亚马逊AWS官方博客
使用Amazon SageMaker训练H2O模型并对其服务化
模型训练与服务化可以说是成功建立端到端机器学习(ML)流程的两大基本环节。这两个步骤通常需要不同的软件与硬件设置,才能为生产环境提供最佳组合。模型训练优化的目标是低成本、训练时间长度可行、科学上的灵活性以及良好的模型可解释性等;而模型服务化的优化目标是低成本、高吞吐以及低延迟。
使用Amazon SageMaker与Amazon ES KNN特征构建支持NLU的搜索应用程序
语义搜索引擎的兴起使电子商务与零售企业能够更轻松地为消费者提供搜索服务。基于自然语言理解(NLU)的搜索引擎使您可以通过首选会话语言直接表述自己的需求,而不再只能硬性依赖于以输入设备写下相应关键字。您可以使用母语以单词或句子执行查询,并由搜索引擎负责理解并提供最佳结果。
使用Amazon SageMaker将基于机器学习的实时洞见分析引入英式橄榄球运动
而随着人工智能与机器学习(ML)在体育分析领域的应用日益广泛,AWS决定与Stats Perform联手将机器学习驱动的实时统计数据系统引入英式橄榄球赛,旨在提高球迷参与度并提供关于比赛的更多宝贵洞见。
使用 Amazon Textract 与 Amazon Comprehend,通过 AWS Finance and Global Business Services 构建一套自动化合约处理平台
使用Amazon Textract 与 Amazon Comprehend,通过AWS Finance and Global Business Services构建一套自动化合约处理平台
使用 Amazon SageMaker 托管 Spark 容器与 Amazon SageMaker SDK 按需运行无服务器Apache Spark数据处理作业
Amazon SageMaker广泛使用Docker容器,允许用户构建用于数据准备、训练及推理代码的运行时环境。Amazon SageMaker内置用于Amazon SageMaker Processing的Spark容器则提供一套托管Spark运行时,其中包含运行分布式数据处理工作负载所需要的各类库组件与依赖项。
通过 Amazon Textract 提取手写信息
总体而言,我们与AWS的合作关系帮助我们解决了一系列极具挑战性的业务难题,由此为客户带来巨大价值。我们计划与AWS继续合作,尝试解决其他更为艰难的问题,最终为我们的客户带来真正的业务价值。 大家可以通过多种方式快速上手Amazon Textract:与我们的AWS合作伙伴Quantiphi联系,联络您的客户经理或解决方案架构师,或者访问我们的 Amazon Textract产品页面以了解更多可用资源。
使用SQL Server原生备份与还原功能,将本地SQL Server数据库迁移至Amazon RDS on VMware
Amazon RDS on VMware支持在本地VMware环境下为用户提供托管SQL Server数据库服务。SQL Server的管理工作向来以复杂与耗时著称,但RDS on VMware足可以帮助大家在VMware vSphere集群上轻松的配置、扩展并运营SQL Server。您可以将原有的本地SQL Sever数据库迁移至RDS on VMware上,借此发挥托管服务的固有优势。
在Amazon RDS for MySQL数据库上提升MySQL只读副本的最佳实践
在本文中,我们将了解如何通过上述方法在Amazon RDS for MySQL数据库上执行主版本升级,以及与之相关的最佳实践。此外,我们还将探讨可供选择的其他操作步骤。
和Netflix一起探索基于DJL的 Java 分布式在线深度学习推理架构
Netflix 是世界上最大流媒体平台提供商。它拥有多个知名影视剧IP例如 《纸牌屋》和《白夜追凶》,同时也拥有超过1.9亿来自全球各地的订阅用户。对于Netflix来说,时刻让用户拥有最佳使用体验是最为重要的。其中一个维持它的秘诀就是使用深度学习模型来提升信息的价值。Netflix在不侵犯用户隐私的前提下,通过收集程序的日志(非用户数据)来分析检查系统的稳定性。具体实现则是利用深度学习模型 + 微服务架构来达到实时分析超大规模的日志的目标。
快速开启云中渲染之路
媒体行业中有大量渲染场景,在本地渲染常常面临资源不足的问题,而公有云以其弹性、扩展性成为大规模渲染的最佳选择。 为了进一步方便客户,亚马逊云科技解决方案研发中心开发了云中渲染农场解决方案(Cloud Rendering Farm Solution),使客户可以一键部署云中渲染农场,快速开始渲染任务。