亚马逊AWS官方博客

Localization Team

Author: Localization Team

基于ECS的容器日志解决方案

ECS是AWS发布的容器集群管理和调度服务。通过ECS容器集群管理服务,用户可以很方便地管理成百上千个容器组成的业务系统,而无需运维容器集群管理、调度及状态存储等相关管理组件。相比于虚拟机,容器技术拥有诸多优势,使得近年来越来越多的用户选择拥抱容器技术。

Read More

让神经网络触手可及 – AWS 风格

Amazon AI 的目标是通过开发 Amazon SageMaker 之类的平台来让机器学习变得大众化,而 fast.ai 的目标正好与其相同:提供平等教育机会,以便每个人都可以掌握机器学习并提高工作效率。fast.ai 的宣传语是“让神经网络触手可及。”这不是一场降低深度神经网络热门度的比赛,而是要让其吸引力和可访问性不仅仅局限于主导该领域研究的学术精英。

随着深度学习用例 (例如,计算机视觉、自然语言处理和机器翻译) 的激增,我们还发现,开发人员社区对了解机器学习及其在众多问题上的应用产生了浓厚的兴趣。在实际应用方面,“深度学习纳米学位”开发公司 Udacity 在全球的用户数量已超过 800 万。其中,5 万多名用户志在获得纳米学位,获得这些学位的很大一部分用户专注于深度学习。我们开始注意到,机器学习掀起热潮,但这方面的教育仍旧沿袭一般教育方式,从研究开始,然后才是应用。进入 fast.ai 世界,感受大规模开放在线课程 (MOOC) 无与伦比的魅力,与 10 万余名学生共同利用 AWS 云的全球网络办公环境在线学习深度学习。

Read More

Amazon SageMaker 现在推出了 AWS CloudTrail 集成

AWS 客户请求提供一种方法用来在 Amazon SageMaker 中记录活动,从而帮助满足管治及合规性要求。我很高兴地宣布,Amazon SageMaker 现在与 AWS CloudTrail 进行了集成,这项服务可用来记录、持续监控以及保留与 Amazon SageMaker API 活动相关的账户信息。无论是通过 Amazon SageMaker SDK、AWS SDK、Apache Spark SDK for Amazon SageMaker,还是通过 Amazon SageMaker 控制台进行的 Amazon SageMaker API 调用,都可以被捕获并发送到 Amazon S3 存储桶,从而提供 AWS 账户活动的事件历史记录。记录的信息包括源 IP 地址、发出请求的日期和时间、与请求关联的用户身份以及请求的参数。

Read More

借助 Microsoft Excel 构建 Amazon Lex 聊天机器人

我们的香港机构 (IVE) 已开始尝试将 Amazon Lex 应用于教学、研究和医疗保健领域。我们有很多非技术员工,如 IVE 的英语教师,以及 IVE 育儿、长者及社区服务处的治疗师;他们没有技术知识,不会在 Amazon Lex 控制台中构建自然语言对话自动程序 (聊天自动程序)。我们完成了几个为非技术用户构建 Amazon Lex 聊天自动程序的试点项目。非技术用户将问题填入 Excel 电子表格,然后由开发人员将他们的问题复制到 Amazon Lex 控制台中。当用户想要更改聊天自动程序中的内容时,开发人员都必须重复同样的复制和粘贴过程。

Read More

全新 AWS Auto Scaling – 适用于云应用程序的统一扩展

随着 AWS Auto Scaling 的推出,您可以更加轻松地在一个用户界面中使用多项 AWS 服务的 Auto Scaling 功能了。这一新服务整合了针对特定服务的现有扩展功能,并以此为基础构建。如 AWS CloudFormation 堆栈或 AWS Elastic Beanstalk 中所述,该服务可在构成应用程序所需的任何 EC2 Auto Scaling 组、EC2 Spot 队列、ECS 任务、DynamoDB 表、DynamoDB 全局二级索引和 Aurora 副本上运行 (我们还在探索通过其他方式将一组资源标记为应用程序,以便与 AWS Auto Scaling 结合使用)。

Read More

使用 Amazon Comprehend 检测客户评论的情绪

我们以 Amazon Echo、Amazon Echo Dot 和 Amazon Echo Show 的评论为例。我们将上传其他伪造的示例数据 (尽量不损害品牌声誉),然后使用具有细微差别的信息来模拟检索与产品有关的负面情绪,例如,正在召回的有缺陷、受损或危险商品。最后,我们使用 Amazon Athena 对负面评论进行交互查询并导出报告,以便让企业立即采取措施。

Read More

限制门槛已解除 – EC2 实例的网络带宽增加

我希望您已配置 AMI,并且您的最新一代 EC2 实例已使用 Elastic Network Adapter (ENA),也就是 2016 年年中我介绍过的适配器。ENA 可以提高吞吐量并降低延迟,同时还能最大程度减少主机处理器的负载。存在多个 vCPU 并且智能数据包的路由由多个传输和接收队列提供支持时,ENA 运行良好。

如今,我们解除了限制门槛,您可以在所有 AWS 区域使用更多带宽。

Read More

基于 AWS KMS 的加密现已可用于 Amazon SageMaker 中的训练和托管

Amazon SageMaker 使用一次性密钥 (也称为瞬态密钥) 加密所连接的 ML 通用型存储卷,用以训练和托管 EC2 实例。由于这些密钥均用于加密 ML 存储卷,并且在用后立即丢弃,因此可用卷来安全地存储机密数据。卷仅可通过相关联的实例访问,而这些实例会对访问权限加以控制。在实例终止之后,ML 卷将被删除,卷中的数据将无法再访问。 对于使用通过 AWS Key Management Service (KMS) 管理的密钥的功能 – 类似于指定 KMS 主密钥 ID 时,对于附加到笔记本电脑实例的存储的加密方式,客户呼声甚高。 即日起,您就可以选择使用 KMS 主密钥加密您的训练和托管数据了。这让您可以为分布式训练和模型托管利用多种 AWS KMS 功能,例如集中密钥管理、密钥使用情况审核日志记录、主实例密钥轮换等等。 为加密训练数据,可在对 CreateTrainingJob API 的调用中指定一个 KMS 主密钥。对于托管,可在对 CreateEndpointConfig API 的调用中指定密钥。 有关 Amazon SageMaker 和 KMS 的更多信息,请参阅 Amazon SageMaker 开发人员指南。 作者简介 Kumar Venkateswar 是 AWS ML 平台团队的产品经理,该团队开发的产品包括 […]

Read More