Category: Artificial Intelligence

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。

本文讨论了如何在AWS云上构建基于机器学习的物流需求量预测。用于训练模型的数据包括内部和外部数据。机器学习模型使用物流需求量历史数据和其他相关特征进行训练，在推理时用户可以通过对特征的微调来了解特征对模型预测结果的影响。

机器学习在工程化道路的发展，逐步从手工作坊和验证试运行的工作模式，逐步过渡到大规模部署的生产的模式。这是预测的AI/ML必然的趋势。

本文实现了工厂OEE系统上传数据，在AWS Sagemaker里面转化数据，以及在Neptune存放数据的过程，最后在API Gateway 以及Lambda中实现对数据的调用。针对每次OEEEvent发生的 Errorcode进行分析，同时关联工厂产线相关知识比如机器模块，子模块，故障描述，故障原因等一系列机器对应的数据。随着知识数据的不断积累，数据科学家还可以持续使用SageMaker更新知识之间的关联关系，相关的工业场景可以根据实际场景利用本文的方案进行架构设计。

本文旨在介绍使用人工智能视觉在工业领域的一些应用场景；客户在落地工业智能视觉时面临的一些挑战；和基于亚马逊云科技IoT框架下的工业视觉解决方案的落地架构。

基于猫狗识别实验掌握在中国区开发DeepLens。

本博客为大家展示通过使用EKS， Kubeflow， Karpenter可以建立弹性扩展性强的机器学习平台。

AWS ProServe GCR 利用机器学习进行多步时间序列预测解决方案。

Wellforce 正在迁移其整个数字医疗保健生态系统，以在 Amazon Web Services (AWS) 上创建一个数字平台。该平台由 Epic 的基础设施以及 300 多个支持医疗保健和业务应用程序的复杂集成组成，一旦上线，Wellforce 有望成为在云上运行其整个 Epic 基础设施的最大组织。

在这篇文章中，我们将详细介绍我们在使用 Amazon SageMaker 创建强大的 ML 模型方面的合作，该模型仅使用下一代测序（NGS）数据就可以检测 30 种不同的白血病亚型。