Category: Artificial Intelligence

Elastic Inference 是一项灵活的低成本解决方案，适用于 Amazon EC2 上的 PyTorch 推理工作负载。通过将 Elastic Inference 加速器附加到 CPU 客户端实例，您可以获得类似于 GPU 的推理加速并保持比独立的 GPU 和 CPU 实例更高的成本效益。有关更多信息，请参阅什么是 Amazon Elastic Inference？

随着建议评分的发布，您现在可以更深入地了解建议质量，并可以编写更智能的业务逻辑以与下游生产系统集成。立即开始使用 Amazon Personalize 个性化您的用户体验！

在本文中，您创建了一个主动学习工作流，并使用该工作流从 ML 模型推论和人工工作线程产生高质量的标签。 您可以将此工作流用于各种自定义添加标签任务，以减少为大型数据集添加标签的成本。您可以使用任何自定义学习算法和主动学习逻辑，并根据需要更改此示例。要开始使用 Blazing Text 预览主动学习工作流，请启动 Cloud Formation 堆栈并完成第 1 部分。

在此博文中，我们展示了使用 Amazon Translate 翻译文档的两种不同解决方案的实现，一种是使用异步批量翻译的简单方法，另一种是使用 AWS Lambda 和 Amazon 实时翻译的高级方法。立即在 Amazon Translate 上构建您的第一个翻译作业。

本文讨论了如何通过 Forecast 及其基础系统架构使用智能电表数据预测单个客户的用电需求。您可以使用 DeepAR+ 和天气数据提高模型的准确性，达到约 96％ 的预测准确性（由 MAPE 确定）。

本文探讨了使用Amazon SageMaker进行迭代模型剪枝的方法，同时介绍了如何通过识别对训练过程鲜有帮助的冗余参数来显著降低模型大小并保持模型准确性。我们还在本文中引入了使用预训练模型的应用示例，可以看到该模型通过迭代剪枝成功实现了准确性保障前提下的“瘦身”任务。

本文探讨了Autodesk公司如何使用SageMaker Debugger实现机器学习模型的设计、训练与调试。您也可以使用SageMaker Deubbger以节约时间、降低计算成本并控制模型大小。

深度学习在大数据领域上的应用日趋广泛，可是在Java/Scala上的部署方案却屈指可数。亚马逊开源项目团队另辟蹊径，利用DJL帮助用户部署深度学习应用在Spark上。只需10分钟，你就可以轻松部署TensorFlow，PyTorch，以及MXNet的模型在大数据生产环境中。

Amazon Elastic Kubernetes Service (EKS) 已经迅速成为机器学习工作负载的的首要选择。

今天，我非常高兴地宣布您可以使用 Amazon Sagemaker Ground Truth 来通过内置的编辑器和一流的辅助标记功能标记 3D 点云。