埃森哲亞馬遜：數(shù)據(jù)驅動型企業(yè)發(fā)展要務與構建路徑 -云筑底座 數(shù)創(chuàng)價值

2云筑底座數(shù)創(chuàng)價值01.01.數(shù)字化轉型提速，云釋放數(shù)據(jù)價值030602.030603.建立現(xiàn)代化的云上數(shù)據(jù)資產(chǎn)0704.制定科學的“云原生數(shù)據(jù)戰(zhàn)略”，成為數(shù)據(jù)驅動型企業(yè)05.云上數(shù)據(jù)服務及人工智能突破既往局限，推動業(yè)務創(chuàng)新06.云數(shù)據(jù)現(xiàn)代化成功案例2007.3云筑底座數(shù)創(chuàng)價值100%95%90%85%80%75%70%65%100%95%90%85%80%75%70%65%根據(jù)埃森哲2021年研究調(diào)查，自新冠疫情數(shù)字化轉型投資力度的企業(yè)可以更快地提升系統(tǒng)成熟度和創(chuàng)情暴發(fā)后的一年中取得高于競爭對手四至五倍技術的擴大投入能幫助企業(yè)加強韌性、提升效全部樣品企業(yè)數(shù)量：第一次調(diào)研8356家，第二次調(diào)研4300家云IT物聯(lián)網(wǎng)人工智能整體情況與自動化新興技術60%(DevSecOps)、無服務器計算(ServerlessComputing)、云原和Kubernetes系統(tǒng)、微服務架構、分布式日志/事件中心、響應/時間驅動架構、功能即服務(FaaS)設施即服務(Iaas)、平臺即服務(PaaS)、混合云析14云筑底座數(shù)創(chuàng)價值業(yè)亟待將數(shù)據(jù)轉變?yōu)榍罢靶远匆娂安町惢Y產(chǎn)，而數(shù)字化轉型的關鍵催化劑?云計算能夠使企業(yè)輕松測試和驗證新想法，重構基礎設企業(yè)最終將蛻變?yōu)樵圃髽I(yè)，通過對基礎設。產(chǎn)數(shù)據(jù)是企業(yè)運營變革和構建競爭優(yōu)勢的核和重要資源。到2022年，90%的企業(yè)戰(zhàn)略明確將數(shù)據(jù)作為關鍵的企業(yè)資產(chǎn)。3打造企業(yè)的數(shù)的分散數(shù)據(jù)分析者往往需要類并分析應用。數(shù)據(jù)資產(chǎn)化可形成共同的數(shù)據(jù)資產(chǎn)會漸漸成為企業(yè)的戰(zhàn)略資產(chǎn)，企業(yè)將強化對其分析洞察，進而極大地提升隨著數(shù)普遍承認數(shù)據(jù)的價值，并且正在使用更先進的97%的數(shù)據(jù)尚未被企業(yè)使用，超過87%的企業(yè)在商業(yè)智能和數(shù)據(jù)分析領域的成熟度偏低。4傳統(tǒng)的各種專有系統(tǒng)數(shù)據(jù)來源在業(yè)務邏輯和規(guī)則報告所需數(shù)據(jù)轉換周期升級為現(xiàn)代化、面向5云筑底座數(shù)創(chuàng)價值業(yè)務發(fā)展數(shù)”轉型指紋、攝像頭、自動駕駛等傳感器和RFID前端換成數(shù)據(jù)后予以存儲。數(shù)據(jù)存儲已由原來的存儲在獨立服務器上，向存儲在云(私有云或公有云)上轉型，以降低建設費用、維護費用及安全性按照業(yè)務變化及時響應業(yè)務對數(shù)據(jù)存取的需和安全性極高的云。云上提供了全面的數(shù)據(jù)存儲和處理的工具，基于云上數(shù)據(jù)服務消除數(shù)據(jù)在云上更容易構建一個打破數(shù)據(jù)孤島捷地進行創(chuàng)新。將寶貴的IT資源集中開發(fā)企業(yè)6云筑底座數(shù)創(chuàng)價值02以及激發(fā)埃森哲現(xiàn)正幫助某知名國際運動用品公司提升式能夠更簡潔、更構建和優(yōu)化數(shù)據(jù)模型以靈活響應客戶需求，同時確保數(shù)據(jù)安全及監(jiān)管要求。