Tag: 使用指南

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。

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。

机器学习与人工智能能够极大提升组织的敏捷水平，将原本只能手动完成的任务转为自动化流程，借此增强执行效率。在本文中，我们演示了一套端到端架构，可通过Amazon Textract与Amazon Comprehend提取候选人技能等自定义实体。本文还将大家讲解了如何使用Amazon Textract进行数据提取，以及如何使用Amazon Comprehend通过您的自有数据集训练自定义实体识别器，并借此实现自定义实体识别。这一流程可以广泛应用于各个行业，例如医疗保健与金融服务等。

在本文中，我们探讨了如何通过异步批量翻译对DOCX格式的文档进行翻译。关于翻译电子表格与演示文稿，其过程与翻译DOCX文件相同。AWS提供的翻译服务Amazon Translate使用简单，且您只需要根据翻译的每种格式的文档中的字符数（包含空格）进行付费。您现在可以在支持批量翻译的所有区域内翻译Office文档。如果您还不熟悉Amazon Translate，不妨先从Free Tier免费套餐起步。此套餐将从您提交的第一项翻译请求开始，在随后的12个月内每月提供2百万个字符的免费翻译配额。

本文介绍了一套基于脚本的自动翻译解决方案，能够使用Amazon Translate将演示文稿中的文本翻译成多种语言。关于更多详细信息，请参阅什么是Amazon Translate。

本文演示了如何使用Ground Truth NER为Amazon Comprehend自定义实体识别结果创建注释。我们还使用Amazon A2I以更新并改进Amazon Comprehend的低置信度预测结果。

本文引导大家为Amazon SageMaker notebook实例创建自定义持久R环境。关于Amazon SageMaker上的R notebooks，请参阅Amazon SageMaker示例GitHub repo。关于创建基于R内核的Amazon SageMaker notebook实例的更多详细信息，请参考在Amazon SageMaker notebook实例上使用R代码博文。

在本文中，我们讲解了如何根据用户交易与活动构建异构图，并使用该图及其他收集到的特征训练GNN模型，最终对交易的欺诈性做出预测。本文还介绍了如何使用DGL与Amazon SageMaker定义并训练具备高预测性能的GNN模型。关于此项目的完整实现以及其他GNN模型详细信息，请参见GitHub repo。

本文介绍了如何在Amazon Lex中创建一款会话式聊天机器人，使用Amazon Textract从图像或PDF文档中提取文本，使用Amazon Comprehend从文本中提取洞见，并通过机器人实现与洞见的交互。本文中所使用的代码皆发布在GitHub repo 当中，供您随意使用及扩展。我们也期待了解您如何将这套解决方案应用于实际用例，请在评论区中分享您的观点与疑问。

本文展示了两个用例，分别通过Amazon A2I将表格数据引入人工审核工作流中，且分别对应不可变静态表与动态表。当然，本文对于Amazon A2I功能的表述只能算是冰山一角。目前Amazon A2I已经在12个AWS区域内正式上线，关于更多详细信息，请参阅区域表。