AIOT, 概括爲雲端訓練，邊緣推理，在雲平臺上運用各種AI/ML工具，訓練出模型，然後將模型推送到邊緣設備，然後當傳感器感知後，將信息輸入到邊緣設備，然後邊緣設備通過模型直接進行運算並得出結論作出響應。而這些輸入輸出信息又可以提交到雲平臺作爲基礎數據，進行訓練，整體上形成一個閉環的自循環的AIOT。
所以可以看出雲端訓練，面向歷史數據，重在訓練模型，而邊緣推理，面向實時數據，重在部署模型，並根據模型得出結果。
IOT物聯網收集數據，DT大數據技術ETL數據，甚至有初步BI可視化展示，然後通過AI訓練模型，再回饋給IOT。
以上流程，AWS提供全套解決方案。在IOT端，提供Greengrass軟件，安裝在邊緣設備中，它支持docker與lamda，可安裝Tensorflow/MXNet等框架，用於模型部署、推理與推送數據至雲端，而在雲端，通過各種大數據技術，比如使用ElasticSearch做數據的清洗與可視化展示，然後通過各種AI服務(面向軟件工程師，通過上傳數據與調用API即可實現智能化)和ML服務(面向數據工程師，通過對各流行機器學習與深度學習框架集成，滿足各種訓練需要)。
AI服務
視覺CV：Amazon Rekongnition
語音：Amazon Polly
聊天機器人：Amazon Lex
預測：Amazon Forcast
ML服務
Amazon SageMaker
它支持的框架包括：TensorFlow、PyTorch、Apache MXNet、Chainer、Keras、Gluon、Horovod、Scikit-learn 和 Deep Graph Library。
案例1：
Amazon 包裹打包，解決客戶開箱體驗，節省企業成本。
案例2：
睿視智覺工業AI自訓練系統，幫忙用戶封裝算法至設備，取代人工質檢，甚至可用於生物細胞檢驗，其實只要有關視覺方面檢驗，這套解決方案都適用。
他們從最早的，把算法放到客戶機器，進行訓練，到目前遠程把算法訓練好，遠程傳到設備。
設備拍照>機器學習分析>出報告
客戶本地將數據標註好，放到AWS，雲端自動訓練與測試，生成模型報告，比如對缺陷1敏感，對缺陷2不敏感，那麼客戶就可以再上傳更多的缺陷2的數據。可以等報告針對所有缺陷都訓練好再使用，或者對部分訓練好的也可以直接使用。
案例3：
鬧騰科技非標機加工件覈價，解決非標機加工件覈定價格問題，把原來依賴老師傅定價，訓練模型，取代老師傅。
根據老師傅的經驗去構建模型，然後通過歷史數據訓練得出模型。最後部署上雲，提供API給甲方集成到現有系統，然後甲方客戶通過線上上傳他們的加工件3D模型，直接生成報價給用戶。
其中對於初創者幾點啓示：
AWS提供Deep learning AMI，已包含TensorFlow,PyTorch，所以馬上就可以用，不用花時間在部署軟件上。
訓練用GPU，而部署/預測用CPU，然後通過API，供企業調用。
GPU非常昂貴，AWS做到按需收費，對於初創公司節約成本非常重要。