亚马逊AWS官方博客

赛默飞世尔（Thermo Fisher）一直努力帮助世界各地的科学家解决我们面临的一些最大挑战。借助 Amazon Personalize，我们极大地提高了我们了解客户工作的能力，并通过多种渠道为他们提供个性化体验。使用 Amazon Personalize 使我们能够专注于解决难题，而不是管理 ML 基础架构。

赛默飞世尔（Thermo Fisher）一直努力帮助世界各地的科学家解决我们面临的一些最大挑战。借助 Amazon Personalize，我们极大地提高了我们了解客户工作的能力，并通过多种渠道为他们提供个性化体验。使用 Amazon Personalize 使我们能够专注于解决难题，而不是管理 ML 基础架构。

Amazon SageMaker可帮助用户在端点之上运行多个生产变体，从而轻松对生产环境中的ML模型进行A/B测试。大家可以使用SageMaker提供的功能配合不同训练数据集、超参数、算法以及ML框架测试由此训练出的模型，了解它们在不同实例类型上的执行性能，并将各项因素整合起来形成不同搭配。我们还可以在端点上的各变体之间进行流量分配，Amazon SageMaker会根据指定的分发方式将推理流量拆分并分发至各个变体。

在媒体渲染行业中，用户对存储的吞吐性能要求较高，本文旨在利用Amazon Fsx for Windows File Server服务解决用户对于存储高吞吐的性能需求。

在本文中，我们了解了如何使用AWS原生功能部署自动化事件响应框架。您可以轻松扩展这套框架以满足当前及未来的实际需求。如果您需要进一步扩展，请联系 AWS 专业服务或者AWS合作伙伴。如果您有其他技术问题，请参阅 Amazon GuardDuty或者AWS Config论坛。再次强调，本文介绍的解决方案仅为阐述自动化安全响应概念的示例，无法作为全面的解决方案使用。

在本文中，我们挖地 如何在共享EKS环境中使用Kubecost跟踪成本。如果您选择硬多租户机制，则可以使用各个集群内的不同Kubecost实例对工作负载分别进行成本跟踪。此外，您也可以升级至Kubecost付费版本，通过单一仪表板对多个集群进行成本可视化与资源使用跟踪。

通过使用AWS Secrets Manager，您可以使用AWS KMS客户主密钥安全地存储RDS数据库密碼。借助AWS Lambda的集成，您现在可以更轻松地定期轮换这些密碼并为灾难恢复情况复制它们。在本文中，我将向您展示如何使用AWS CloudFormation设置密碼复制和创建AWS Lambda函数。通过跨AWS区域复制密碼，它可以通过使用备份副本来帮助减少灾难恢复时间。

RDS Proxy能够建立起指向数据库的热连接池，借此帮助您管理从Lambda到RDS数据库的大量连接。您的Lambda还可以根据业务需求任意扩展，由RDS Proxy随时为大量并发应用程序请求提供支持。这不仅降低了对于数据库CPU及内存资源的需求，同时也消除了在代码中添加连接管理逻辑的复杂因素。最后，感兴趣的朋友请点击此处参阅RDS Proxy的费率标准。

在这个文章中，我们将尝试通过PyTorch预训练模型在在安卓平台构建一个涂鸦绘画的应用。由于总代码量会比较多，我们这次会挑重点把最关键的代码完成。你可以后续参考我们完整的项目进行构建。

在本文中，我们分步完成了对OpenPose TensorFlow版开源模型的编译，更新自定义端到端图像处理管道，并体验了能够在EC2 Infi1实例之上对ML推理时间做出分析及深度优化的工具。在调优之后，Neuron编译的TensorFlow模型较现有费率最低的GPU实例实现72%的成本节约，且性能仍旧保持一致。本文中阐述的各项操作步骤，也适用于其他ML模型类型与框架。关于更多详细信息，请参阅AWS Neuron SDK GitHub repo。