Category: Artificial Intelligence

AWS专业服务一直与德甲联赛及其子公司Sportec Solution携手合作，推进数字化转型进程、加快业务成果交付并持续保持创新。在接下来的几个赛季中，德甲联赛还将引入AWS提供的全新Match Facts功能，保证为全球球迷们带来融参与度、娱乐性于一身的一流赛事观看体验。

到这里，相信大家已经了解了数据加载与处理如何影响GPU资源利用率，以及该如何通过解决I/O或与网络相关的瓶颈以提高GPU性能。在进一步讨论多GPU或者分布式模型训练等高级主题之前，我们应该首先解决这些最基本但也极为关键的瓶颈。

在Python的世界，调用NDArray的标准包叫做NumPy。但是如今在Java领域中，并没有与之同样标准的库。在这个文章中，我们将带你了解NDArray，并且教你如何写与Numpy同样简单的Java代码以及如何将NDArray使用在现实中的应用之中。

在本次实验中，我们了解了Ground Truth 3D点云标记作业对于输入数据的要求与选项，同时尝试创建了对象跟踪标记作业。关于我们能够在3D点云标记作业中实现的其他任务类型，请参阅3D点云任务类型。另外，我们还要感谢KITTI团队为我们提供这套宝贵的数据集，用于演示如何准备3D点云数据并将其引入SageMaker Ground Truth。

本文展示了如何使用AWS服务构建安全的语音到文本通知解决方案。如果您在未来的应用场景中需要使用多种不同语言，将语音内容转换为文本，则可以直接集成这套解决方案。如果您有任何问题或者意见，请在评论区中与我们交流。

本文展示了如何使用Amazon SageMaker Model Monitor与Amazon SageMaker Debugger自动检测意外模型行为，并从CNN中获取直观解释。关于更多详细信息，请参阅GitHub repo。

Amazon SageMaker与Kubeflow Pipelines能够轻松被集成在统一的混合管道当中。Amazon SageMaker还提供完善的博客与教程集合，可帮助大家轻松通过Amazon SageMaker components for Kubeflow Pipelines创建起混合管道。其API亦非常丰富，涵盖了我们需要使用的所有关键组件，并允许您开发自定义算法并与Cisco Kubeflow入门包进行集成。

到这里，大家已经了解如何使用Ground Truth以构建NER训练数据集，以及如何将生成的增强manifest文件自动转换为Amazon Comprehend能够直接处理的格式。

在本文中，我们介绍了如何使用Amazon SageMaker与Amazon ES KNN索引创建基于机器学习的视觉搜索应用程序。我们还使用到在ImageNet数据集上经过预训练的ResNet50模型。当然，大家也可以使用其他预训练模型，例如VGG、Inception以及MobileNet等，并使用自己的数据集进行调优。

本文展示了如何使用Angular与Ground Truth构建自定义的数据标注UI界面。该解决方案能够在标记作业创建过程中，处理各自定义模板中不同范围之间的通信活动。充分使用Angular等自定义前端框架的功能，帮助大家轻松创建现代Web应用程序，从而在公共、内部或者来自供应商的标记工作人员的配合下切实满足您的数据标注需求。