亚马逊AWS官方博客

Category: Artificial Intelligence

使用 DeepAR 进行时间序列预测

在 2019 年的 WAIC（世界人工智能大会）上，笔者在 AWS 展台中布置并展示了一个使用 DeepAR 进行时间序列预测的项目，受到了广泛的来自客户、参观者以及同事的关注，其中大部分是被展示项目中真实的电商客户的数据及成果吸引，进行了一定的经验交流。在得到肯定之后，笔者在年前又与部分互联网、旅游行业的业务负责人沟通，发现时间序列预测有着广泛的适用场景，能直接帮助决策者做出有数据支撑的重要决策。

在 Amazon SageMaker 中使用 XGBoost 来实现商业赋能

毋庸置疑，机器学习，在商业中有着广泛的应用场景，但是通常来讲我们却只能看到只有一些高级玩家、大公司才能在他们的业务场景中真正的使用机器学习（Machine Learning，后面用ML简写）来解决业务问题。这背后是有各种各样的原因的，其中最主要的两个原因：一个在于，相比传统的业务系统，机器学习的硬件价格高，一块v100的显卡价格昂贵，中小公司难以负担；另外一个难点在于，相比传统的业务系统，机器学习对于工程师的要求不同，专注于机器学习的数据科学家需要掌握特殊的技能，相关人才在市场上炙手可热，而且对于企业来说，即便找到了数据科学家，搭建和维护用于机器学习的相关系统也并非易事。

利用深度强化学习实现金融决策自动化

机器学习 (ML) 已经常态化应用于各个行业，但除了简单的预测场景之外，还有更为复杂的决策制定场景，为了支持长期的战略性目标，人们有时会选择，甚至必须作出非最优的短期决策。利用一种叫做强化学习 (RL) 的 ML 模型，可以学习如何优化策略，从而根据长期目标制定系列决策。

利用 SageMaker Operator 简化 Kubernetes 上的机器学习任务管理

Amazon SageMaker Operator 可以帮助数据科学家以及开发人员利用Kubernetes的接口来创建和管理SageMaker的任务，如机器学习的模型训练、超参优化、批量转换以及实时推理等。如图所示，SageMaker Operator可以让 开发与运维人员可以通过kubectl命令行或者kubernetes api接口调用的方式来管理和使用SageMaker服务，它就像翻译器一样，在Kubernetes平台与AWS SageMaker 服务之间搭建了一座桥梁，让那些已经很很熟悉Kubenretes 的开发、运维人员在无需投入过多精力的情况下，即可快速地使用SageMaker服务。

Cinnamon AI 使用 Amazon SageMaker 托管 Spot 训练可节省 70% 的 ML 模型训练成本

开发人员需要不断对机器学习 (ML) 模型进行反复训练，才能够持续优化模型预测效果。模型训练时间在数分钟至数小时不等，也可能会花费多天才能完成，具体时长根据数据集大小而定。ML 开发是一个复杂、成本高的迭代过程。使用低成本的方式开展计算密集型工作对 ML 开发来说至关重要，这也是实现规模化的关键因素。

使用 Trinity Audio WordPress 插件将您的内容免费转换为音频

本博文由 Trinity Audio 的联合创始人兼首席执行官 Ron Jaworski 特约发表。用他们自己的话说，“Trinity Audio 是一个音频内容解决方案平台，可满足世界各地各种类型和规模的出版商和内容创建者，并且能够通过将读者转变为听众来帮助他们加入持续进行的音频革命行列中，从而创造当代受众非常期待的体验。”

← Older posts
Newer posts →