為遵守各種數(shù)據(jù)安全及監(jiān)管法律法規(guī)，在處理客戶數(shù)據(jù)時，必須使用優(yōu)化的隱私保護、數(shù)據(jù)安全和治理措施；利用新技術、新模型為未來的業(yè)務建立靈活的數(shù)據(jù)能力。埃森哲在幫助該運動用品公司數(shù)據(jù)上云的同時，對數(shù)據(jù)模型進行了優(yōu)化及重構，使得數(shù)據(jù)更易于業(yè)務部門使用，對數(shù)據(jù)處理過程也強化其標準化和安全機制，以提升數(shù)新通過打破孤島和擴展數(shù)據(jù)訪問來實現(xiàn)強大遜云科技各種大報告顯示，全世界每天生成的數(shù)據(jù)量高達五百兆億字節(jié)。5然而，能夠利用自身和外部數(shù)據(jù)打造競爭優(yōu)勢的企業(yè)寥寥無幾。調(diào)查發(fā)現(xiàn)，84%企業(yè)缺乏云上數(shù)據(jù)平臺的能力，6他們往往高質量洞察結論以企業(yè)已經(jīng)意識到基于云的現(xiàn)代化數(shù)據(jù)平臺鍵舉措。埃森業(yè)與成為“數(shù)據(jù)驅7云筑底座數(shù)創(chuàng)價值03鍵業(yè)務決策的根本們將基于云的數(shù)據(jù)和預測性分析作為重中之重，、前瞻性規(guī)劃和持利能力、客戶獲取相較于部分從一開始就積極采用云計算的性以及基于對數(shù)據(jù)上云進行發(fā)Consumption)進行自動化遷移，最后淘汰遺留門構建的數(shù)據(jù)產(chǎn)品產(chǎn)品規(guī)則、數(shù)據(jù)生云計算為服務現(xiàn)代大障礙。企業(yè)應采成長與創(chuàng)新：在整個業(yè)務中實現(xiàn)AI模型的驗室實現(xiàn)精益實化和素養(yǎng)在整個?定制化的云上數(shù)據(jù)架構可實現(xiàn)實時地數(shù)據(jù)捕獲，縮短數(shù)據(jù)處理時間最多可達50%能數(shù)據(jù)埃森哲的云數(shù)據(jù)現(xiàn)代化策略將幫助企業(yè)完8云筑底座數(shù)創(chuàng)價值活動遷移旅程視化支持系統(tǒng)視化4.轉型辦公室：管理和計劃以減少預算和風險5.POC：為客戶進行試驗的實驗室環(huán)境活動遷移旅程視化支持系統(tǒng)視化4.轉型辦公室：管理和計劃以減少預算和風險5.POC：為客戶進行試驗的實驗室環(huán)境云數(shù)據(jù)現(xiàn)代化的首要環(huán)節(jié)是數(shù)據(jù)遷移上云，具體可參考4種遷移模式?托管重移(Re-host)、平臺重建(Re-platform)、架構重組(Re-architect)和理念重塑(Re-imagine)，每種方法?托管重移是將本地數(shù)據(jù)和應用環(huán)境遷移至云?平臺重建是利用云提供的數(shù)據(jù)服務承載現(xiàn)有數(shù)據(jù)和應用部署，保持數(shù)據(jù)結構和應用架構?架構重組是充分利用云原生能力，重新架構?理念重塑是摒棄原有架構，基于云服務重新圖2數(shù)據(jù)云遷移模式R助于企業(yè)明確其基于云的數(shù)據(jù)架構實現(xiàn)的方式。。托管重移Re-host托管重移Re-host平臺重建Re-platform平臺重建Re-platform架構重組架構重組Re-architect BI理念重塑Re-imagine摒理念重塑Re-imagine換圖3數(shù)據(jù)云遷移實施路徑階段階段劃EDW數(shù)據(jù)托管重移組理念重塑轉換行DwhDwh遷移數(shù)據(jù)湖遷移人工架構優(yōu)化智能遷移代碼數(shù)據(jù)換碼轉換驗證新管道/流程啟用消費驗證驗證進行割接元數(shù)據(jù)驗證消費驗證舊管道/流程下線開始使用下線公室POC現(xiàn)工作負載2.計劃：用于制定價值驅動的遷移計劃3.轉換/驗證：為了順利轉換、遷移和驗證云上的數(shù)據(jù)9云筑底座數(shù)創(chuàng)價值2135應用(測試)7數(shù)倉ETL提取數(shù)據(jù)消費6662135應用(測試)7數(shù)倉ETL提取數(shù)據(jù)消費666圖4數(shù)據(jù)上云系統(tǒng)切換步驟44云云10云筑底座數(shù)創(chuàng)價值數(shù)據(jù)現(xiàn)代化為現(xiàn)代數(shù)據(jù)產(chǎn)業(yè)的設計和規(guī)劃架構、數(shù)據(jù)基礎、數(shù)?