Tag: machine learning

近十年来，Amazon EC2 团队一直为我们的客户提供配备 GPU 的实例。第一代集群 GPU 实例于 2010 年末发布，随后推出了 G2（2013 年）、P2（2016 年）、P3（2017 年）、G3（2017 年）、P3dn（2018 年）和 G4（2019 年）实例。每一代产品都包含了功能越来越强大的 GPU 以及足够的 CPU 能力、内存和网络带宽，以允许最大限度地利用 GPU。

AWS专业服务一直与德甲联赛及其子公司Sportec Solution携手合作，推进数字化转型进程、加快业务成果交付并持续保持创新。在接下来的几个赛季中，德甲联赛还将引入AWS提供的全新Match Facts功能，保证为全球球迷们带来融参与度、娱乐性于一身的一流赛事观看体验。

用户无需对已有的资源和人员重新调配，轻松部署机器学习应用在现有的服务中。

我们将讨论在较高层面构建 Intuit 数据湖所包含的技术和过程，包括设置账户和资源所使用的整体结构与自动化等。请关注我们这个空间的未来动态，阅读由其他合作构建 Intuit 数据湖的团队和工程师发布的关于该系统特定方面的更详细博文。

随着物联网和 AI 芯片的发展，未来将会有越来越多的数据在边缘侧处理。很多业务场景已经对边缘智能提出了明确的需求，本篇将介绍使用 Amazon SageMaker 和 Nvidia Jetson 使用云 +端结合的方式打造一个边缘推理的方案

在近日全球规模最大的语义评测比赛 SemEval 2020中，语义理解框架ERNIE斩获了包括视觉媒体的关键文本片段挖掘、多语攻击性语言检测和混合语种的情感分析等在内的5项世界冠军。它所提出的知识增强语义表示模型，以及2.0版本构建的持续学习语义理解框架，在中英文等多个任务上超越业界最好模型。尤其在多项中文NLP任务中，ERNIE的结果都能与 BERT 持平或有所提升。

PyTorch 是一个常见的深度学习框架，它使用动态计算图形。借助它，您可以使用命令语言和常用的 Python 代码轻松开发深度学习模型。推理是使用训练模型进行预测的过程。对于使用 PyTorch 等框架的深度学习应用程序，推理成本占计算成本的 90%。由于深度学习模型需要不同数量的 GPU、CPU 和内存资源，为推理选择适当的实例有难度。在一个独立的 GPU 实例上对其中一个资源进行优化通常会导致其他资源利用不足。因此，您可能要为未使用的资源付费。

随着 AI 在医疗领域的快速运用与推广，越来越多医疗用户在AWS寻求弹性，安全，高效，高可用的解决方案。此外，基于医疗的行业属性，医疗用户要求在云上的机器学习流程一方面与 AWS 其它产品如监控，安全，审计等服务集成，以符合 HIPAA 要求；另一方面能贴合本地业务环境无缝集成，灵活部署。随着益体康，晶态科技等优秀的医疗+AI用户通过在 AWS 上快速搭建服务平台，极大缩短了产品从构想、开发，再到部署的时间，越来越多的用户发现 AWS 技术上的优势可以让医疗 AI 用户的模型训练变得更为轻松。这篇blog旨在以开源的医疗影像数据与语义分割算法为例，探索 Amazon SageMaker 加速自定义医疗 AI 影像分割算法构建的业务场景与优势。

基于深度学习的图像分类的研究与应用已经进行的如火如荼，对大部分的业务场景来说，更是有着深刻的现实意义 – 基于图片的互联网分享社交应用，如何借助深度学习在第一时间对用户分享的图片进行实时监测，分类是一个比较典型的应用场景；又例如，电商运营可能希望对所有的产品照片按照产品属性进行自动化分类，减少人工分类的工作；另外，在工业生产线的良品率基于产品图片的自动筛检，以及辅助医疗领域对病理图片的分类等等场景都有着十分广泛的应用前景和实用价值。

今天,随着电子商务规模的不断扩大，商品种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关信息和产品的过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。区别于传统的规则推荐，个性化推荐算法通常使用机器学习甚至深度学习算法，对于用户信息与其行为信息充分挖掘，进而进行有效的推荐。