Category: Artificial Intelligence

为了满足超长时间推理的需求，且仍然可以利用 SageMaker 全托管环境带来的诸多优点，解决方案的核心思路在于充分利用 SageMaker Training 提供的能力，将其 Train Code 的部分，替 换为 Inference Code，从而在 Training 的触发和运行框架之下，实现的对长时间推理的支持。 为了使整体架构更加简便易用和健壮，在具体实现中，增加了许多工程化内容，如白名单、服务 限制（Quota Limit），和一键部署。

我们采用二维码，将车辆位置信息写入二维码(qrcode)中，并结合摄像头的车道线识别识别算法进行车辆定位，并指导车辆在双车道上进行变道操作。

本篇以广泛使用的 PaddlePaddle 为例探讨如何将自定义容器镜像部署在 SageMaker 上。

近年来，数据格局一直在发生变化：公司内部生产和使用大量数据的实体激增，对于大多数公司来说，制定合适的数据战略变得至关重要。现代化数据策略提供了全面的计划来管理、访问、分析和操作数据。

在本篇blog中，我们将介绍以摄像头为主要传感器的DeepRacer自动驾驶视觉感知系统。

Tensorflow Serving（简称TFS）是一个很常用的模型推理开源框架，Amazon SageMaker 内建了TFS推理容器以支持TensorFlow SavedModel模型进行高效推理，Amazon SageMaker内建的TFS推理容器即可以做在线推理（比如通过SageMaker Inference Endpoint），也可以做离线推理（比如通过SageMaker Batch Transform）。

模型推理是将机器学习模型应用到业务数据并提供对该数据的洞察，其经常在业务系统中作为一个模块提供服务，作为整个机器学习生命周期中的一个必不可少的阶段，它的重要性毋庸置疑。不同的ML任务和业务应用场景下对于模型推理的诉求也是不同的，Amazon SageMaker 在模型推理方面提供了众多的功能来满足不同场景下的需求。对于任何一种推理的场景，机器学习工程师都希望能尽量提升推理服务器侧的吞吐以及降低推理的整个延迟，接下来我们从工程角度讨论一下机器学习推理这个话题。

本次小米人车神争霸赛使用了re:invent 2018跑道，笔者的队伍“旋风冲锋龙卷风”在线下比赛中跑出了25s三圈的成绩，一举夺得冠军。作者将在本篇博客中介绍模型训练的策略和比赛经验，希望可以对读者有所帮助。

在当今信息化高速发展的时代，推荐系统是一个热门的话题和技术领域，一些云厂商也提供了推荐系统的SaaS服务比如亚马逊云科技的Amazon Personalize来解决客户从无到有迅速构建推荐系统的痛点和难点。在我们的日常生活中，推荐系统随处可见，我根据这几年参与的推荐系统和计算广告项目总结了一些实践经验并以推荐系统系列文章的形式分享给大家，希望大家看后对推荐系统有更全新更深刻的理解。

随着深度学习领域的不断发展，很多生成类模型的效果已经达到“准商用”的水平，因此，也有很多客户选择在这类模型上进行调优和封装并作为应用提供给终端用户，从而实现算法能力产品化。在本博客中，我们将为大家展示如何用利用Amazon SageMaker Pipeline构建包括数据预处理，模型训练，模型推理以及任务状态通知的自动化工作流。在本博客中我们将为大家展示主要部分的技术实现。