Kostenloses Konto erstellen

Amazon KI-Services rücken natürliches Sprachverständnis, automatische Spracherkennung, visuelle Such- und Bilderkennung, Text-Sprache-Umwandlung und Machine Learning in Reichweite jedes Entwicklers. Basierend auf den bewährten, hochgradig skalierbaren Produkten und Services, die von Tausenden von Experten für Deep Learning und Machine Learning in Amazon erstellt werden, bieten die KI-Services von Amazon hochwertige, präzise KI-Funktionen, die skalierbar und kostengünstig sind.

Außerdem stellt das AWS Deep Learning-AMI KI-Entwicklern und -Forschern eine Möglichkeit zum schnellen und einfachen Verwenden eines beliebigen großen Deep Learning-Frameworks bereit, um fortschrittliche benutzerdefinierte KI-Modelle zu trainieren, mit neuen Algorithmen zu experimentieren und neue Deep Learning-Fertigkeiten und -Techniken in der umfangreichen Datenverarbeitungsinfrastruktur von AWS zu erlernen.



Amazon – KI-Produktstrategie

Unser KI-Ansatz besteht aus drei Hauptebenen, die sich oberhalb der AWS-Infrastruktur befinden:

KI-Services: Auf der höchsten Ebene stellt AWS für Entwickler, die Zugriff auf KI-Technologien benötigen, ohne eigene ML-Modelle trainieren oder entwickeln zu müssen, eine Sammlung mit hochgradig skalierbaren, vorab trainierten und optimierten verwalteten KI-Services bereit, die für die ersten Schritte keine KI-Fertigkeiten oder fundierte Kenntnisse erfordern. Amazon Rekognition für Bild- und Gesichtsanalyse, Amazon Polly für Sprache-zu-Text und Amazon Lex zum Erstellen von Gesprächs-Chatbots mit Funktionen zur automatischen Spracherkennung und zum natürlichen Sprachverstehen (Natural Language Understanding, NLU).

KI-Plattformen: Für Kunden mit vorhandenen Daten, die sich auf das Erstellen benutzerdefinierter Inferenzmodelle konzentrieren möchten, stellen wir eine Reihe von KI-Plattformen bereit, die den undifferenzierten Aufwand des Bereitstellens und Verwalten des KI-Trainings und Modell-Hostings entfernen. Der Amazon Machine Learning-Service ermöglicht Ihnen das Trainieren benutzerdefinierter Machine Learning-Modelle mithilfe Ihrer eigenen Daten, ohne dass fundierte Machine Learning-Fertigkeiten oder -Kenntnisse erforderlich sind. Außerdem umfasst Apache Spark für Amazon EMR MLlib für skalierbare Machine Learning-Algorithmen.

KI-Frameworks: Außerdem unterstützen wir alle großen KI-Frameworks für Forscher und Datenwissenschaftler, die fortschrittliche und moderne intelligente Systeme erstellen möchten. Frameworks wie Apache MXNet, TensorFlow, Caffe, Theano, Torch, Keras und CNTK stellen flexible Programmiermodelle zum Trainieren benutzerdefinierter Modelle jeder Größe bereit. Das AWS Deep Learning-AMI, das für Amazon Linux und Ubuntu verfügbar ist, stellt alle diese Frameworks vorinstalliert und -konfiguriert auf einem benutzerfreundlichen Amazon Machine Image bereit, damit Sie schnell und einfach beginnen können.

KI-Infrastruktur: Deep Learning-Frameworks wie Apache MXNet verwenden neurale Netze, die den Prozess des Multiplizierens zahlreicher Matrizen umfassen. Amazon EC2-P2-Instances stellen leistungsstarke Nvidia-GPUs bereit, um die Zeit bis zum Abschluss dieser Berechnungen zu verkürzen, damit Sie ihre Modelle in einem Bruchteil der Zeit, die herkömmliche CPUs benötigen würden, trainieren können. Nach dem Training sind datenverarbeitungsoptimierte Amazon EC2 C4- und M4-Mehrzweck-Instances ideal zum Ausführen von Inferenzen mit dem trainierten Modell geeignet. Außerdem können Sie mit AWS Lambda Ihren Betrieb mit serverlosen Machine Learning-Prognosen vereinfachen, während Sie mit AWS Greengrass KI-IoT-Anwendungen nahtlos in der gesamten AWS Cloud und auf lokalen Geräten ausführen können.

