亚马逊AWS官方博客

Amazon Comprehend 是一项使用机器学习 (ML) 在文本中发现见解和关系的自然语言处理 (NLP) 服务。Amazon Comprehend 可识别文本的语言；提取关键短语、地点、人物、品牌或事件；以及理解文本的正面或负面程度。有关 Amazon Comprehend 所有功能的更多信息，请参阅 Amazon Comprehend 功能。

随着机器学习 (ML) 在公司核心业务中占据的份量越来越重，缩短从模型创建到部署的时间就变得越来越重要。2019 年 11 月，AWS 发布了适用于 Amazon SageMaker 的 AWS Step Functions Data Science SDK，开发人员可以通过这款开源开发工具包用 Python 创建基于 Step Functions 的机器学习工作流。现在，您可以使用与模型开发所用的同款工具创建可重复使用的模型部署工作流。您可以在 GitHub仓库的 “automate_model_retraining_workflow” 文件夹中找到此解决方案的完整手册。

Forecast 在 re:Invent 2018 大会上推出并从 2019 年 8 月起全面开放，是一项完全托管的服务，使用机器学习生成高度准确的预测，用户无需事先具备任何机器学习经验。Forecast 适用于十分广泛的用例，包括估算产品需求、供应链优化、能源需求预测、财务规划、劳动力规划、云基础设施使用量的计算以及流量需求预测等。

总体拥有成本 (TCO) 通常是您会用于估计与比较 ML 成本的财务指标。本文针对Amazon SageMaker （这是一个用来构建、训练与部署 ML 模型的全托管服务）做了TCO分析，结果表明，它的 TCO 在三年时间里比其他方式如自己通过 Amazon EC2 或 Amazon EKS来建设要低 54%。我们的分析范围涵盖了从只有五位数据科学家的小团队到由 250 位数据科学家组成的超大型团队，结论是 Amazon SageMaker 能为各种规模大小不同的团队都提供更出色的 TCO。

患者匹配是实现医疗护理互通性的主要障碍之一。不匹配的患者记录和无法检索患者历史信息可能严重阻碍做出正确的临床决定，并导致漏诊或治疗延误。另外，医疗护理提供者经常会花精力去处理患者重复数据的删除，尤其当他们的数据库中的患者记录数量急速增加时。电子健康记录 (EHR) 近年来大幅优化了患者的安全和护理协调，但准确的患者匹配对很多医疗护理组织来说仍然是一项挑战。

数据湖是一种用于创建单个存储库以存储和分析结构化和非结构化数据的日益流行的方法。AWS Lake Formation 使您可以轻松设置、保护和管理数据湖。本博文将引导您使用 Lake Formation 来创建和探索数据湖

在当今数据驱动业务的时代，大数据已经成为企业业务驱动的利器之一，Amazon EMR 是一个托管集群平台，可简化在 AWS 上运行大数据框架的过程，使组织能够在几分钟内启动具有多个实例的集群，让您能够轻松经济的通过并行处理来处理各种数据工程和商业智能工作负载。在Amazon EMR中，我们经常会用到Apache Hadoop，Apache Spark等大数据框架运行我们的海量数据处理作业，而基于内存计算的Apache Spark框架，毫无疑问在批处理或是流处理领域都是EMR中最热门的点选组件之一。面向企业数据工程师，我们可能需要一两天学习并编写完我们的第一个Spark作业，而针对Spark的作业进行调整和优化则拥有不断完善的空间。

AWS 诚邀全世界的构建者参加 #BuildforCOVID19，使用您专长的技术来解决一系列建议的主题和挑战领域，其中部分主题和领域由世界卫生组织等卫生合作伙伴提供。本骇客马拉松欢迎各种关注本地和全球的解决方案，对所有开发者开放。

在此博文中，我们解释了将带 Redshift Spectrum 的 Amazon Redshift 扩展为现代数据仓库的原因。我将介绍我们的数据增长及平衡成本和性能的需求如何促使我们采用 Redshift Spectrum。我还将分享我们的环境中的关键性能指标，并讨论提供可扩展和快速环境的额外 AWS 服务，并提供数据供我们日益增长的用户群进行立即查询。

本文为 418sec 联合创始人 Adam Nygate、Jake Mimoni 和 Jamie Slome 的客座博文，主要介绍初创公司如何通过 Huntr来帮助保护开源生态系统。