亚马逊AWS官方博客

在这个文章中，我们将尝试通过PyTorch预训练模型在在安卓平台构建一个涂鸦绘画的应用。由于总代码量会比较多，我们这次会挑重点把最关键的代码完成。你可以后续参考我们完整的项目进行构建。

在本文中，我们分步完成了对OpenPose TensorFlow版开源模型的编译，更新自定义端到端图像处理管道，并体验了能够在EC2 Infi1实例之上对ML推理时间做出分析及深度优化的工具。在调优之后，Neuron编译的TensorFlow模型较现有费率最低的GPU实例实现72%的成本节约，且性能仍旧保持一致。本文中阐述的各项操作步骤，也适用于其他ML模型类型与框架。关于更多详细信息，请参阅AWS Neuron SDK GitHub repo。

本文介绍了如何使用Prometheus与Grafana设置监控系统，借此监控目标EMR集群；以及如何使用Grafana仪表板查看关键指标以优化各类性能问题。大家也可以在Prometheus中设置警报，保证系统在发生严重问题时发出通知，并参考仪表板以缩小故障排查范围。您还可以根据需求扩展这套监控系统，利用它监控多个EMR集群及其他应用程序，打造出一套完整的、覆盖整体基础设施与应用程序的一站式指标监控系统。

时至今日，营销人员正通过各类消息力争吸引到客户的注意力，这也意味着大家必须能够在正确的时间、以正确的渠道将正确的消息传递给明确定位的正确用户。Braze为前三项难题提供解决方案，而大家也可以将Braze Connected Content与Amazon Personalize集成起来以攻克最后一个挑战，真正整理出能够反映每一位客户当前偏好、具有高度个性化的产品与内容建议。

配合Amazon Lex提供的自助服务，Amazon Connect将帮助您轻松创建便捷直观的客户服务体验。本文提供一种跨区域形式的高可用性实现方法，保证能够在某一区域中的机器人或支持实现API不可用时，使用来自其他区域的资源以继续响应客户呼叫。

描述在EKS中在以下场景实现应用的平滑升级,而避免业务中断：1. 纯EKS环境，2. SpringCloud环境，3. AppMesh/Istio环境。

Amazon Personalize为我们开启了新世界的大门，我们也对首次迈入ML领域感到无比激动。我们发现，将经过训练的模型纳入我们的工作流程其实非常简单易行。与使用Amazon Personalize相比，更耗费时间的反而是选择正确的KPI并捕捉必要数据，借此证明本轮试验的实际有效性。

数据的使用在数据格式和规模两个方面已经取得了快速的发展。对不同技术（关系数据库、NoSQL、图数据库、明文文件等）进行管理则会显著增加运营开销。随着竞争烈度的提升，数据规模也将随业务推进而飞速发展，带来更大的计算与存储资源压力。这一切，都迫使组织需求通往更高敏捷性与速度水平的道路。

数据的使用在数据格式和规模两个方面已经取得了快速的发展。对不同技术（关系数据库、NoSQL、图数据库、明文文件等）进行管理则会显著增加运营开销。随着竞争烈度的提升，数据规模也将随业务推进而飞速发展，带来更大的计算与存储资源压力。这一切，都迫使组织需求通往更高敏捷性与速度水平的道路。

本文展示一款简单的应用程序，可供制药企业、医疗保健专业人士以及消费者通过药监局及国家卫生研究院等权威来源处查找有用信息。使用这套架构及相关代码库，您可以将这套解决方案整合至关于不良事件分析及报告的其他下游应用程序当中。我们希望本文能够帮助大家接触ML技术、提高ML采用率，同时改善患者的预后与护理质量。