亚马逊AWS官方博客

在 AWS re:Invent 2017 上推出的 Amazon SageMaker 是一项完全托管式服务，已帮助成千上万的客户在 AWS 上快速构建和部署机器学习 (ML) 工作流。 为了帮助他们发挥最大的 ML 优势，我们添加了一系列成本优化型服务和功能，例如托管 Spot 训练、多模型终端节点、Amazon Elastic Inference 和 AWS Inferentia。事实上，客户发现，与其他基于云的选项（如自行管理的 Amazon EC2 和 AWS 托管的 Amazon EKS）相比，SageMaker 三年的总拥有成本 (TCO) 要低 54%。 我们最喜欢的是通过节省资金让客户满意，因此我很高兴地宣布： Amazon SageMaker 中 CPU 和 GPU 实例的价格降低， 推出适用于 Amazon SageMaker 的 Savings Plans。 降低 Amazon SageMaker 中的实例价格 从今天起，我们将 Amazon SageMaker 中的多个实例系列的价格下降高达 […]

在实际场景中，我们通常会遇到工作流中需要集成对外部应用做异步调用的需求，Stepfunction提供的基于activity的回调模式可以完美支持以上场景，不但可以方便地定义异步任务和等待流程，并且在等待任务完成的过程中不会产生任何额外费用。 本博客将模拟一个典型的与外部应用集成的工作流场景，通过需求场景描述、stepfunction原理讲解以及代码实现几个步骤，为您深入剖析Stepfunction对回调模式的实现。

模型训练与服务化可以说是成功建立端到端机器学习（ML）流程的两大基本环节。这两个步骤通常需要不同的软件与硬件设置，才能为生产环境提供最佳组合。模型训练优化的目标是低成本、训练时间长度可行、科学上的灵活性以及良好的模型可解释性等；而模型服务化的优化目标是低成本、高吞吐以及低延迟。

语义搜索引擎的兴起使电子商务与零售企业能够更轻松地为消费者提供搜索服务。基于自然语言理解（NLU）的搜索引擎使您可以通过首选会话语言直接表述自己的需求，而不再只能硬性依赖于以输入设备写下相应关键字。您可以使用母语以单词或句子执行查询，并由搜索引擎负责理解并提供最佳结果。

而随着人工智能与机器学习（ML）在体育分析领域的应用日益广泛，AWS决定与Stats Perform联手将机器学习驱动的实时统计数据系统引入英式橄榄球赛，旨在提高球迷参与度并提供关于比赛的更多宝贵洞见。

使用Amazon Textract 与 Amazon Comprehend，通过AWS Finance and Global Business Services构建一套自动化合约处理平台

Amazon SageMaker广泛使用Docker容器，允许用户构建用于数据准备、训练及推理代码的运行时环境。Amazon SageMaker内置用于Amazon SageMaker Processing的Spark容器则提供一套托管Spark运行时，其中包含运行分布式数据处理工作负载所需要的各类库组件与依赖项。

总体而言，我们与AWS的合作关系帮助我们解决了一系列极具挑战性的业务难题，由此为客户带来巨大价值。我们计划与AWS继续合作，尝试解决其他更为艰难的问题，最终为我们的客户带来真正的业务价值。 大家可以通过多种方式快速上手Amazon Textract：与我们的AWS合作伙伴Quantiphi联系，联络您的客户经理或解决方案架构师，或者访问我们的 Amazon Textract产品页面以了解更多可用资源。

Amazon RDS on VMware支持在本地VMware环境下为用户提供托管SQL Server数据库服务。SQL Server的管理工作向来以复杂与耗时著称，但RDS on VMware足可以帮助大家在VMware vSphere集群上轻松的配置、扩展并运营SQL Server。您可以将原有的本地SQL Sever数据库迁移至RDS on VMware上，借此发挥托管服务的固有优势。

在本文中，我们将了解如何通过上述方法在Amazon RDS for MySQL数据库上执行主版本升级，以及与之相关的最佳实践。此外，我们还将探讨可供选择的其他操作步骤。