AWS AI Services 完整介紹：13 大應用領域與代表服務一次看懂

1 前言

AWS 全名為 Amazon Web Service，是 Amazon 旗下的雲端運算平台，提供從運算、儲存到機器學習的各種雲端服務。其中機器學習這一塊，AWS 的工具數量多到第一次看會有點眼花。

從上圖可以看到，AWS 在 Machine Learning 領域的產品大致分成五個面向：AI Services、ML Services、ML Infrastructure、Frameworks 與 Getting Started。這五層由上而下，抽象程度越來越低、要自己動手的部分越來越多。最上層的 AI Services 是包裝好的現成服務，呼叫 API 就能用；越往下走，就越接近自己訓練模型、自己管理運算資源。

本文聚焦在最上層的 AI Services，說明它涵蓋哪些應用領域，以及每個領域的代表性服務在做什麼。

2 AWS AI Services

如上圖所示，AWS 的 AI Services 依使用情境分成 13 個應用領域。它最大的價值在於：開發者不需要自己走完一遍「機器學習五步驟」（定義問題、準備資料、訓練模型、評估模型、模型推論），就能直接把 AI 的能力接進自己的應用程式裡。模型是 AWS 訓練好的，你要做的只是準備輸入、接收輸出。

說白了，這一層適合的情境是「我的問題別人已經解過了」。如果你的需求是語音轉文字、人臉偵測、商品推薦這類通用任務，自己從頭訓練模型多半不划算；反過來說，如果問題和你的業務資料高度綁定，那才需要往下一層的 ML Services 走。

以下依序看過這 13 個應用領域。

2.1 HEALTH AI

如果你有看病的經驗，應該對這個畫面不陌生：醫生一邊問診，手指一邊不停敲鍵盤。醫生必須把診斷內容打成文字檔，作為開藥的依據，注意力因此被鍵盤分走一半。Amazon Transcribe Medical 就是為了解決這件事，它用 Speech Recognition 技術把醫生與病人的對話轉成文字檔，省去手動記錄的工作，讓醫生把注意力放回病人身上。

2.2 INDUSTRIAL AI

在工業場域，Amazon Monitron 透過 Sensor 搭配資料分析平台，預測機器什麼時候會出問題。能提前預測機器 crash 的時間，就能事先安排維修，避免整條產線停擺造成的損失。

2.3 ANOMALY DETECTION

Anomaly 中文是「異常」，這個領域講的就是異常偵測。Amazon Lookout for Metrics 可以用來偵測商業數據中的異常，例如銷售數據突然下滑、顧客滿意度突然掉一截。

2.4 CHATBOT

透過 Amazon Lex，可以快速在應用程式中導入聊天機器人。

2.5 PERSONALIZATION

在個人化精準推薦這一塊，Amazon Personalize 讓開發者建立自己的推薦系統，常見的應用領域包含零售、娛樂與媒體平台。

2.6 FORECASTING

Amazon Forecast 提供時間序列預測服務，幫助企業預測未來數據的變化，像是下個季度的銷售額、產品需求量。

2.7 FRAUD

Amazon Fraud Detector 用於偵測線上詐騙。線上詐騙的型態很多樣，帳戶註冊、線上付款等環節都可能是下手的地方。

2.8 CODE DEVELOPMENT

Amazon CodeGuru 幫助開發者提升程式碼品質，並找出所謂的 “expensive” code，也就是那些拖慢效能的段落。

2.9 VISION

視覺方面，Amazon Rekognition 能夠迅速定位出照片與影片中的人臉。

2.10 SPEECH

Amazon Polly 能夠把文字轉成逼真的說話聲音。

2.11 TEXT

Amazon Textract 能夠從照片、掃描後的文件中萃取出文字。相較於一般的 OCR 技術，Textract 的差別在於它看得懂表格結構，能把表格中的資料對應關係一併取出來。

2.12 CONTACT CENTER

Contact Lens 能夠分析客服人員與顧客之間的對話內容，從對話中判讀當下的情緒與問題，最後再把對話內容分類歸檔。

2.13 SEARCH

Amazon Kendra 是一項智慧搜尋服務，能幫助使用者從整個網站中快速找出問題的答案。

一次看完 13 項容易記不住，這裡整理成一張對照表方便日後查找：

（這份清單反映的是 2022 年當時的服務組合，AWS 的 AI 產品線更新頻繁，實際使用前建議再對一次官方文件。）

3 結論

本篇介紹了 AWS 提供的 AI Services，說明這 13 個應用領域各自的代表性服務與適用情境。這一層的重點在於「不用自己訓練模型」，把通用的 AI 能力當成 API 來呼叫。下一篇文章將往下一層走，介紹需要自己處理資料與模型的 AWS ML Services。