Category: Artificial Intelligence

但随着系统中数据规模的持续增长，数据移动也变得越来越困难。为了解决这一挑战、进而从数据中获取最大收益，亚马逊云科技提出了Lake House“智能湖仓”方案。

该文以目标检测模型着手，演示如何一步步基于Sagemaker Neo对训练后的模型文件进行编译优化，来提升模型的推理速度。 文中以yolo3(backbone为mobilenet1.0）模型为例，分别演示模型准备，模型Neo编译，模型导出推理测试，可视化等过程， 推理结果显示基于Sagemaker Neo可以显著提升推理速度，达到一倍以上的加速。

Amazon DeepRacer 是开始使用机器学习 (ML) 的最快方式。您可以在基于云的虚拟模拟器中使用 1/18 比例自动驾驶车辆训练强化学习 (RL) 模型，并在全球 Amazon DeepRacer League 中角逐奖金和荣誉。今天，我们将通过对 Amazon DeepRacer 设备软件进行开源来扩展 Amazon DeepRacer 功能，以提供有趣的动手学习。

尽管代码审查过程非常重要，但大家需要保证其既不会给审核人员带来过重的工作负载，也不致成为开发流程中的瓶颈所在。通过采用CodeGuru Reviewer，我们成功实现了代码审查的自动化，同时也减少了审核人员的工作量。

今天，我们很高兴公布Amazon SageMaker Feature Store。作为Amazon SageMaker中的一项新功能，Feature Store将帮助数据科学家与机器学习工程师轻松安全地存储、发现并共享训练与预测工作流中使用的被选中数据。

我们高兴地宣布，现在您已经可以在Amazon Forecast当中评估单一条目的预测准确性，借此更好地了解您的预测模型在最重要的少数核心条目上拥有怎样的预测表现。

随着客户对于TorchServe需求的不断增长以及PyTorch社区的快速发展，AWS致力于为客户提供一种通用且高效的PyTorch模型托管方式。无论您使用的是Amazon SageMaker、 Amazon Elastic Compute Cloud (Amazon EC2)还是 Amazon Elastic Kubernetes Service (Amazon EKS), 我们都将不断优化后端基础设施并为开源社区提供支持。

