Tag: Amazon SageMaker

为了满足超长时间推理的需求，且仍然可以利用 SageMaker 全托管环境带来的诸多优点，解决方案的核心思路在于充分利用 SageMaker Training 提供的能力，将其 Train Code 的部分，替 换为 Inference Code，从而在 Training 的触发和运行框架之下，实现的对长时间推理的支持。 为了使整体架构更加简便易用和健壮，在具体实现中，增加了许多工程化内容，如白名单、服务 限制（Quota Limit），和一键部署。

本文介绍了亚马逊云科技与新希望乳业的一次联合创新。

Public Broadcasting Service（PBS）希望构建一个智能推荐引擎（SRE，Smart […]

本文讲详细介绍SageMaker Studio 集成 EMR的原理，并带您一步步搭建Amazon SageMaker Studio集成EMR打通大数据与机器学习的开发平台。使用SageMaker Studio集成EMR一站式开发平台的数据科学家、机器学习工程师可以使用统一的IDE环境完成大规模的数据分析、数据准备、模型训练和部署。

Tensorflow Serving（简称TFS）是一个很常用的模型推理开源框架，Amazon SageMaker 内建了TFS推理容器以支持TensorFlow SavedModel模型进行高效推理，Amazon SageMaker内建的TFS推理容器即可以做在线推理（比如通过SageMaker Inference Endpoint），也可以做离线推理（比如通过SageMaker Batch Transform）。

模型推理是将机器学习模型应用到业务数据并提供对该数据的洞察，其经常在业务系统中作为一个模块提供服务，作为整个机器学习生命周期中的一个必不可少的阶段，它的重要性毋庸置疑。不同的ML任务和业务应用场景下对于模型推理的诉求也是不同的，Amazon SageMaker 在模型推理方面提供了众多的功能来满足不同场景下的需求。对于任何一种推理的场景，机器学习工程师都希望能尽量提升推理服务器侧的吞吐以及降低推理的整个延迟，接下来我们从工程角度讨论一下机器学习推理这个话题。

在当今信息化高速发展的时代，推荐系统是一个热门的话题和技术领域，一些云厂商也提供了推荐系统的SaaS服务比如亚马逊云科技的Amazon Personalize来解决客户从无到有迅速构建推荐系统的痛点和难点。在我们的日常生活中，推荐系统随处可见，我根据这几年参与的推荐系统和计算广告项目总结了一些实践经验并以推荐系统系列文章的形式分享给大家，希望大家看后对推荐系统有更全新更深刻的理解。

在当今信息化高速发展的时代，推荐系统是一个热门的话题和技术领域，一些云厂商也提供了推荐系统的SaaS服务比如亚马逊云科技的Amazon Personalize来解决客户从无到有迅速构建推荐系统的痛点和难点。在我们的日常生活中，推荐系统随处可见，我根据这几年参与的推荐系统和计算广告项目总结了一些实践经验并以推荐系统系列文章的形式分享给大家，希望大家看后对推荐系统有更全新更深刻的理解。

本文讨论了如何在AWS云上构建基于机器学习的物流需求量预测。用于训练模型的数据包括内部和外部数据。机器学习模型使用物流需求量历史数据和其他相关特征进行训练，在推理时用户可以通过对特征的微调来了解特征对模型预测结果的影响。

本文旨在介绍使用人工智能视觉在工业领域的一些应用场景；客户在落地工业智能视觉时面临的一些挑战；和基于亚马逊云科技IoT框架下的工业视觉解决方案的落地架构。