亚马逊AWS官方博客

今天，我们将推出一项新功能，这项功能可使您将 DynamoDB 表数据导出 Amazon Simple Storage Service (S3)——无需编写代码。
它是 DynamoDB 的一项新的原生功能，可以以任何规模运行，无需管理服务器或集群，且该功能支持您跨 AWS 区域和账户以秒级粒度将数据导出到过去 35 天的任何时间点。此外，它不会影响生产表的读取容量或可用性。

今天，我们将为 S3 智能分层发布两项新的优化，它们将自动存档很少访问的对象。这些新的优化将减少一次性存档具有不可预测访问模式且数月未访问的对象所需的手动工作量。

在使用SageMaker Operator提交任务的时候，往往会涉及到使用的算法和数据来自本地，本文介绍了如何利用SageMaker Operator的参数定义，能够让线上的SageMaker训练任务使用到本地的代码及数据。

本文详细介绍了如何利用Kinesis构建流式数据架构并带有指导实验。

在本文中，我们演示了如何在整个AWS Control Tower组织中启用IAM访问分析器。我们展示了如何将IAM访问分析器的管理权限委派至AWS Control Tower审计账户，以及如何在所有区域中启用分析器。在组织层面实施IAM访问分析器，能够帮助大家快速确定哪些资源允许来自AWS Organization之外的访问，进而提高组织的整体安全性。

为了减少 Java 开发者学习深度学习的成本，AWS构建了Deep Java Library (DJL) (https://djl.ai/)，一个为 Java 开发者定制的开源深度学习框架。它为 Java 开发者对接主流深度学习框架提供了一个桥梁。DJL 同时对 Apache MXNet，PyTorch 和 TensorFlow 最新版本的支持，使得开发者可以轻松使用Java构建训练和推理任务。在这个文章中，我们会尝试用 DJL 构建一个深度学习模型并用它训练MNIST手写数字识别任务。

今天，我们宣布，Amazon Alexa 团队已将绝大多数基于 GPU 的机器学习推理工作负载迁移到由 AWS Inferentia 提供支持的 Amazon Elastic Compute Cloud (EC2) Inf1 实例。这样一来，执行 Alexa 的文本到语音转换工作负载时，与基于 GPU 的实例相比，端到端延迟降低了 25%，成本降低了 30%。较低的延迟使 Alexa 工程师能够利用更复杂的算法进行创新，并改善客户的整体 Alexa 体验。

我们的客户可以充分利用 AWS 全球网络资源构建属于自己的私有网络，服务业务部门走向全球。利用 AWS Direct Connect Gateway、Transit Gateway 等产品能实现多 region 跨账号复杂组网，架构也具有极高的可用性和灵活性，结合 SD-WAN 广域网产品可以充分利用互联网带宽，满足更多业务精细化管理的需求。

因此，我很高兴地宣布 AWS Glue DataBrew 现已推出，该服务是一个可视化数据准备工具，可帮助您将清理和标准化数据的速度最高提高 80%，使您可以更加专注于您所能获得的商业价值。

在本文中，我们演示了如何使用您自己的数据处理代码构建起自定义Autopilot推理管道。我们首先训练出特征选择模型，而后使用经过训练的特征选择模型对原始数据进行转换。接下来，我们启动Amazon SageMaker Autopilot作业，针对我们的回归问题自动训练并优化出最佳机器学习模型。我们还构建起一套将特征选择与Autopilot模型加以结合的推理管道。