亚马逊AWS官方博客
Category: Industries
游戏公司多账号管理(一)
通常游戏发行公司每年都要发行数款新游戏,这些游戏可能由公司内部不同的项目组开发,也可能是由其他游戏公司开发。为了实现不同游戏之间的互相独立以及方便的核算每款游戏所使用云计算资源的成本,在AWS上我们推荐为每一款游戏使用单独的账户,这样做的好处是每个游戏都有独立的明细账单,并且不同账户互相独立,有非常好的隔离性。
在AWS上使用AlphaFold进行蛋白质结构预测
AlphaFold是一个能根据蛋白质序列预测构象的深度学习模型,2021年7月,DeepMind开源了升级版本AlphaFold v2.0,本文简要描述了如何在AWS上使用AlphaFold进行蛋白质结构预测。
呼叫医生云! Amazon HealthLake 现已正式发布
在 2020 年 AWS re:Invent 大会上,我们预览了 Amazon HealthLake,这是一项完全托管、符合 HIPAA 标准的服务。医疗保健和生命科学客户可以利用此服务将来自不同孤岛和不同格式的健康信息汇总到结构化的集中式 Amazon 数据湖,并通过分析和机器学习 (ML) 从这些数据中获取洞察。今天,我非常高兴地宣布,Amazon HealthLake 正式发布,可供所有 Amazon 客户使用。
零代码实现基于机器学习的游戏运营优化
借助Amazon SageMaker Autopilot,您只需要准备好您的数据,就可以轻松实现优化广告投放策略、预测玩家流失等优化运营的需求。
芯片设计-如何在缺少 CAD 团队的情况下进行异常日志分析
国内大部分半导体设计公司都面临缺少CAD工程师的局面。缺少CAD团队影响设计效率成为一个日益显著的问题。缺少CAD团队意味着缺少开发设计流程工具,缺乏流程管理,无法为作业失败后的日志分析提供良好的排查指导。本文以回归测试举例,阐述在回归测试过程中,当作业失败,需要针对异常状况进行分析时,提供一个简单的排查流程指导。各位可以根据公司自身的状况进行定制化设计,并通过异常分析流程在缺少CAD团队的情况下提升开发效率。
Amazon Lookout Vision – 新的机器学习服务简化了制造缺陷检测
今天,我很高兴宣布推出 Amazon Lookout for Vision,这是一项新的机器学习 (ML) 服务,可帮助工业环境中的客户以简单且经济高效的方式检测生产单元和设备上的视觉缺陷。
在 AWS 上扩展 Synopsys Proteus 光学近似修正
Synopsys 和 AWS 意识到随着半导体技术的进步不断推高每个芯片的复杂性,客户数据中心面临着满足日益增长的资源需求的挑战。 OPC 很适合利用 AWS 云的无限计算规模,因为计算可以并行化。Synopsys 和 AWS 决定启动一项联合调查,以确定 Synopsys Preteus 如何在 AWS 上扩展。
SOCA 帮助半导体企业快速启动 EDA 云上部署
使用电子设计自动化 (EDA) 应用程序的半导体和电子产品公司可以通过利用 AWS 上近乎无限的计算、存储和其他可用资源,大大加快其产品开发生命周期和上市时间。在这篇工作负载支持的博客文章中,我将提供架构(Scale-Out Computing on AWS)和系统级指导,以构建能够将 EDA 应用程序扩展到 30000 个或以上核心的环境。
在 AWS 上构建自动驾驶和 ADAS 数据湖
本博客介绍了如何使用此参考架构构建自动驾驶数据湖。我们讨论的工作流范围从如何提取数据、为机器学习准备数据、将 ADAS 系统和车辆传感器的输出进行编目、对其进行标注、自动检测场景,到管理那些将其移动到有组织的数据湖构造所需的各种工作流。开发 AWS 自动驾驶和 ADAS 数据湖参考架构之前,我们曾与众多客户合作应对实现这一目标所面临的挑战。
借助 NetApp CVO 实现 EDA 混合架构下的统一数据存储
本文主要介绍AWS如何与NetApp结合,在企业内部IT环境和公有云的EDA混合架构的场景下,提供高性能、高安全和可扩展的企业级统一数据存储,帮助客户更快更好的进行研发,随时随地从云上和云下的数据中发掘更多价值。