亚马逊AWS官方博客

Amazon Personalize提供的全新aws-user-personalization recipe能够在推荐结果中引入交互量较少的新项目，并在重新训练期间通过用户反馈学习项目属性，有效地缓解了项目冷启动问题。关于使用Amazon Personalize优化用户体验的更多详细信息，请参阅Amazon Personalize文档。

利用SageMaker Operator可以实现从本地的，自建的Kubernetes集群中，对AWS SageMaker 进行训练任务的提交和管理。

今天，我们将推出 AWS Distro for OpenTelemetry 预览版。我们是 云原生计算基金会 (CNCF) 的 OpenTelemetry 社区成员，致力于建立分布式跟踪和指标收集的开放标准。AWS Distro for OpenTelemetry 是 OpenTelemetry 规范中所定义 API、库、代理和收集器的发行版，并且是一种安全且有支持的发行版。

在本文中，我们将详细描述疾病传播模拟的工作原理，如何通过监督学习以寻找模拟参数，并根据干预措施评分对疾病的传播率做出预测。

当您使用IaC在AWS云平台上创建成百上千个资源时，如何知道代码按预期方式部署了这些资源？这些资源是否遵守合规性和安全性措施？我们并不确定，因此需要基础设施测试程序。

在大型组织中，基础设施即代码的接纳度越来越高，不过由于缺乏经验、人为因素或自动化的配置错误均可引发影响业务运营的重大问题。本文译自亚马逊全球官方博客文章 ，展示了如何使用AWS CDK结合OPA（开放策略代理），构建合规策略驱动的基础设施，在部署或更改发生之前，自动进行合规策略检查以降低风险（即策略即代码），以此为云资源的管理提供防护和信心。

TalkingData发现了AWS基于Java开发的深度学习框架DJL(Deep Java Library)可以很好解决Spark在深度学习运算中的一些困境。在这个博客中，我们将带领大家了解TalkingData部署的模型，以及他们是如何利用DJL在Apache Spark上实现生产环境部署深度学习模型。这个解决方案最终将之前的生产架构简化，一切任务都可以在Apache Spark轻松运行，总时间也减少了66%。从长远角度上，这显著节省了维护成本。

该博客着重介绍了一种方法，该方法可用于使用协作工具Slack直接地触发AppStream2.0按需扩展规模，而无需使用API或登录AWS控制台。这使管理员和用户的工作更加轻松的管理AppStream2.0。

本文使用了 SageMaker BlazingText 实现了文本多分类。在样本不均衡问题上，使用了回译和 EDA 两个方法对少类别样本进行了过采样处理，其中回译方法调用了 AWS Translate 服务进行了翻译再翻译，而 EDA 方法主要使用同义词替换、随机插入、随机交换、随机删除对文本数据进行处理。 本文也使用了AWS SageMaker 的自动超参数优化来为 BlazingText 的文本分类算法找到最优超参数。

在Amazon SageMaker上以管道模式使用Horovod的多GPU或分布式训练方法，能够为数据集的各个分片创建独立的训练通道并在数据通道内访问对应分片，借此实现大规模模型训练。这种方式能够缩短在实际训练开始之前将数据集传输至训练实例所占用的时间，因此特别适用于具有大规模训练数据集的Amazon SageMaker训练场景。