數(shù)據(jù)策略和數(shù)據(jù)架構：為可擴展、功能豐富的現(xiàn)代云數(shù)據(jù)平臺建立設計、架構、業(yè)務案例和計劃，跨數(shù)據(jù)架構、治理和運營模式的數(shù)據(jù)戰(zhàn)略，以建立現(xiàn)代的、基于云的企業(yè)數(shù)?建立數(shù)據(jù)基礎：建立云數(shù)據(jù)基礎，包括基礎設施、數(shù)據(jù)安全和攝取框架，通過API進行的數(shù)據(jù)和元數(shù)據(jù)集成，以及用于治理和平臺流程的工作流編排，推動數(shù)據(jù)平臺和集成的?創(chuàng)建數(shù)據(jù)產(chǎn)品工廠：開發(fā)用于創(chuàng)建具有透明的業(yè)務規(guī)則、數(shù)據(jù)質量規(guī)則和業(yè)務條款規(guī)范的數(shù)據(jù)產(chǎn)品的工廠。行業(yè)數(shù)據(jù)管道自動創(chuàng)建從攝取到轉換的數(shù)據(jù)產(chǎn)品，而企業(yè)擁有數(shù)據(jù)作為戰(zhàn)略性資本來源。輕松構建和管理所有?啟用數(shù)據(jù)產(chǎn)品商務：為數(shù)據(jù)消費者、生產(chǎn)者和平臺管理員創(chuàng)建單一、集中的用戶體驗。自動配置數(shù)據(jù)、工具和沙箱的用戶。及時提?云數(shù)據(jù)安全：現(xiàn)代化數(shù)據(jù)安全可以通過多種-快速：使用云服務提供商(CSP)的本地。。智能來提高平臺原生服務構建AI與數(shù)據(jù)科學平臺，并助力?數(shù)據(jù)素養(yǎng)：在組織的各個方面將數(shù)據(jù)和洞察力的使用制度化，為了創(chuàng)建和維護數(shù)據(jù)驅動的文化，數(shù)據(jù)必須可供用戶使用，并且必須培訓如何使用數(shù)據(jù)?？梢酝ㄟ^文化和變革管理、學習和發(fā)展、數(shù)據(jù)教育以及自助服務工?快速數(shù)據(jù)實驗室：快速靈活地構思和試驗創(chuàng)新想法，獲得彈性資源。通過快速數(shù)據(jù)實驗和原型設計體驗成功，從而以最小投資、最?工業(yè)AI：加速高級分析的步伐，支持業(yè)務AI需求。利用諸如對話式AI的一些AI平臺，擴展企業(yè)的工業(yè)AI水平，需要大量的AI實踐以及涵蓋數(shù)據(jù)、人才、流程和技術資產(chǎn)的04業(yè)需要三步:據(jù)庫、分析和機器學習(ML)等IT資源，而無需據(jù)中心和服務器。通過使用的存儲容量付費(價格實際上比企業(yè)自己存儲數(shù)據(jù)更低)，同時，與其他方案相比，企業(yè)還(LiftandShift)策略是一種常見的舉措。例如，在企業(yè)的托管設施中運行的Oracle數(shù)據(jù)庫遷移和轉移策略可能是移動到業(yè)的架構圖看起來仍然相亞馬遜云科技最近委托IDC進行的一項研究考慮了使用亞馬遜關系數(shù)據(jù)庫服務(AmazonRDS)的客戶。研究發(fā)現(xiàn)，三年內(nèi)，這些客戶的數(shù)據(jù)庫操作成本降低了39%，投資回報率為264%。對于大多數(shù)公司來說，數(shù)據(jù)庫管理是一企業(yè)的數(shù)據(jù)是公司擁有的定性的、實施懲廠商打交道。由MySQL、PostgreSQL，然而開源數(shù)據(jù)庫往往無客戶通過遷移到托管型數(shù)據(jù)庫服務實現(xiàn)了節(jié)省，這些服務融合了開源數(shù)據(jù)庫的靈活性和低成本很大的變化。傳統(tǒng)的應用程序，如ERP、CRM用程序的方法和應用程序需求本身已經(jīng)發(fā)生了12云筑底座數(shù)創(chuàng)價值數(shù)據(jù)驅動型企業(yè)將數(shù)據(jù)視為整個企業(yè)的資而非僅僅數(shù)據(jù)科學家許多規(guī)模較大的企業(yè)都設有專門的部門來處理島、提高包括中央數(shù)據(jù)資源庫?