今天，我们高兴地宣布，Amazon SageMaker已经在大型深度学习模型的训练方面迎来简化，帮助更多缺少丰富硬件资源的客户踏入高阶深度学习之门。

几天前 CNBC 的一则新闻引起了我的兴趣。文章说的是美国康涅狄格州布鲁克菲尔德一家在建商店的有了应用“Just Walk Out”技术的迹象，包括门控系统和可能用于安装天花板摄像头的硬件等等。这一下子让我联想到了2017年出现的那个让人兴奋不已的“Amazon Go”无人值守的零售商店以及在其背后的科技。 在电子商务以及零售领域，亚马逊公司堪称业内翘楚。竞争者经常带着崇敬和恐惧的口吻谈论这个名字。亚马逊以不断创新的步伐取得了几乎神话般的地位，让尾随者难以跟上他的步伐。在过去的26年中遵循着“亚马逊增长飞轮”，不断提高易用性、增加选择，实现快速交付和完善整体用户体验。而Amazon Go 无疑是这许多亮眼的成就中最显著的一个。 2017年，因为员工的便利条件我第一次体验了位于西雅图亚马逊办公楼 DayOne一层的Amazon Go 商店。这个第一家Amazon Go商店的面积约为550平方米，看起来就像是一家街角的便利店。里面有很多新鲜的水果，面包，沙拉，饮料等商品，供上班族们取个早餐，拿个零食。没有用“买”这个词是因为在这里你看不到任何我们习以为常的“买”的动作。 人类购买这个行为已经延续了几千年，一成不变的是物品以等值进行交换的商业规则。而变化的则是商品、购物环境、交互体验以及结算方式。随着云计算的兴起以及各种新技术应用不断地优化购物体验、简化购买流程，让我们得以更从容，更优雅的享受购物的乐趣。Amazon Go就是以这个“不用排队，拿了就走（ no lines，no check out）的全新购物体验在零售行业和科技圈吸引了无数目光。今天我们就来一起看看这个拿了就走的新的零售体验是如何实现的。   使用体验 用户体验：手机 App Amazon Go 的使用者首先需要下载并安装一个尺寸大约为11MB的一个名为Amazon Go的手机App。安装后，将使用Amazon帐户ID和密码进行登录。首次登录时，这个应用程序将引导完成9步动画教程的学习。该教程介绍了如何将自己扫描到商店以及如何购物。整个教程花费了大约一分钟的时间。接下来，应用程序将显示一个二维条形码以识别使用者的身份，凭借扫描这个二维码进入商店。 出于安全的考虑，这个二维码每30秒在手机App重新生成一次，这可以提供一定程度的保护，防止人们仅通过拍照我的二维码码就可以在我的帐户上购物。   用户体验：进入商店 进入亚马逊商店有点类似于进入地铁站，对我们来说这个体验并不陌生。不过在商店入口经常有一两个身穿橙色衬衫的亚马逊员工帮助人们解决任何问题，最常见的就是向顾客解释他们需要下载应用程序，并向他们解释它是如何工作的。随着越来越多的人习惯于这个进店的方式，人们将会减少对入口处工作人员的需求。   用户体验：购物与付款 购物者可以通过拿走开放式货架上的商品并走出商店来购买和付款。购物的体验就是这样的简单。因此，Amazon Go的出现并非是炫技，而是出于解决真实存在的购物中排队、等候结账这个真实的问题。   Amazon Go的技术复杂性 在一段广为流传的Amazon Go 宣传视频中，顾客进店扫码-取物-出门，一气呵成。简单到很多人第一次去都会有一种隐隐的“我是不是在偷东西”的质疑。但细细想来，被这个名为“Just walk out” 技术简化的只是商品价格的手动或自动的复核过程。而实现它看起来我们只需知道哪些亚马逊账户在商店内购物，哪些商品被拿走。这样我们就可以在顾客完成购物时向其收取费用了。够简单，但又是什么使这个过程变复杂的？ 设想一下，如果我们来解决这个问题，或许你会从这个场景出发：一个人在商店，悠闲地闲逛，随意拿起一件商品. 看起来我们只需处理这样的场景即可。然而，现实情况更像这样：拥挤的人群，人们在购物，孩子们四处奔跑，婴儿车上的婴儿还在熟睡。现实且自然的购物行为就是人们并不总是拿上商品然后离开 — 他们往往挑选一个商品，看看它，然后把它放回货架上；或者有时他们把它放回另一个错误的货架之上。相信你已经在脑海里想象出来这件事的复杂性了。在亚马逊解决这个问题的方案被称作“Just Walk Out”。 这个方案体现了最新的工程技术的进步，特别是在复杂的计算机视觉、传感器融合和深度学习方面。       […]

 作为一名开发人员，我最近听到了很多关于公司如何利用机器学习 (ML) 来解决其业务问题的故事，所以我 2021 年的目标之一就是进一步了解 ML。 在过去的几年里，我一直在广泛使用人工智能 (AI) 服务，诸如 Amazon Rekognition、Amazon Comprehend 等等。AI 服务提供了一个简单的 API 来解决常见的 ML 问题，例如，图像识别、文本转语音和文本中的情绪分析。使用这些高级 API 时，您不需要了解底层机器学习模型的工作原理，也不必训练它或以任何方式维护它。 尽管这些服务非常棒，我可以用它们来解决大部分的业务案例，但我想了解 ML 算法的工作原理，这也是我开始改进 AWS Deepracer 的原因。 AWS Deepracer 于 2018 年推出，是一项帮助您了解强化学习 (RL) 的服务。RL 是一种先进的 ML 技术，它采用与其他 ML 方法截然不同的方式来训练模型。基本上，它可以学习非常复杂的行为，而不需要任何标签化的训练数据，并且它可以在优化长期目标的同时做出短期决策。 AWS Deepracer 是一款 1/18 比例自动驾驶赛车，旨在通过在 AWS DeepRacer 控制台中进行虚拟比赛或在 AWS 和客户活动中的赛道上进行实际比赛来测试 RL 模型。AWS DeepRacer 适用于所有技能水平的开发人员，即使您没有任何机器学习经验。使用 AWS Deepracer […]