Artificial Intelligence | 亚马逊AWS官方博客

Cinnamon AI 使用 Amazon SageMaker 托管 Spot 训练可节省 70% 的 ML 模型训练成本

开发人员需要不断对机器学习 (ML) 模型进行反复训练，才能够持续优化模型预测效果。模型训练时间在数分钟至数小时不等，也可能会花费多天才能完成，具体时长根据数据集大小而定。ML 开发是一个复杂、成本高的迭代过程。使用低成本的方式开展计算密集型工作对 ML 开发来说至关重要，这也是实现规模化的关键因素。

使用 Trinity Audio WordPress 插件将您的内容免费转换为音频

本博文由 Trinity Audio 的联合创始人兼首席执行官 Ron Jaworski 特约发表。用他们自己的话说，“Trinity Audio 是一个音频内容解决方案平台，可满足世界各地各种类型和规模的出版商和内容创建者，并且能够通过将读者转变为听众来帮助他们加入持续进行的音频革命行列中，从而创造当代受众非常期待的体验。”

利用 Amazon CodeGuru Profiler 调查性能问题

Amazon CodeGuru（预览版）能够分析应用程序的性能特征，并自动提供性能改善建议。Amazon CodeGuru Profiler 提供交互式可视化图形界面，以显示应用程序的运行时间耗费在什么地方。这些火焰图是功能强大的工具，可帮助您排查哪些代码方法造成延迟或使用过多 CPU 资源。

使用 Amazon SageMaker 标记可疑的医疗保险索赔

此解决方案使用 Amazon SageMaker，它可以帮助开发人员和数据科学家构建、训练和部署 ML 模型。Amazon SageMaker 是一项完全托管的服务，涵盖了 ML 的整个工作流，可以标记和准备数据、选择算法、训练模型、调整和优化模型以便部署、预测和执行操作。
可以使用Amazon SageMaker Jupyter Notebook 端到端应用此解决方案。有关更多信息，请参阅 GitHub 存储库。

发布 Amazon Rekognition 自定义标签

今天，Amazon Web Services (AWS) 宣布推出 Amazon Rekognition 自定义标签。借助 Amazon Rekognition 的这项新功能，客户可以建立自己的基于专业机器学习 (ML) 的图像分析能力，在其特定的用例中鉴别独特的对象和场景。例如，客户无需任何ML专长，在使用 Amazon Rekognition 来识别图像中的机器部件时，可以用少量添加了标签的图像集进行训练，即可鉴别出“涡轮增压器”和“变矩器”。客户不再需要从头开始训练模型，这意味着无需专业的机器学习知识以及数以百万计的高质量带标签图像，只需使用 Amazon Rekognition 自定义标签功能即可快速满足其独特的图像分析需求。

玩转 GPU 实例 – 我的 Linux 工具箱之二 – 基础设置

本文是教您如何优化GPU实例的第二篇博文。

Amazon Web Services 为 BERT 和 Mask R-CNN 实现了最快的训练速度

BERT 和 Mask R-CNN 都是如今最流行的机器学习模型，前者用于自然语言处理 (NLP)，后者用于图像识别。过去几个月来，AWS 大幅改进了底层基础设施、网络和机器学习 (ML) 框架和模型代码，从而实现了这两个模型训练速度的提高。现在我们可以宣布在云中实现了迄今最快的 TensorFlow、MXNet 和 PyTorch 框架的训练速度。借助这些硬件和软件优化，您现在可以以同样的速度和效率训练您的模型。