AWS Team | 亚马逊AWS官方博客

利用Amazon Redshift的流式摄取构建实时数仓

可将数据流摄取到云数据仓库中。流式摄取可以帮助用户以极低延迟，在几秒钟内将数百MB数据摄取到Amazon Redshift云数据仓库集群

使用AWS托管MSK Connector和EMR Flink从AWS RDS进行CDC数据消费

Flink MSK CDC consumption

Jenkins集成AWS开发者服务构建端到端CICD流水线

本文基于AWS开发者服务包括CodeCommit、CodeDeploy,再结合中国企业客户常用的主流开源CI/CD工具比如Jenkins、 Sonar、Maven等，演示在AWS云上构建自动化CI/CD流水线

使用TiDB Data Migration迁移分库分表数据库到Amazon Aurora

本篇博客介绍了如何使用开源数据库迁移管理工具TiDB Data Migration将分库分表的数据库迁移到Amazon Aurora。

使用Spline收集Spark数据血缘实践

本文会带您一步一步地在AWS上部署Spline,提供在Glue和EMR中实现Spark代码级别的血缘，并且结合开源数据湖架构Hudi和Delta Lake来提供批流入湖实例，本文会重点介绍如何使用Spline来捕获。

构建、共享、部署：业务分析师和数据科学家如何使用无代码机器学习和 Amazon SageMaker Canvas 缩短面市时间

机器学习（ML）可以优化多个垂直行业的核心业务功能（例如需求预测、信用评分、定价、预测客户流失、确定下一次最佳商品推荐、预测延迟发货及提高生产质量），从而帮助企业增加收入、推动业务增长并降低成本。传统机器学习开发周期需要几个月的时间，且需要稀缺的数据科学和机器学习工程技能。分析师对机器学习模型的想法往往会积压很长时间，因为需要等待数据科学团队有空来实现，而数据科学家的精力却往往放在需要其全部技能的更复杂的机器学习项目上。