Category: Artificial Intelligence

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。

在本文中，我们演示了如何使用您自己的数据处理代码构建起自定义Autopilot推理管道。我们首先训练出特征选择模型，而后使用经过训练的特征选择模型对原始数据进行转换。接下来，我们启动Amazon SageMaker Autopilot作业，针对我们的回归问题自动训练并优化出最佳机器学习模型。我们还构建起一套将特征选择与Autopilot模型加以结合的推理管道。

2020年，F1方程式赛车迎来了自己的70岁生日，同时也是世界上将运动技能与工程技术实力全面结合的极少数顶尖运动之一。技术一直在F1中扮演着核心角色，规则与工具的演变也早已融入F1运动的血液当中。正是这种不断进取、不断探索的精神，令全球赛车迷们痴狂不已，关注自己热爱的车手与车队如何以十分之一秒为单位超越对手、夺取胜利。

近两年，机器学习已经渗透到各行各业，各种人工智能和机器学习的应用蓬勃发展，在其背后实际上会有一个完善的机器学习平台和流水线来支撑模型的开发、测试和迭代。但是这样一个系统性的平台，往往需要通过整合基础架构层和平台层来完成。在本篇Blog中，我们将展现如果通过AWS的服务构建云原生的机器学习流水线。

如本文所述，在使用Amazon Personalize时，将上下文信息添加至推荐策略当中，是一项非常强大且易于实现的实践。使用上下文丰富推荐结果，您的用户参与度将显著增加，从而真正将推荐系统转化为提升收入的重要工具。

在本文中，我们介绍了如何使用Amazon A2I人工审核工作流与Amazon Transcribe自定义词汇表改善自动视频的转录效果。通过本轮演练，您可以快速识别出特定领域的术语，并使用这些术语构建自定义词汇表，以便后续更准确地对其他视频中的相同术语实现转录。对于SEO、针对性文本查询以及按技术术语对批量视频或音频文件进行分组等应用场景，这种对关键技术术语的正确转录都是一项至关重要的能力与前提性保证

本文向大家介绍了Amazon SageMaker的计费标准，根据机器学习项目内各个阶段正确调整Amazon SageMaker计算资源大小的最佳实践，以及如何通过自动停止闲置的按需notebook实例以避免产生非必要运营成本的具体方法。最后，我们还分享了如何自动检测Amazon SageMaker端点以保证不致发生误删情况。