导读

参加本次会议，了解CarGurus如何利用亚马逊云科技机器学习服务和流式分析来提升在线汽车购物过程中的数字客户体验。CarGurus已经开始在亚马逊云科技上构建其机器学习(ML)平台。了解CarGurus如何应用ML和实时分析来驱动其在线市场，包括定价洞察和个性化车辆推荐。通过使用包括Amazon SageMaker在内的亚马逊云科技服务，CarGurus为汽车买家提供了加速的车辆搜索功能、改进的优惠车辆指导、相关的车辆建议，以及适时适地的促销优惠。

演讲精华

以下是小编为您整理的本次演讲的精华。

在不断演进的数字化客户体验领域中，汽车行业发现自己处于利用机器学习重新定义在线购车过程的变革性转变的前沿。亚马逊云科技的解决方案架构师Jason Staley登场，揭示了这场技术革命的深远影响，大型数据集不再仅仅是存储库，而是构建复杂模型和发掘新见解的宝贵资产。然而，他强调管理这些复杂的模型和数据集需要采用更好的操作实践、自动化和治理，这是整个演示将要解决的挑战。

随后，讲述转向了Cargurus，这是一个在经销商和购车消费者之间建立无缝连接的在线汽车平台。Cargurus的高级数据科学经理Jason揭示了该公司独特的商业模式，利用其在汽车市场供需两端的大量数据资产。凭借来自美国24，000多家经销商的库存列表以及每月惊人的3000万访客和8000多万次会话，Cargurus对汽车市场的复杂动态拥有无与伦比的洞察力。

Cargurus应用机器学习的一个基石是即时市场价值(IMV)算法，这是一种基于无数特征估算每个车辆列表公平市场价格的革命性工具。该算法支持搜索排名、贸易价值计算器和经销商定价工具等关键功能，确保了消费者的透明度和信任。Cargurus利用Amazon Snowflake进行数据摄取和ETL过程，为训练IMV算法准备数据。他们还利用Amazon SageMaker进行模型训练、评估和部署。

然而，为二手车指定准确的IMV值是一个艰巨的挑战。Jason巧妙地阐述了这项任务固有的复杂性，因为每个二手车列表都是一个独特的“雪花”，拥有自己独特的历史和特征。确定适当的可比对象，并权衡电动车状态或豪华轿车分类等特征的相对重要性，需要一种能够适应市场动态的数据驱动方法。

通过持续改进，Cargurus展示了将没有交易评级的列表数量减少超过50%的能力，从而能够向购物者展示更多库存，并因此为经销商提供更大的曝光率，这对于市场业务来说是一个真正的双赢。

Cargurus应用机器学习的另一个关键应用是个性化推荐。Jason强调，在用户通常几年一次的有限购物窗口期间，及时提供相关的列表推荐至关重要。在这个切换成本相对较低的高度竞争的在线市场中，抓住这个短暂的机会对Cargurus来说至关重要，可以展示其价值主张并培养客户忠诚度。为此，Cargurus探索构建实时数据管道和实时特征存储，以支持更及时的推荐。

大约两年前，Cargurus认识到需要一个健壮和可扩展的机器学习基础设施，因此开启了一场变革性的旅程。他们采用Amazon SageMaker作为机器学习平台的基础，吸引力在于其功能齐全的亚马逊云科技服务套件、灵活性和全面的支持模式。他们的目标很高远:支持整个机器学习生命周期、确保本地和云环境之间的一致性，并通过量身定制的工具强制执行最佳实践。通过实现这些目标，Cargurus旨在简化部署过程，使原型能够在数周内无缝过渡到生产就绪模型，这与过去数月的努力形成鲜明对比。

Cargurus的高级机器学习工程师Ragu带领观众深入探索了他们建立在SageMaker之上的机器学习平台的复杂性。云托管的笔记本电脑促进了实验和模型原型设计，而他们自主开发的CGSageMaker库则定义了SageMaker管道，并在各个项目中强制执行最佳实践。Cargurus利用Amazon ECR(Elastic Container Registry)来存储和管理模型代码容器。

Ragu详细介绍了IMV管道，这是Cargurus对持续改进和创新的承诺的见证。该管道包括数据摄取、训练、评估、模型注册、部署为影子变体进行彻底测试，最终升级为生产变体。这个迭代过程确保了Cargurus的模型保持最新和准确，反映了汽车市场的动态性质。该管道利用了Amazon Lambda进行轻量级部署和测试，以及Amazon S3存储模型工件和权重。

此外，Cargurus利用Amazon EventBridge来调度管道并实施健壮的监控实践。Amazon CloudWatch和SageMaker Model Monitor在持续评估部署(包括管道和端点)的操作健康状况、稳定性和模型质量方面发挥了关键作用。他们跟踪关键性能指标，如CPU使用率、延迟和吞吐量，并将警报传递到与其事件管理系统相链接的Amazon SNS主题，确保机器学习工程师能够及时响应。

Jason随后将叙述转向Cargurus的实时数据管道，用于推荐，这是一项建立在多种托管服务交响乐之上的工程杰作。Amazon Kinesis、Apache Flink、Amazon MSK(Kafka)和Amazon ElastiCache构成了这一架构的主干，使Cargurus能够以低延迟提供推荐，同时与现有模型和特征定义保持一致。

实时管道从Kinesis摄取原始事件数据，使用Apache Flink过滤和拆分事件，将它们缓冲在Kafka中，然后通过后续的Flink计算阶段生成特征值。这些特征值随后存储在Amazon ElastiCache实时特征存储中，确保它们可用于通过SageMaker端点提供推荐。

虽然这种架构实现了Cargurus构建实时管道的目标，但Jason承认在如此大规模和复杂的环境中运营固有的工程挑战和权衡。保持训练和推理特征之间的完全一致性是一个崇高的追求，但实时架构对计算的复杂性和规模施加了限制，同时保持所需的吞吐量和低延迟。

为了权衡这些取舍，Cargurus采取了协作方法，让数据科学家参与评估系统性能，并权衡工程简化对模型最终预测价值的影响。工程和数据科学之间的这种协同，使得能够做出明智的决策，在模型质量和运营效率之间取得适当的平衡。

在总结时，Jason和Ragu强调通过自动化和工具来简化和标准化最佳实践的关键作用。这种方法解锁了Cargurus扩展其机器学习运营、敏捷自信地前进并通过前沿的机器学习应用持续为客户创造价值的能力。

他们强调定义与企业独特环境相一致的最佳实践，然后将这些实践编码为有形工具的重要性，鼓励团队“默认做正确的事情”。他们断言，这一公式是Cargurus取得成功的驱动力，他们仍然兴奋地投身于机器学习不断演进的学习和迭代之旅。

我们正处在 Agentic AI 爆发前夜。 2025 亚马逊云科技中国峰会提出，企业要从 " 成本优化 " 转向 " 创新驱动 " ，通过完善的数据战略和 AI 云服务，把握全球化机遇。亚马逊将投入 1000 亿美元在 AI 算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在 AI 时代突破。