亚马逊AWS官方博客

AWS Fargate 是一项无服务器计算引擎，可用于 Amazon Elastic Kubernetes Service (EKS) 和 Amazon Elastic Container Service (ECS) 同时支持的容器。使用 Fargate，开发人员能够专注于构建应用程序，无需管理与基础设施相关的无差别繁重工作。

本文展示了如何使用Angular与Ground Truth构建自定义的数据标注UI界面。该解决方案能够在标记作业创建过程中，处理各自定义模板中不同范围之间的通信活动。充分使用Angular等自定义前端框架的功能，帮助大家轻松创建现代Web应用程序，从而在公共、内部或者来自供应商的标记工作人员的配合下切实满足您的数据标注需求。

为深度学习训练设置机器学习基础设施往往是一项艰巨的任务，您通常需要依赖基础设施团队构建起相应环境，这将极大浪费宝贵的生产时间。此外，深度学习技术库与软件包也一直在快速变化，您需要测试各软件包之间的互操作性。使用Ubuntu 18 DLAMI，您将无需担心于基础设施设置与软件安装工作。AWS DLAMI已经为所有主流机器学习框架预先构建了必要的深度学习库与软件包，让您能够专注于模型的训练、调优与推理。

本文介绍如何使用Forecast支持的方法选项填充TTS与RTS数据集中的缺失值。您可以在提供Forecast服务的所有区域中立即开始使用这项功能。如果您有任何反馈意见，请通过AWS论坛或者常规AWS支持渠道与我们联系。

一个星期五的下午五点，您花费了整整一个下午在编码处理一个复杂、繁琐的特征工程策略。这个策略在您的Amazon SageMaker Studio t3.medium notebook上已经开始工作，你想做的是插入这个策略到一个大型实例中，通过水平扩展将其覆盖剩余数据集，然后下班回家。虽然您可以直接升级notebook实例，但只要一关上您的电脑，这项作业马上就会停止。既然如此，为什么不直接从您的notebook调度作业？

加入我们，观看由 AWS 解决方案架构师和工程师主导的实时在线演示。AWS 在线技术讲座涵盖了一系列主题和多层次的专业知识，包括技术深入探讨、演示、客户示例以及 AWS 专家的实时问答。

随着机器学习和深度学习模型变得更加精密，越来越需要通过硬件加速以更高的吞吐量实现更快的预测。今天，我们非常兴奋地宣布，AWS 客户现在可将 Amazon EC2 Inf1 实例用在 Amazon ECS 上，以在云中获得高性能和最低的预测成本。现在，这些实例已经可以在 Amazon Elastic Kubernetes Service 使用几个星期。

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。