亚马逊AWS官方博客

Tag: AWS Step Functions

使用 Amazon SageMaker Processing 与 AWS Step Functions 构建机器学习工作流

机器学习（ML）工作流负责编排并自动执行机器学习任务序列，包括数据收集，机器学习模型的训练、测试与评估，外加模型部署。AWS Step Functions能够在端到端工作流中编排并自动执行与 Amazon SageMaker相关的各项机器学习任务。AWS Step Functions数据科学软件开发工具包（ AWS Step Functions Data Science Software Development Kit，简称SDK）是一套开源库，使您得以轻松创建包含数据预处理、模型训练和部署的工作流。您可以使用Python创建机器学习工作流，而无需分别设置及整合各项AWS服务。

在 AWS 上构建云原生机器学习流水线

近两年，机器学习已经渗透到各行各业，各种人工智能和机器学习的应用蓬勃发展，在其背后实际上会有一个完善的机器学习平台和流水线来支撑模型的开发、测试和迭代。但是这样一个系统性的平台，往往需要通过整合基础架构层和平台层来完成。在本篇Blog中，我们将展现如果通过AWS的服务构建云原生的机器学习流水线。

使用 AWS Batch 轻松玩转遥感计算

随着卫星发射技术的成熟，以及大数据和人工智能技术的发展，遥感数据应用越来越多。AWS Open Data以及以AWS Batch 为代表的批量计算服务可以帮助客户随时启动数千台计算节点，帮助客户缩短项目周期，降低运维成本。本Blog旨在给客户使用AWS Open Data 以及AWS Batch 提供使用引导，降低他们的学习门槛。

AWS Step Functions 添加了对“选择”状态的更新、对上下文对象的全局访问、动态超时、结果选择并为 Amazon States Languages 添加了内部函数

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。

使用 AWS Step Functions 和 AWS Glue 编排基于 Amazon Redshift 的 ETL 工作流

在本文中，我将展示如何使用 AWS Step Functions 和 AWS Glue Python Shell 以完全无服务器的方式为那些基于Amazon Redshift 的 ETL 工作流编排任务。AWS Glue Python Shell 是一个 Python 运行时环境，用于运行中小型 ETL 任务，例如提交 SQL 查询和等待响应。Step Functions 可让您将多个 AWS 服务协调到工作流中，从而可以轻松运行和监视一系列 ETL 任务。AWS Glue Python Shell 和 Step Functions 均无服务器，允许自动运行和扩展它们以响应定义的事件，而无需配置、扩展和管理服务器。

Newer posts →