Zurück zum Seitenanfang »


Amazon KI-Services erleichtern den Entwicklern das Erstellen von Anwendungen, die Text in lebensechte Sprache verwandeln können, sodass Sie Gespräche mit Sprache oder Text führen und Bilder zum Identifizieren von Gesichtern, Objekten und Szenen analysieren können.

Amazon Lex

Amazon Lex verwendet die gleiche Technologie wie Amazon Alexa, um erweiterte Deep Learning-Funktionen der automatischen Spracherkennung (Automatic Speech Recognition, ASR) und des natürlichen Sprachverstehens (Natural Language Understanding, NLU) bereitzustellen, damit Sie Anwendungen mit Gesprächsschnittstellen, die häufig als Chatbots bezeichnet werden, erstellen können.

Weitere Informationen »

Amazon Polly

Amazon Polly ist ein Service, der Text in natürliche Sprache konvertiert. Mit Polly können Sie Anwendungen erstellen, die in mehr als zwei Dutzend Sprachen mit verschiedenen natürlich klingenden männlichen und weiblichen Stimmen sprechen, damit Sie ganz neue Kategorien sprachfähiger Produkte entwickeln können.

Weitere Informationen »

Amazon Rekognition

Amazon Rekognition, das auf die von Amazon Prime Photos zum täglichen Analysieren von Milliarden von Bildern verwendete Technologie basiert, ist ein Service, der das Hinzufügen von Bildanalysen zu Ihren Anwendungen vereinfacht. Mit Rekognition können Sie Objekte, Szenen und Gesichter in Bildern erkennen und Gesichter zwischen verschiedenen Bildern suchen und vergleichen.

Weitere Informationen »


Für Entwickler mit vorhandenen Daten, die benutzerdefinierte Modelle erstellen möchten, entfernen die KI-Plattformservices den undifferenzierten Aufwand des Bereitstellens und Verwalten des KI-Trainings und Modell-Hostings.

Amazon Machine Learning

Amazon Machine Learning bietet Visualisierungstools und Assistenten, die Sie durch den Aufbauprozess für Machine Learning-Modelle (ML) begleiten, ohne dass Sie komplexe ML-Algorithmen und Technologien erlernen müssen.

Weitere Informationen »

ha_ed_emr-new-2

Apache Spark auf Amazon EMR beinhaltet MLlib zum Bereitstellen skalierbarer Algorithmen für Machine Learning. Alternativ haben Sie auch die Möglichkeit, Ihre eigenen Bibliotheken zu verwenden. Durch das Speichern von Datensätzen im Arbeitsspeicher kann Spark eine großartige Leistung für Machine Learning-Anwendungen bereitstellen.

Weitere Informationen »


Mit dem AWS Deep Learning-AMI (für Amazon Linux und Ubuntu verfügbar) und der AWS Deep Learning CloudFormation-Vorlage können Sie schnell alle wichtigen Deep Learning-Frameworks jeder Größe bereitstellen und ausführen. Mit dem AWS Deep Learning-AMI können Sie verwaltete, automatisch skalierte GPU-Cluster für umfangreiche Trainings erstellen und Inferenz auf trainierten Modellen ausführen. Es ist mit Apache MXNet, TensorFlow, Caffe2 (und Caffe), Theano, Torch, CNTK und Keras vorinstalliert. Das AWS Deep Learning-AMI wird von Amazon Web Services zur Verwendung auf Amazon EC2 bereitgestellt und unterstützt. Für das AWS Deep Learning-AMI fallen keine zusätzlichen Gebühren an – Sie bezahlen nur für die AWS-Ressourcen, die Sie zur Speicherung und Ausführung Ihrer Anwendungen benötigen.

Apache MXNet ist das von Amazon bevorzugte Deep Learning-Framework und die Plattform für unsere KI-Services und für viele KI-Produkte auf Amazon.com. Es handelt sich dabei um eine flexible, effiziente, portierbare und skalierbare Open-Source-Bibliothek für Deep Learning, die deklarative und imperative Programmiermodelle für viele verschiedene Programmiersprachen und Anwendungsfälle unterstützt.

