习平台，用于构建、训练和部署模型
- [[ML Ops]]：机器学习运维，结合 ML 和 DevOps 实践
- [[RAG]]：检索增强生成，从公司数据源获取相关响应
- [[Fine-Tuning]]：使用标记数据集定制基础模型
- [[Responsible AI]]：负责任 AI，包括公平性、可解释性、健壮性、治理、透明度和隐私/安全

## Key Entities
- [[AWS]]：亚马逊云服务，提供 AI/ML 工具和服务
- [[Suraav Paul]]：AWS 高级解决方案架构师，本次演讲者

## Connections
- [[AWS]] ← provides ← [[Amazon Bedrock]]
- [[AWS]] ← provides ← [[Amazon SageMaker]]
- [[Machine Learning]] ← is_subcategory_of ← [[AI]]
- [[Foundation Model]] ← powers ← [[Generative AI]]
- [[RAG]] ← enhances ← [[Amazon Bedrock]]

## Contradictions
- 与本地模型部署方案对比：
  - 冲突点：数据隐私与模型控制权
  - 当前观点：Bedrock 提供托管环境，数据仅在请求响应周期存储
  - 对方观点：本地部署可完全控制模型和数据，但需要管理基础设施