亚马逊AWS官方博客

今天，我们宣布通过更新 Amazon States Language (ASL) 来增强 AWS Step Functions。ASL 是一种基于 JSON 的结构化语言，用于定义状态机和可执行工作的状态集合（任务状态），确定要过渡到下一个状态的状态（选择状态），并在出错时停止执行（失败状态）。通过今天推出的更新，客户可以编写简化的工作流应用程序，提高状态机定义的灵活性，减少 lambd 调用，并减少状态过渡以节省成本。

本文介绍了如何配置Kubeflow Pipelines以通过Amazon SageMaker运行机器学习作业。Kubeflow Pipelines是一套开源机器学习编排平台，在希望立足Kubernetes构建并管理自定义机器学习工作流的开发者群体中广受欢迎。但不少开发人员及MLOps团队在Kubeflow Pipelines的实际运营中遭遇挑战，发现自己难以管理Kubernetes集群的机器学习优化工作，无法获得良好的投资回报率或者承担极高的总体拥有成本。

本文介绍了自动检测来自黑名单国家的WorkSpaces登录，当用户从未经授权的国家(基于用户IP地址)访问WorkSpaces时通知未经授的用户登录
Key Messages as Tag

本文基于 FFmpeg 最新版本（4.3）对 C5 以及 C6g 实例的转码性能做了详细的对比测试，展示了Amazon EC2 C6g 实例为转码工作负载所带来的更好的性价比

“为您推荐”成为我们团队乃至整个StockX公司的一次巨大胜利。我们开始迅速将机器学习技术整合至企业中的各个层面。而我们获得的成功，也使得企业决策者同意在更多StockX体验场景当中集成Amazon Personalize，并不断扩大我们在机器学习领域投入的精力。可以肯定地讲，个性化如今已经成为StockX内部的头等大事。

面向Amazon SageMaker的开源XGBoost容器提供全托管使用体验与其他多种优势，可帮助您节约训练成本并进一步提升机器学习应用灵活性。

Amazon Personalize中的推荐过滤器可帮助用户根据业务需求对推荐内容进行微调，且您无需分神设计任何后处理逻辑。关于通过Amazon Personalize优化用户体验的更多详细信息，请参阅Amazon Personalize是什么？

AMD Yes! EC2 实例的新选择

技术社区分享 AWS 知识的热情始终令我们振奋不已。许多资深的 AWS 拥趸乐于分享他们遇到的挑战、成功经验和代码，以帮助其他人在 AWS 上构建。AWS 新用户也对社区构建同样热情，他们希望知道如何更多地参与社区活动。这些构建者希望有更好的方式来联系互动、分享最佳实践以及获得资源和辅导，从而帮助促进社区知识共享。

许多工作负载（如基因组分析、机器学习模型训练、高性能计算 (HPC) 和分析应用程序）都依赖于访问同一组数据的多个计算实例。对于这些工作负载，计算实例的集群通常连接到高性能共享文件系统。Amazon FSx for Lustre 让您可以轻松且经济高效地启动和运行世界上最热门的高性能共享文件系统。今天，我们宣布推出适用于 FSx for Luster 的新 HDD 存储选项，该选项可将吞吐量密集型工作负载的存储成本降低多达 80％，而这些工作负载不需要 SSD 存储的亚毫秒级延迟。