Programmierbarkeit
Apache MXNet bietet eine einzelne Implementierung von Back-End-System- und allgemeinen Operatoren mit Unterstützung für zahlreiche Front-End-Sprachen, darunter Python, C++, Scala und R. Aufgrund der Architektur von Apache MXNet bleibt die Leistung unabhängig von der verwendeten Front-End-Sprache gleich.

Portierbarkeit
Durch einzigartige Arbeitsspeicheroptimierungen kann Apache MXNet in ganz verschiedenen Anwendungsfällen eingesetzt werden. Nach dem Nutzen der Cloud zum Trainieren Ihres Modells kann es auf verbundenen Geräten, auf Mobiltelefonen, in Browsern sowie in Industrie- und Verbraucherdrohnen verwendet werden oder einfach in der Cloud verbleiben.

Leistung
Apache MXNet unterstützt das automatische Planen von Teilen des Quellcodes, der über eine verteilte Umgebung parallel eingesetzt werden kann. Zusammen mit Amazon EC2 P2-Instances können Apache MXNet-Anwendungen GPU-übergreifend mit bis zu 91 % Effizienz und auf Cluster-Nodes mit bis zu 88 % Effizienz skaliert werden. 

Apache MXNet

TensorFlow ist eine Open-Source-Softwarebibliothek für numerische Berechnungen mit zustandsbehafteten Datenflussdiagrammen.

Bei Caffe2 handelt es sich um ein schlankes, modulares und skalierbares Deep-Learning-Framework, das Forschern das Trainieren von umfangreichen Modellen für maschinelles Lernen und die Bereitstellung von KI auf mobilen Geräten erleichtern soll.

Keras ist eine hochstufige Netzwerkbibliothek, die in Python entwickelt wurde und auf TensorFlow oder Theano aufsetzen kann. Sie wurde mit Fokus auf schnelle Experimente entwickelt. 

Das Microsoft Cognitive Toolkit ist ein einheitliches Deep-Learning-Toolkit von Microsoft Research, das neurale Netzwerke als Reihe von Datenverarbeitungsschritten über ein gezieltes Diagramm beschreibt.

Torch ist ein wissenschaftliches Datenverarbeitungsframework mit breiter Unterstützung für Machine Learning-Algorithmen und besonderem Augenmerk auf GPUs. Es ist dank der einfachen und schnellen Skripterstellungssprache LuaJIT und einer zugrunde liegenden C/CUDA-Implementierung benutzerfreundlich und effizient. 

Theano ist eine Python-Bibliothek, die Ihnen das Definieren, Optimieren und Auswerten mathematischer Ausdrücke unter der effizienten Einbeziehung mehrdimensionaler Arrays ermöglicht. 


Amazon Machine Images eignen sich bestens, wenn Entwickler auf kurzem Weg mit der Nutzung von Deep Learning-Technologien auf AWS beginnen möchten. In den AWS Deep Learning-AMIs sind bereits einige gängige Open Source-Frameworks für Deep Learning vorinstalliert (Apache MXNet, TensorFlow, Theano, Torch, CNTK und Caffe). Zusätzlich beschleunigen vorkonfigurierte CUDA-Treiber den Grafikprozessor. Ergänzungswerkzeuge wie Anaconda und Jupyter komplettieren das Paket.

Weitere Informationen finden Sie auf der Website des AWS Deep Learning-AMI.

Cloud Formation-Vorlage
AMI

Mit den Vorlagen von AWS CloudFormation skalieren Sie mehrere EC2 Instances für große Rechenaufgaben, beispielsweise das Einlernen vielschichtiger neuronaler Netze. Entwickler können die verteilte Vorlage für Deep Learning CloudFormation verwenden, um einen ausskalierten elastischen Cluster mit P2- oder G2-Instances zum Laufen zu bringen. Für umfangreichere Schulungsanforderungen steht die Deep Learning-AMI zur Verfügung.

Weitere Informationen dazu, wie CloudFormation für Deep Learning genutzt werden kann, besuchen Sie den AWS EC2 Compute Blog