亚马逊AWS官方博客

机器学习（ML）工作流负责编排并自动执行机器学习任务序列，包括数据收集，机器学习模型的训练、测试与评估，外加模型部署。AWS Step Functions能够在端到端工作流中编排并自动执行与 Amazon SageMaker相关的各项机器学习任务。AWS Step Functions数据科学软件开发工具包（ AWS Step Functions Data Science Software Development Kit，简称SDK）是一套开源库，使您得以轻松创建包含数据预处理、模型训练和部署的工作流。您可以使用Python创建机器学习工作流，而无需分别设置及整合各项AWS服务。

A/B测试还能够提供客户与Amazon Personalize推荐结果间实际交互方式的宝贵信息。这些结果将根据明确定义的业务指标进行衡量，使您了解推荐结果的有效性，以及该如何进一步调整训练数据集建立起明确认知。在对此过程进行多轮迭代之后，您会发现各项重要指标都将得到改善，客户参与度也将随之提高。

Nitro 系统是一个能够以多种不同方式组合的丰富构建块集合，可以让我们灵活地设计并快速交付 EC2 实例类型，并提供不断增加的计算、存储、内存和网络选项。金融服务、国防、媒体和娱乐以及生命科学各行各业的 AWS 客户都会在 AWS 云上定期处理高度敏感的数据。他们在执行此操作时，需要防止内部和外部威胁，而且需要处理涉及到多个互不信任的合作伙伴、供应商、客户和员工的复杂情况。如今，他们使用 VPC 创建连接受控、有限的高度隔离环境，仅限有限用户集访问该环境。今天，我们推出 AWS Nitro Enclaves，以此来解决此重要需求。

由于其本身的效率以及对众多编程语言的支持，gRPC 是微服务集成和客户端服务器通信的常见选择。gRPC 是一种高性能远程过程调用 (RPC) 框架，它使用 HTTP/2 进行传输，使用协议缓冲区描述接口。
为了更轻松地将 gRPC 用于应用程序，Application Load Balancer (ALB) 现在支持端到端 HTTP/2，从而使您能够通过单个负载均衡器将 gRPC 服务和非 gRPC 服务一起发布。

今天，我们将推出一项新功能，这项功能可使您将 DynamoDB 表数据导出 Amazon Simple Storage Service (S3)——无需编写代码。
它是 DynamoDB 的一项新的原生功能，可以以任何规模运行，无需管理服务器或集群，且该功能支持您跨 AWS 区域和账户以秒级粒度将数据导出到过去 35 天的任何时间点。此外，它不会影响生产表的读取容量或可用性。

今天，我们将为 S3 智能分层发布两项新的优化，它们将自动存档很少访问的对象。这些新的优化将减少一次性存档具有不可预测访问模式且数月未访问的对象所需的手动工作量。

在使用SageMaker Operator提交任务的时候，往往会涉及到使用的算法和数据来自本地，本文介绍了如何利用SageMaker Operator的参数定义，能够让线上的SageMaker训练任务使用到本地的代码及数据。

本文详细介绍了如何利用Kinesis构建流式数据架构并带有指导实验。

在本文中，我们演示了如何在整个AWS Control Tower组织中启用IAM访问分析器。我们展示了如何将IAM访问分析器的管理权限委派至AWS Control Tower审计账户，以及如何在所有区域中启用分析器。在组织层面实施IAM访问分析器，能够帮助大家快速确定哪些资源允许来自AWS Organization之外的访问，进而提高组织的整体安全性。

为了减少 Java 开发者学习深度学习的成本，AWS构建了Deep Java Library (DJL) (https://djl.ai/)，一个为 Java 开发者定制的开源深度学习框架。它为 Java 开发者对接主流深度学习框架提供了一个桥梁。DJL 同时对 Apache MXNet，PyTorch 和 TensorFlow 最新版本的支持，使得开发者可以轻松使用Java构建训练和推理任务。在这个文章中，我们会尝试用 DJL 构建一个深度学习模型并用它训练MNIST手写数字识别任务。