亚马逊AWS官方博客

本文展示了两种控制用户及组对外部schema及表执行访问的方法。在使用Grant usage语句的第一种方法当中，无论表指向哪一条Amazon S3数据湖路径，被授权的组都可以访问schema中的所有表。这种方法灵活性更强，可以轻松实现访问授权，但无法允许或拒绝访问该schema中的某一或某些特定表。

到这里，大家已经了解如何使用Ground Truth以构建NER训练数据集，以及如何将生成的增强manifest文件自动转换为Amazon Comprehend能够直接处理的格式。

在本文中，我们介绍了如何使用Amazon SageMaker与Amazon ES KNN索引创建基于机器学习的视觉搜索应用程序。我们还使用到在ImageNet数据集上经过预训练的ResNet50模型。当然，大家也可以使用其他预训练模型，例如VGG、Inception以及MobileNet等，并使用自己的数据集进行调优。

我们宣布推出 AWS 联络中心智能 (CCI) 解决方案，该解决方案是通过 AWS 合作伙伴网络 (APN) 合作伙伴提供的一系列服务，使客户能够轻松将人工智能集成到联络中心。

AWS RoboMaker WorldForge 可以更快、更简单地且更低成本地创建大量 3D 虚拟世界，让您在其中进行机器人模拟。现在，机器人应用程序开发人员和 QA 工程师可以自动创建数百个用户定义的随机 3D 虚拟环境来模仿现实环境，而无需额外的工程投资或基础设施管理。

AWS Fargate 是一项无服务器计算引擎，可用于 Amazon Elastic Kubernetes Service (EKS) 和 Amazon Elastic Container Service (ECS) 同时支持的容器。使用 Fargate，开发人员能够专注于构建应用程序，无需管理与基础设施相关的无差别繁重工作。

本文展示了如何使用Angular与Ground Truth构建自定义的数据标注UI界面。该解决方案能够在标记作业创建过程中，处理各自定义模板中不同范围之间的通信活动。充分使用Angular等自定义前端框架的功能，帮助大家轻松创建现代Web应用程序，从而在公共、内部或者来自供应商的标记工作人员的配合下切实满足您的数据标注需求。

为深度学习训练设置机器学习基础设施往往是一项艰巨的任务，您通常需要依赖基础设施团队构建起相应环境，这将极大浪费宝贵的生产时间。此外，深度学习技术库与软件包也一直在快速变化，您需要测试各软件包之间的互操作性。使用Ubuntu 18 DLAMI，您将无需担心于基础设施设置与软件安装工作。AWS DLAMI已经为所有主流机器学习框架预先构建了必要的深度学习库与软件包，让您能够专注于模型的训练、调优与推理。

本文介绍如何使用Forecast支持的方法选项填充TTS与RTS数据集中的缺失值。您可以在提供Forecast服务的所有区域中立即开始使用这项功能。如果您有任何反馈意见，请通过AWS论坛或者常规AWS支持渠道与我们联系。

一个星期五的下午五点，您花费了整整一个下午在编码处理一个复杂、繁琐的特征工程策略。这个策略在您的Amazon SageMaker Studio t3.medium notebook上已经开始工作，你想做的是插入这个策略到一个大型实例中，通过水平扩展将其覆盖剩余数据集，然后下班回家。虽然您可以直接升级notebook实例，但只要一关上您的电脑，这项作业马上就会停止。既然如此，为什么不直接从您的notebook调度作业？