Category: Artificial Intelligence

Infoblox团队使用Amazon SageMaker训练出一套深度CNN模型。此模型能够识别出与DNS域名中ASCII字符在外观上高度相似的Unicode字符。以此为基础，该模型还使用Unicode标准识别这些同形异义字符，验证准确率为0.969，测试F1得分为0.969。接下来，他们又编写一款检测器，使用此模型对Passive DNS流量上的IDN同形异义词进行检测，整个流程无需进行任何在线图像数字化或预测操作。

推荐系统的设计是一项艰巨的任务，有时需要对模型进行全面定制。在本文中，我们共同了解了如何在Amazon SageMaker当中从零开始实现、部署并调用NCF模型。以此为基础，大家可以运用自己的数据集打造出更适合自身场景的解决方案。

知识图谱嵌入KGE则为大家提供一种强大的方法，可以对特定节点上的语义与局部结构信息进行编码，您也可以将它们作为机器学习与深度学习模型的输入。DGL-KE支持多种流行嵌入模型，并能够让您通过CPU或GPU的大规模训练得到嵌入结果，训练速度是其他同类技术的2到5倍。

在本文中，我们介绍了如何在无需编写任何代码的前提下，实现ML模型的训练与推理预测。AutoGluon、Amazon SageMaker以及AWS Lambda的密切配合最终让这一看似不可能的任务成为现实。大家可以使用本文中的示例无代码管道实现ML功能，整个过程轻松便捷，不需要任何编程或数据科学方面的专业知识。

在本文中，我们展示了如何使用Amazon Textract与Amazon A2I从多页PDF文档扫描文件中自动提取数据，以及如何根据给定的业务条件对页面进行人工审核。关于Amazon Textract与Amazon A2I的更多详细信息，请参阅将Amazon Augmented AI与Amazon Textract配合使用。

在本文中，展示了使用TensorBoard可视化TensorFlow训练作业，以Amazon S3作为日志存储。您可以使用这套解决方案以及对应的示例notebook，通过Amazon SageMaker构建和训练模型，并运行超参数调优作业。此外，您可以使用TensorBoard对不同训练作业中的超参数进行比较，生成并显示分类器混淆矩阵，剖析并可视化训练作业的性能。

机器学习（ML）工作流负责编排并自动执行机器学习任务序列，包括数据收集，机器学习模型的训练、测试与评估，外加模型部署。AWS Step Functions能够在端到端工作流中编排并自动执行与 Amazon SageMaker相关的各项机器学习任务。AWS Step Functions数据科学软件开发工具包（ AWS Step Functions Data Science Software Development Kit，简称SDK）是一套开源库，使您得以轻松创建包含数据预处理、模型训练和部署的工作流。您可以使用Python创建机器学习工作流，而无需分别设置及整合各项AWS服务。

A/B测试还能够提供客户与Amazon Personalize推荐结果间实际交互方式的宝贵信息。这些结果将根据明确定义的业务指标进行衡量，使您了解推荐结果的有效性，以及该如何进一步调整训练数据集建立起明确认知。在对此过程进行多轮迭代之后，您会发现各项重要指标都将得到改善，客户参与度也将随之提高。

在使用SageMaker Operator提交任务的时候，往往会涉及到使用的算法和数据来自本地，本文介绍了如何利用SageMaker Operator的参数定义，能够让线上的SageMaker训练任务使用到本地的代码及数据。

今天，我们宣布，Amazon Alexa 团队已将绝大多数基于 GPU 的机器学习推理工作负载迁移到由 AWS Inferentia 提供支持的 Amazon Elastic Compute Cloud (EC2) Inf1 实例。这样一来，执行 Alexa 的文本到语音转换工作负载时，与基于 GPU 的实例相比，端到端延迟降低了 25%，成本降低了 30%。较低的延迟使 Alexa 工程师能够利用更复杂的算法进行创新，并改善客户的整体 Alexa 体验。