“數(shù)據(jù)湖”、專門構建的數(shù)據(jù)庫，以及專為特定分析目的(如數(shù)據(jù)倉庫或日志數(shù)據(jù)分析等)建立的極具成本效益的分析使用商業(yè)智能(BI)工具，以便所有員工和利益相不僅僅是技術人員)都能簡單、快速地找BI工具都利用機器學習(ML)進行預測，以進一13云筑底座數(shù)創(chuàng)價值依托云上人工智能，實踐數(shù)據(jù)驅動的持續(xù)創(chuàng)新業(yè)務進行創(chuàng)新。機器學習是技術之一。從預測制造式，利用機器學習進行創(chuàng)新，并確立自身的競爭優(yōu)勢。埃森哲面向全球領先企業(yè)1600余名高管和數(shù)據(jù)科學家的調(diào)研發(fā)現(xiàn)，近75%的企業(yè)已將AI整合至自身業(yè)務戰(zhàn)略中，并重新制定了云計劃，力求成功應用AI。其中，42%的企業(yè)表示AI項目回報超出了預期，而回報未達預期的人工智能技術將能持續(xù)為企業(yè)帶來更多價值和優(yōu)勢。根據(jù)Gartner的數(shù)據(jù)，到2024年年底，。要通過機努力。為了確定并隊組織、目標和愿景方面進行文化變革。為了企業(yè)最高管理層必須從一開始就全力支持機器進行投入。在制許多企業(yè)仍然不確定在哪些領域應用人工智能和機器學習，才能產(chǎn)生有效的影響。企業(yè)需要在業(yè)務價值與快速取得成效之間找到平衡。由孤立的數(shù)據(jù)工程師團隊來構建一個未知業(yè)務價值的試點(PoC,Proof-of-Concept)項目，不。如果希望能夠快速拿到企業(yè)在人工智能和機器學習領域的一個可以充分利用已有數(shù)據(jù)并且在6個月以內(nèi)人工智能和機器企業(yè)獲得新的業(yè)成本的降低、或滿足上述所有條術專家可以執(zhí)行來越明顯地意識到機器學習技能缺口，即技術與企業(yè)內(nèi)部IT專家能否充分利用這些技術的能力之間所存在日益擴報告調(diào)查了超過3500位業(yè)務領導者，調(diào)查結果表明，AI面臨的最大挑戰(zhàn)是缺乏熟練人才和招聘困難，有19%的受訪者認為這是一個很大的同利用機器學習的組織之中。盡管沒有一種機器學習技能缺口解決方案能放之四海而皆準，但還是有一些行之有效的方法可以最大限度地14云筑底座數(shù)創(chuàng)價值05服務進行云原生數(shù)據(jù)基礎設施改造進行現(xiàn)代當今業(yè)務和IT需求的數(shù)據(jù)和分析基礎設施，企業(yè)隨著數(shù)據(jù)量從GB、TB增加到數(shù)PB甚至更據(jù)庫曾經(jīng)是默認選擇，如今只不過是更經(jīng)濟地構建高彈性、可擴展的應用程序的選擇之一。與其使用All-In-One“根據(jù)業(yè)務目的選擇數(shù)儲的數(shù)據(jù)類型和訪問模式。這些可分為三類:事務型(適用于大量并發(fā)應用程序)、分析型(匯總和總結大量數(shù)據(jù)，每次查詢都要對許多行進行操作)和緩存型 (適用于需要提高加載速度以縮短終端用戶響應時間的讀取量較大的工作負載)。性能和規(guī)模要求：不僅要考慮數(shù)據(jù)庫的速表。?圖數(shù)據(jù)庫強調(diào)數(shù)據(jù)之間的關系，以發(fā)現(xiàn)關社交網(wǎng)絡關系或欺詐網(wǎng)(IoT)應用程序、DevOps和工業(yè)遙測。?分類賬數(shù)據(jù)庫非常適合記錄系統(tǒng)和銀行交15云筑底座數(shù)創(chuàng)價值AmazonRedshiftSpectrum直接查詢AmazonS3據(jù)ApacheCassandra務據(jù)儲性時間據(jù)ACID事務AmazonRedshiftSpectrum直接查詢AmazonS3據(jù)ApacheCassandra務據(jù)儲性時間據(jù)ACID事務按鍵key查詢地航據(jù)據(jù)應用高流量Web應用統(tǒng)序應用PCRM鏈景BI與分析應用技專門構建的數(shù)據(jù)庫服務科技倉庫據(jù)量的增長消除這些限制。