Category: Artificial Intelligence

Amazon Comprehend 是一项使用机器学习 (ML) 在文本中发现见解和关系的自然语言处理 (NLP) 服务。Amazon Comprehend 可识别文本的语言；提取关键短语、地点、人物、品牌或事件；以及理解文本的正面或负面程度。有关 Amazon Comprehend 所有功能的更多信息，请参阅 Amazon Comprehend 功能。

随着机器学习 (ML) 在公司核心业务中占据的份量越来越重，缩短从模型创建到部署的时间就变得越来越重要。2019 年 11 月，AWS 发布了适用于 Amazon SageMaker 的 AWS Step Functions Data Science SDK，开发人员可以通过这款开源开发工具包用 Python 创建基于 Step Functions 的机器学习工作流。现在，您可以使用与模型开发所用的同款工具创建可重复使用的模型部署工作流。您可以在 GitHub仓库的 “automate_model_retraining_workflow” 文件夹中找到此解决方案的完整手册。

Forecast 在 re:Invent 2018 大会上推出并从 2019 年 8 月起全面开放，是一项完全托管的服务，使用机器学习生成高度准确的预测，用户无需事先具备任何机器学习经验。Forecast 适用于十分广泛的用例，包括估算产品需求、供应链优化、能源需求预测、财务规划、劳动力规划、云基础设施使用量的计算以及流量需求预测等。

总体拥有成本 (TCO) 通常是您会用于估计与比较 ML 成本的财务指标。本文针对Amazon SageMaker （这是一个用来构建、训练与部署 ML 模型的全托管服务）做了TCO分析，结果表明，它的 TCO 在三年时间里比其他方式如自己通过 Amazon EC2 或 Amazon EKS来建设要低 54%。我们的分析范围涵盖了从只有五位数据科学家的小团队到由 250 位数据科学家组成的超大型团队，结论是 Amazon SageMaker 能为各种规模大小不同的团队都提供更出色的 TCO。

本文主要讨论如何使用脚本创建GPU指令集。

作为一个Java程序员，我们难免会经常遇到这样的一些错误信息，随着敏捷开发思想的普及，以及微服务架构的成熟，代码中的缺陷带来的挑战引出了一个新的需求 – 能否有一款更智能、脱离静态语法分析的局限来实现高质量代码分析工具？这就需要引出今天的主角Amazon CodeGuru。

在医学报告整理和内容提取的场景中，从业人员往往需要花费大量的时间进行内容阅读和关键字的提炼；Amazon Textract 结合 Amazon Comprehend Medical 的解决方案整体采用无服务器化架构，全自动化也提高整体效率。采用该解决方案，可以以秒级的效率提取出需要的内容；除此之外，该架构也大大降低了整体成本，架构中包含的所有服务都以实际使用计费。
Amazon Textract 是一个托管的 OCR(Optical Character Recognition) 服务，Amazon Comprehend Medical 是一个医疗语义分析的托管人工智能服务。通过 Amazon Textract 将医学报告和诊断报告的表单表格转化成序列化文档，通过 Amazon Comprehend Medical 对这些序列化文档进行分析并快速获取不同分类的信息。在 CRO(Clinical Research Organization) 等行业场景中，可以通过这个解决方案对医学研究、药物分析及诊断报告提供有效的帮助和补充。

2019年的 re:Invent 大会将被分为三部分进行回顾，而本篇作为第一部分我们将讨论有关数据、分析和机器学习的所有东西。

我们很高兴地宣布，为简化图神经网络的实现而构建的开源库 Deep Graph Library 现已在 Amazon SageMaker 上推出。

我们非常高兴地宣布推出支持 Amazon SageMaker Debugger，它是 Amazon SageMaker 的新功能，可以自动识别机器学习 (ML) 训练作业中出现的复杂问题。