亚马逊AWS官方博客

去年，我向您介绍了 Amazon Braket，并解释了量子计算的基础知识，从量子位开始，一直发展到量子电路。在预览期间，Enel、Fidelity（使用 Amazon Web Services 探索量子计算）和 Volkswagen 等 AWS 客户一直在使用 Amazon Braket 探索和获取量子计算方面的体验。

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。