亚马逊AWS官方博客
Category: Artificial Intelligence
Data-centric AI之特征工程(第一讲)
这两年我们观察到越来越多的算法工程师重视数据的特征工程,AI业界大佬吴恩达教授在2021年提出了从model-centric AI切换到data-centric AI的论调,我个人认为data-centric AI的三个核心就是特征工程,样本工程和数据集质量(本系列文章将围绕这三个核心来介绍)。
Read More带你SSH到Amazon SageMaker 训练实例一探究竟
带你SSH到Amazon SageMaker 训练实例一探究竟
Read More基于Amazon Kinesis Video Streams 与 Amazon Rekognition Streaming Video Events实时视频检测方案
在居家安防监控领域,基于实时视频的移动检测,发现监控环境中人、宠物、包裹等的出现,并且能实时地将检测结果通知给身处任何地方的用户是其重要的应用场景之一。
Read MoreAmazon Personalize 个性化效果评估,从准确性到多样性、新颖性和偶然性
许多客户在个性化模型评估上遇到挑战,该模型性能良好但最终用户不喜欢它。我們提供了一种评估 Personalize 的方法。特别是关于多样性、新颖性和偶然性。并以 Amazon Fine Food Reviews 数据为例,逐步演示和演练。
Read More通过 Amazon OpenSearch Service 上的 AWS Graviton2 实例提高性能
Amazon OpenSearch Service(Amazon Elasticsearch Service 的下一代产品)是 AWS 为 OpenSearch 提供的一项完全托管式服务。它是一个开源搜索和分析套件,用于广泛的使用场景,例如实时应用程序监控、日志分析和网站搜索。 现在支持 Graviton2 实例进行性能优化
Read MoreCynamics 如何使用 AWS 构建大规模、近乎实时的流式传输 AI 推理系统
这篇博文由Cynamics 联合创始人兼首席技术官 Yehezkel Aviv 博士和 Cynamics 工程主管 Sapir Kraus 共同撰写。在竞争激烈的网络安全市场,Cynamics 是首个基于小型网络样本的解决方案,至今学术界和行业都认为这是一项艰难且尚未解决的挑战.
Read MoreAmazon SageMaker 无服务器推理 – 无需担心服务器配置的机器学习推理
2021 年 12 月,我们在 Amazon SageMaker 中推出了 Amazon SageMaker 无服务器推理(预览版),作为新的选项来部署机器学习 (ML) 模型进行推理,而无需配置或管理底层基础设施。今天,我很高兴地宣布,Amazon SageMaker 无服务器推理现已正式推出 (GA)。 不同的机器学习推理使用案例对模型托管基础设施提出了不同的要求。如果处理广告投放、欺诈侦测或个性化产品推荐等使用案例,则很可能需要响应时间短至几毫秒的 API 式在线推理。如果使用大型机器学习模型(例如在计算机视觉 (CV) 应用程序中),则可能需要经过优化的基础设施,以便在几分钟内针对较大的有效负载运行推理。如果要针对整个数据集或更大批次的数据运行预测,则可能需要按需运行一次性批量推理作业,而不是托管模型服务端点。如果您的应用程序具有间歇性流量模式,例如聊天机器人服务或用于处理表单或分析文档中数据的应用程序,该怎么办? 在这种情况下,可能需要在线推理选项,其能够根据推理请求量自动预置和扩展计算容量。在空闲期间,它应该能够完全关闭计算容量,这样就无需支付费用。 Amazon SageMaker 是我们的完全托管式机器学习服务,它提供了不同的模型推理选项来支持所有这些使用案例: SageMaker 实时推理适用于具有低延迟要求(以毫秒为单位)的工作负载 SageMaker 异步推理适用于有效负载较大或需要较长处理时间的推理 SageMaker 批量转换用于针对批量数据运行预测 SageMaker 无服务器推理适用于具有间歇性或不频繁流量模式的工作负载 Amazon SageMaker 无服务器推理的更多详细信息 通过与机器学习从业人员的大量对话,我选择要求提供完全托管的机器学习推理选项,该选项可让您专注于开发推理代码,同时自动管理基础设施的所有事务。SageMaker 无服务器推理现在提供这种轻松部署的功能。 根据模型收到的推理请求量,SageMaker 无服务器推理会自动预置、扩展和关闭计算容量。因此,您只需为运行推理代码的计算时间和处理的数据量付费,而无需为空闲时间付费。 您可以使用 SageMaker 的内置算法和机器学习框架服务容器将模型部署到无服务器推理端点,或者选择引入自有的容器。如果流量变得可预测且保持稳定,您可以轻松地从无服务器推理端点更新到 SageMaker 实时端点,而无需更改容器镜像。使用无服务器推理,您还可受益于 SageMaker 提供的功能,包括内置指标,如调用计数、故障、延迟、主机指标和 Amazon CloudWatch 中的错误。 自预览版发布以来,SageMaker 无服务器推理增加了对 SageMaker Python SDK 和模型注册表的支持。SageMaker […]
Read More基于Amazon Serverless和SageMaker实现空气质量预测
本文介绍了通过Amazon Serverlss实现低成本数据采集,并通过Amazon SageMaker进行数据处理与机器学习,对时间序列数据如空气质量进行分析与预测。
Read More使用 Amazon SageMaker 构建机器学习应用
在本篇文章中,我们将介绍如何在Amazon SageMaker上开展机器学习模型训练,我们将在Notebook上面分别演示针对同一个数据集,分别使用XGBoost,SageMaker内置算法和AutoGluon进行模型训练。
Read MoreLightGBM 算法框架运行在Amazon Sagemaker
本文将介绍如何使用lightgbm以及如何借助Amazon Sagemaker来提高使用lightgbm的机器学习效率
Read More