亚马逊AWS官方博客

Category: Industries

沐瞳科技大数据成本优化最佳实践

在沐瞳的业务中,大数据系统已经成为企业决策和创新的重要支柱。然而,随着数据量的指数级增长和计算任务的日益复杂,大数据系统的运营成本也在快速攀升。无论是计算资源的闲置浪费,还是存储数据的过度堆积,这些问题都在吞噬企业的 IT 预算。 面对这些挑战,如何在提升资源利用率的同时降低成本,成为大数据架构设计和优化中的核心课题。本篇博客基于实际案例,分享了沐瞳大数据团队通过 亚马逊云科技 平台进行大数据系统成本优化的实践经验。

沐瞳科技(Moonton)游戏全球化网络架构最佳实践

Moonton 作为全球领先的移动游戏开发商,面临着为全球玩家提供稳定、低延迟游戏体验的挑战。本文分享了 Moonton 如何借助亚马逊云科技的 Global Accelerator、Local Zone 和 Transit Gateway 等服务,构建起高效的全球网络架构,并通过自动化部署方案提升运维效率,成功实现了全球化业务的技术升级,为玩家带来更优质的游戏体验。

宝马集团携手高通如何在亚马逊云科技上构建自动驾驶平台

宝马集团已选择 AWS 作为其下一代自动驾驶平台的首选云提供商。宝马集团将利用亚马逊云科技平台开发其下一代高级驾驶员辅助系统(ADAS),以帮助为 2025 年推出的下一代车型”Neue Klasse”开发新功能。宝马集团正在与高通公司合作开发下一代自动驾驶堆栈,该堆栈基于高通的 Snapdragon Ride 系统芯片(SoC)和计算机视觉堆栈。

利用大模型 embedding 结合 Aurora PostgreSQL 实现医疗术语检索增强生成的解决方案

在这篇博客中,我们将讨论使用双路召回的方式来优化医疗文献检索。其一是利用大模型对所有医疗文献的摘要进行 embedding,输出的向量数据存储到向量数据库;用户检索时,把用户输入的医疗术语进行 embedding 向量化,在向量数据库中进行相似性检索,找到最相似的文档。其二是通过对文献的摘要提取关键字,存入 Aurora PostgreSQL 中并创建倒排索引,实现对用户输入进行全文检索。两种方法结合,提高文档召回的精确度,缩小上图中的 Medical data 的范围和尺寸,达到减少幻觉并降低 token 数的诉求。

借助 Amazon Personalize 提升电商个性化推荐效果的最佳实践

本文介绍了如何利用 Amazon Personalize 机器学习服务快速构建高效的电商个性化推荐系统。重点阐述了数据 Schema 设计、算法配方选择、游客/匿名用户推荐、推荐策略优化等最佳实践,以及防止推荐重复商品、处理下架商品、利用 Context 信息等技巧,旨在帮助电商企业提升推荐系统的营销转化率。Amazon Personalize 作为完全托管的推荐服务,降低了算法工程门槛,是构建个性化推荐系统的优选方案。