亚马逊AWS官方博客

基于 Amazon GuardDuty 威胁级别的自动化通知

Amazon GuardDuty 是一种威胁检测服务，可持续监控恶意活动和未经授权的行为，从而保护您的 AWS 账户和工作负载.但很多时候管理员并没有对Amazon GuardDuty 的调查结果进行主动监测,导致出现严重风险时没有及时发现和响应,本文介绍了一种方法可以根据Amazon GuardDuty 报告的威胁级别通过电话和主动邮件的方式及时通知管理员,避免风险进一步扩大,让管理人员能够及时响应和处理。

利用深度强化学习实现金融决策自动化

机器学习 (ML) 已经常态化应用于各个行业，但除了简单的预测场景之外，还有更为复杂的决策制定场景，为了支持长期的战略性目标，人们有时会选择，甚至必须作出非最优的短期决策。利用一种叫做强化学习 (RL) 的 ML 模型，可以学习如何优化策略，从而根据长期目标制定系列决策。

通过 STS Session Tags 来对 AWS 资源进行更灵活的权限控制

通过STS实现终端用户只能管理自己的S3文件的场景来介绍STS的Session Tags功能，通过STS Session Tags，让AWS的资源的权限管理更加灵活，可自定义化。本文只演示了S3资源，但实际生产中可将STS Session Tags应用于所有AWS资源。

案例研究：远程分布式敏捷交付客户项目的实践

通过实施远程分布式agile/EDF的一些实践，我们设法将2个月的预期新冠肺炎延迟减少到2个周左右。如果说有哪些你需要注意的，请看以下3方面：（1）远程交付会花费更多精力，需要会前内容准备和人员工具等的设置工作 – 要比往常投入更多才能顺利开展，尤其是在第一次远程迭代期间，（2）不要仅靠操作手册 – 响应客户的挑战，并相应地调整人员工具等的配置工作，并且（3）坚定执行迭代控制会议 – 否则沟通成本只会更高，进而更加阻碍项目进度。

轻松构建 PyTorch 生成对抗网络(GAN)

本文将引领读者，从工程实践角度出发，借助 AWS 机器学习相关云计算服务，基于 PyTorch 机器学习框架，构建第一个生成对抗网络，开启全新的、有趣的机器学习和人工智能体验。

利用 SageMaker Operator 简化 Kubernetes 上的机器学习任务管理

Amazon SageMaker Operator 可以帮助数据科学家以及开发人员利用Kubernetes的接口来创建和管理SageMaker的任务，如机器学习的模型训练、超参优化、批量转换以及实时推理等。如图所示，SageMaker Operator可以让开发与运维人员可以通过kubectl命令行或者kubernetes api接口调用的方式来管理和使用SageMaker服务，它就像翻译器一样，在Kubernetes平台与AWS SageMaker 服务之间搭建了一座桥梁，让那些已经很很熟悉Kubenretes 的开发、运维人员在无需投入过多精力的情况下，即可快速地使用SageMaker服务。