亚马逊AWS官方博客

Amazon SageMaker支持从数据注释、到生产部署、再到运营监控的整个ML开发周期。正如Olexya与SNCF Réseau的工作所示，Amazon SageMaker具有良好的框架中立性，能够容纳各类深度学习工作负载及框架。除了预先为Sklearn、TensorFlow、PyTorch、MXNet、XGBoost以及Chainer创建配套Docker镜像与SDK对象以外，您也可以使用自定义Docker容器，几乎任何框架，如PeddlePaddle、Catboost、R以及Caffe2。

本文介绍了一套基于脚本的自动翻译解决方案，能够使用Amazon Translate将演示文稿中的文本翻译成多种语言。关于更多详细信息，请参阅什么是Amazon Translate。

本文演示了如何使用Ground Truth NER为Amazon Comprehend自定义实体识别结果创建注释。我们还使用Amazon A2I以更新并改进Amazon Comprehend的低置信度预测结果。

本文引导大家为Amazon SageMaker notebook实例创建自定义持久R环境。关于Amazon SageMaker上的R notebooks，请参阅Amazon SageMaker示例GitHub repo。关于创建基于R内核的Amazon SageMaker notebook实例的更多详细信息，请参考在Amazon SageMaker notebook实例上使用R代码博文。

两年前，Amazon Elastic Compute Cloud (EC2) T3 实例首次推出，为运行通用工作负载提供了一种非常经济高效的方式。虽然当前的 T3 实例可为许多使用案例提供足够的计算性能，但许多客户告诉我们，他们有额外的工作负载，这些工作负载可从提高峰值性能和降低成本中受益。

在本文中，我们讲解了如何根据用户交易与活动构建异构图，并使用该图及其他收集到的特征训练GNN模型，最终对交易的欺诈性做出预测。本文还介绍了如何使用DGL与Amazon SageMaker定义并训练具备高预测性能的GNN模型。关于此项目的完整实现以及其他GNN模型详细信息，请参见GitHub repo。

本文介绍了如何在Amazon Lex中创建一款会话式聊天机器人，使用Amazon Textract从图像或PDF文档中提取文本，使用Amazon Comprehend从文本中提取洞见，并通过机器人实现与洞见的交互。本文中所使用的代码皆发布在GitHub repo 当中，供您随意使用及扩展。我们也期待了解您如何将这套解决方案应用于实际用例，请在评论区中分享您的观点与疑问。

在实际的运营场景中，我们可以通过统计过程控制图（SPC：Statistical Process Control Chart）监控运营过程的稳定性，对过程存在的异常因素进行预警，以实现故障减少，用户体验提升和运营成本降低的目的。本文将介绍如何在Amazon SageMaker Service中，通过R语言来绘制统计过程控制图，从而可视化监控运营过程数据。

AWS 始终不懈努力为客户提供支持敏捷开发、快速部署和无限扩展的技术平台，以帮助客户解放资源，从而可以专注于为其客户创新。 我们的这一努力不仅深得客户认可，也获得了领先分析师的认同，令我们倍感自豪。

在本文中，我们使用Amazon SageMaker以BERT为起点，训练出一套能够标记句子语法完整性的模型。接下来，我们将模型分别部署在使用Elastic Inference与不使用Elastic Inference的Amazon SageMaker终端节点。您也可以使用这套解决方案对BERT做其他方向的微调，或者使用PyTorch-Transformers提供的其他预训练模型。
Key Messages as Tag