企業(yè)可以對數(shù)據(jù)倉庫中的數(shù)PB數(shù)據(jù)自動執(zhí)行大多數(shù)常見的管理任務(比如管理、監(jiān))，讓IT團隊能夠專注于更高效、更有價值的工作。它還提供快速查詢性能，提高I/O當AmazonRedshift專注于通過適用于所有人的簡單分析方法在數(shù)秒內(nèi)從數(shù)據(jù)獲得洞察。無集交叉分析的能價比。圖6云原生數(shù)據(jù)倉庫Redshift助力敏捷數(shù)據(jù)分析和數(shù)據(jù)湖的數(shù)據(jù)分析科技和市場費端調(diào)用數(shù)據(jù)服務SQL物化視圖RedshiftML機器學習與數(shù)據(jù)分析服務數(shù)據(jù)共享AmazonRedshift AmazonS3數(shù)據(jù)湖EB級數(shù)據(jù)存儲擴展16云筑底座數(shù)創(chuàng)價值的硬件更新周期并需要遷移數(shù)據(jù)來支持系統(tǒng)升在本地管理開源分析軟件(如ApacheHadoop/Spark、Elasticsearch和ApacheKafka)管理硬件和軟件優(yōu)化以及針對未云中的托管分析現(xiàn)數(shù)據(jù)一體化融合與敏捷創(chuàng)新為了加速部署任何重大業(yè)務舉措(從打造新的客戶體驗到開辟新的收入來源)，領導層必須能夠?賦予員工借助偏好的工具或技術運行分析法會導致各能據(jù)湖與數(shù)據(jù)倉庫集成，數(shù)滿足合2.支持專用數(shù)據(jù)和機器學習服務，根據(jù)3.確保企業(yè)可以無縫地在數(shù)據(jù)湖和專用數(shù)據(jù)服務之間移入、移出數(shù)據(jù)，以及4.始終遵守數(shù)據(jù)訪問的安全、監(jiān)控和管云筑底座數(shù)創(chuàng)價值分析數(shù)據(jù)庫商業(yè)智能數(shù)據(jù)庫數(shù)據(jù)源數(shù)據(jù)資產(chǎn)目錄用戶/應用數(shù)據(jù)源數(shù)據(jù)資產(chǎn)目錄數(shù)據(jù)治理數(shù)據(jù)湖數(shù)據(jù)治理數(shù)據(jù)湖/設備…科技AmazonS3解決方案中提供了數(shù)據(jù)湖，可供企業(yè)在任意規(guī)模下存儲和檢索任意類型的數(shù)久性、可用性和可擴展性，最佳的安全性、合規(guī)性和審計功能；同時能以最低成本獲得最快性能，且擁有最多的數(shù)據(jù)導入方法。企業(yè)可以使用AmazonS3手動構建數(shù)據(jù)湖。不過，AmazonLakeFormation是一種更為簡單、直接的解決方案，其開發(fā)的目的是為了消除自行構建過程中的手動任務。它能幫助企業(yè)在數(shù)天(而非數(shù)月)內(nèi)在云中啟動安全的數(shù)據(jù)湖。所有手動和費時的任務均由LakeFormation自動完成并進行優(yōu)化。它從數(shù)據(jù)庫和對象存儲收集數(shù)據(jù)并建立目錄，將數(shù)據(jù)移動到AmazonS3數(shù)據(jù)湖，使用機器學習算法對數(shù)由于其易用性、持久性、可用性和可擴展性，AmazonS3和AmazonLakeFormation是為智科技數(shù)據(jù)湖18云筑底座數(shù)創(chuàng)價值要具備在所有服務和數(shù)據(jù)存儲之間靈活自由地移動數(shù)據(jù)的能力。AmazonRedshift和AmazonAthena均支持聯(lián)合查詢，此功能可跨運營數(shù)據(jù) (ETL,extract,transform,andload)管道。利用AmazonRedshift數(shù)據(jù)湖導出功能，企業(yè)可以將數(shù)據(jù)從數(shù)據(jù)倉庫以開放格式分載到數(shù)據(jù)湖中，直接可供分析使用。