亚马逊AWS官方博客

12 月 15 日星期二，Werner Vogels 博士将发表主题演讲，分享 Amazon 如何解决当今世界最棘手的技术问题，机会难得，切勿错过。Jeff Barr、Martin Beeby、Steve Roberts 和 Channy Yun 将通过博客直播本次活动，分享来自 re:Invent 2020 最后一个主题演讲的所有亮点、见解和主要公告。

今天，我非常高兴地宣布推出 Amazon SageMaker 管道，这是 Amazon SageMaker 的一项新功能，可让数据科学家和工程师轻松构建、自动化、并扩展端到端的机器学习管道。

今天，我非常高兴地宣布 Amazon SageMaker 功能库，一项 Amazon SageMaker 新功能，它可以使数据科学家和机器学习工程师轻松安全地存储、发现和共享培训和预测工作流程中使用的精选数据。
对于选择正确算法来培训机器学习 (ML) 模型的重要性，经验丰富的从业人员知道提供高质量数据有多么重要。清理数据是很好的第一步，机器学习工作流程通常包括填充缺失值、删除异常值等步骤。然后，他们经常使用被称为“特征工程”的常见技术和难懂的技术进行数据转换。

医疗保健组织每天收集大量患者信息，从家族史和临床观察，到诊断和药物治疗。他们使用所有这些数据来尝试编译患者健康信息的完整图像，以提供更好的医疗保健服务。目前，这些数据分布在各种系统（电子病历、实验室系统、医疗图像存储库等）之间，并以数十种不兼容的格式存在。

国内大部分半导体设计公司都面临缺少CAD工程师的局面。缺少CAD团队影响设计效率成为一个日益显著的问题。缺少CAD团队意味着缺少开发设计流程工具，缺乏流程管理，无法为作业失败后的日志分析提供良好的排查指导。本文以回归测试举例，阐述在回归测试过程中，当作业失败，需要针对异常状况进行分析时，提供一个简单的排查流程指导。各位可以根据公司自身的状况进行定制化设计，并通过异常分析流程在缺少CAD团队的情况下提升开发效率。

我们很高兴地宣布 Amazon Lookout for Metrics，一项新服务，它使用机器学习 (ML) 来检测指标中的异常情况，帮助您主动监控业务的运行状况、诊断问题并快速寻找机会，无需机器学习经验。

今天，我非常高兴地宣布 Amazon SageMaker 简化了大型深度学习模型的训练，而这些模型以前由于硬件限制而难以训练。

随着数据集和模型的规模越来越大、越来越复杂，从事大型分布式训练作业的机器学习 (ML) 从业人员不得不面临越来越长的训练时间，即使在使用 Amazon Elastic Compute Cloud (EC2) p3 和 p4 实例等强大的实例时也是如此。举例来说，使用配备 8 个 NVIDIA V100 GPU 的 ml.p3dn.24xlarge 实例时，需要 6 个多小时在公开可用的 COCO 数据集上训练高级对象检测模型，例如 Mask RCNN 和 Faster RCNN。同样地，在相同实例上训练最新自然语言处理模型 BERT 需要 100 多个小时。我们的一些客户，例如自动驾驶汽车公司，经常要在大型 GPU 集群上处理运行数天的更大型训练作业。
可以想象，这些长时间的训练是机器学习项目的严重瓶颈，影响了生产效率并减缓了创新。客户向我们寻求帮助，而后我们就行动了。

今天，我非常高兴地宣布推出 Amazon SageMaker 的一项新功能 Amazon SageMaker Clarify，该功能可帮助客户检测机器学习 (ML) 模型中的偏向，并且可以通过向利益相关者和客户解释模型行为来提高透明度。

今天，我非常高兴地宣布推出 Amazon SageMaker Edge Manager，它是 Amazon SageMaker 的一项新功能，可用于在边缘设备队列中更轻松地优化、保护、监控和维护机器学习模型。