企業(yè)還可以通過數(shù)據(jù)功能系列的一個關鍵組成部分AmazonGlue，利用亞馬遜智能湖倉架構在所有服務和存儲之間無縫移動并存儲數(shù)據(jù)。AmazonGlue是一種無服務器數(shù)據(jù)集成服務，讓企業(yè)可以輕松地準備數(shù)據(jù)用于分析、機器學習和應用程序開發(fā)。AmazonGlue提供了數(shù)據(jù)集成所需的全部功能，為了讓開發(fā)人員、業(yè)務分析師和數(shù)據(jù)科學家能夠打破數(shù)據(jù)孤島，并可通過安全可控的方式發(fā)現(xiàn)、收集和分析數(shù)據(jù)，通過AmazonLakeFormation等功能，包括可自動發(fā)現(xiàn)數(shù)據(jù)、標記全性、監(jiān)管與審計利用依托亞馬遜云科技的多種專用服務組限革新的可能性具實踐數(shù)據(jù)驅動業(yè)務創(chuàng)新習作出規(guī)劃，從而制定好衡量成功的KPI。相較于在給定時間范圍內(nèi)實現(xiàn)目標財務ROI，如果企業(yè)器學習功能集成到更大的IT系統(tǒng)中。此舉通常亞馬遜云科技能夠提供豐富的高性能CPU和GPU處理器類型，這對于進行大規(guī)模訓練和AI并已與1萬多個客戶合作，幫AmazonSageMaker讓所有開發(fā)人員和數(shù)型，無需數(shù)據(jù)工程師或者開發(fā)運營人員支持。AmazonSageMaker是一種完全托管的服務，數(shù)19云筑底座數(shù)創(chuàng)價值AmazonSageMakerSagemakerSagemakerLearnMLAmazonSagemakerStudioIde練調(diào)整和評估模型部署與推理開發(fā)量保證程AmazonSageMakerSagemakerSagemakerLearnMLAmazonSagemakerStudioIde練調(diào)整和評估模型部署與推理開發(fā)量保證程AI服務技術程師學家習工程師化MLML工作流自動化模型管理連續(xù)交付合 監(jiān)控助服務供應治理、網(wǎng)絡和安全監(jiān)控及日志記錄的組合管理科技CentralIT亞馬遜云科技預先訓練的AIServices(人工智能服務)能夠為企業(yè)的應用程序和工作流，提人工智能服務可以輕松用案例相關用途，如個性化推薦、對企業(yè)的聯(lián)系中心進行升級換代、提高安全性、提升客戶互動水平。亞馬遜云科技AIServices會持續(xù)學和準確性。最重要的是，使用亞馬遜云科技AIServices不需要具備機器學習經(jīng)驗。圖10豐富的AIServices賦能業(yè)務創(chuàng)新模化，驅動業(yè)務創(chuàng)新亞馬遜云科技AI/ML服務，提供廣泛、完整的機器學習能力AmazonPersonalizeAmazonForecastAmazonPersonalizeAmazonForecastAmazonKendraAmazonMonitronAmazonLookoutforEquipmentAmazonLookoutforVisionAmazonHealthLakeAmazonComprehendMedicalAmazonTranscribeMedicalAmazonCodeGuruAmazonDevOpsGuruAmazonFraudDetectorAmazonLookoutforMetricsAmazonPollyAmazonAmazonPollyAmazonTranscribeAmazonTranscribeCallAnalytics器人AmazonLexAmazonRekogonitionAmazonPanoramaAmazonTranslateAmazonComprehendAmazonTextract機器學習服務CCanvasstudiostudiolabDetectTrainBuildwithnotebooksManage&mDetectTrainBuildwithnotebooksManage&monitorExplainStorefeaturesPrepareTuneparametersdatabiasmodelspredictionsproductionManageedgeManage框架AmazonEC框架AmazonEC2CPUsMXNet,TensorFlow科技AmazonMLSolutionsLab將實踐教育研，可幫助企業(yè)“逆向HabanaGaudiElaHabanaGaudiElasticInferenceAmazonTrainiumGPUsFPGAInferentia20云筑底座數(shù)創(chuàng)價值06全球領先制藥由于新冠疫情，某就業(yè)行政部門接到的公哲與亞馬遜云科技 (AI)虛擬助手。AI助手利用亞馬遜云科技自然合到客戶體驗洞察中，像真實工作人員一樣理解客戶請求并快速準確回復，幫助該部門改進流程、縮短對話并聚焦問題。該部門還將AI助手快速擴展到該機構其他服務中使用。至此，AI21云筑底座數(shù)創(chuàng)價值07云的潛能是巨大的，它為企業(yè)創(chuàng)造了更多2015年成立事業(yè)部，在全球累計構建了175項聯(lián)合資產(chǎn)，擁有2萬多名持有24000項亞馬遜一步促進埃森哲云優(yōu)先戰(zhàn)略的創(chuàng)導共享在過去14年中，埃森哲與亞馬遜攜手成功為客戶提供了1000多個聯(lián)合解決方案，覆蓋16在全球累計構建了175項聯(lián)合資產(chǎn)，擁有2萬多名持有24000項亞馬遜云科技認證的云區(qū)企業(yè)技術創(chuàng)新事業(yè)部技技術創(chuàng)新事業(yè)部技術創(chuàng)新事業(yè)部理營銷專家專家專家22云筑底座數(shù)創(chuàng)價值參考資料:PPDaughertyBB.Ghosh)等人(無日期)。埃森哲未來系統(tǒng)系列報告《跨越發(fā)展，領軍未來》：/cn-en/insights/digital-transformation-index日)。/zhengce/zhengceku/2021-11/30/content_5655089.htm3.埃森哲在2019年對美國5個行業(yè)的190家公司的高管進行了調(diào)查研究。埃森哲：/us-en/insights/technology/data-driven-reinvention4.L.巴斯蒂安(L.Sebastian)(2018年)。在迷宮中找到出路(NavigatingTheLabyrinth)：https://books.google.ca/books?id=P4paDwAAQBAJ&pg=PT20&lpg=PT20&dq=gartner+data+unused+97&source=bl&ots=9INMWEJUoU&sig=ACfU3U2C4kWfnNrrI2L2X9fWakObTR3Pzw&hl=en&sa=X&redir_esc=y#v=onepage&q=gartner%20data%20unused%2097&f=false20185.T.斯塔克(T.Stack)(2018年2月5日)。物聯(lián)網(wǎng)(IoT)數(shù)據(jù)繼續(xù)呈指數(shù)增長。誰在使用這些數(shù)據(jù)，如何使用?Cisco：/datacenter/internet-of-things-iot-data-continues-to-explode-exponentially-who-is-using-that-data-and-how6.S.然(S.Jain)(2020年11月19日)。創(chuàng)新數(shù)據(jù)驅動(Data-drivenreinvention)。埃森哲：/us-en/insights/technology/data-driven-reinvention7.J.斯瓦米(J.Swamy)、A.雷(A.Ray)(2018年)。云上數(shù)據(jù)智能推動渦輪增壓業(yè)務。埃森哲：/_acnmedia/PDF-87/Accenture-CVE-Turbocharge-A4-Brochure-v4-web.pdf#zoom=50月)埃森哲：/content/da