Category: Amazon SageMaker

Original von Lana Zhang, James Wu, Kevin Carlson und John Rouse, übersetzt durch Marco Buss Die generative KI-Technologie verbessert sich rasant und es ist jetzt möglich, Text und Bilder auf der Grundlage von Texteingaben zu generieren. Stable Diffusion[EN, Extern] ist ein Text-zu-Bild-Modell, mit dem Sie fotorealistische Anwendungen erstellen können. Mithilfe von Stable-Diffusion-Modellen und Amazon SageMaker […]

von Sébastien Stormacq, übersetzt von Felix John Ganz gleich, ob Sie Prognosemodelle erstellen oder Anwendungen entwickeln, die auf Prognosedaten basieren, Snowflake und AWS können Ihnen dabei unter die Arme greifen. In diesem Artikel zeigen wir Ihnen, wie Ihre Anwendungen, die Daten aufnehmen, speichern, analysieren oder visualisieren, von der Integration zwischen Snowflake- und AWS-Lösungen profitieren können. […]

von Cher Simon, übersetzt durch Dirk Stahlecker Einleitung Während der Covid Pandemie hat sich gezeigt, dass eine hohe Anpassungsfähigkeit der Unternehmen an sich dynamisch ändernde Trends, Voraussetzung für eine schnelle wirtschaftliche Erholung ist. Aus diesem Grund nutzen führende Logistikunternehmen verstärkt vorausschauende Analysen (engl. «predictive analytics»), um schneller Entscheidungen zu fällen. In Logistikunternehmen betrifft dies z.B. Entscheidungen […]

von Xin Huang, Rachna Chadha, Hemant Singh, Ashish Khetan, Manas Dadarkar und Kyle Ulrich, übersetzt von Luca Schumann Heute kündigen wir die Verfügbarkeit von Beispiel-Notebooks an, die Frage-Antwort Aufgaben mit einem Retrieval Augmented Generation (RAG)-basierten Ansatz unter Verwendung von Large Language Models (LLMs) in Amazon SageMaker JumpStart demonstrieren. Die Textgenerierung mit RAG und LLMs ermöglicht […]

von Steven Miller, Alec Jenab und Robert Clendenning, übersetzt durch Dirk Stahlecker Dieser Blogbeitrag beschreibt wie sich das Long Short Term Memory (LSTM) Machine Learning Modell verwenden lässt, um Ausfälle und Rückrufe von Automobilteilen vorherzusagen. Im Besonderen zeigen wir, wie durch die Vorhersagen eines LSTM-Modells Frühindikatoren entwickelt werden können, die im Allgemeinen zu besseren Ergebnissen […]

von June Won, Ashish Khetan, Sundar Ranganathan, Kyle Ulrich und Vivek Madan. Übersetzt von Tobias Nitzsche Wir freuen uns, Ihnen heute mitteilen zu können, dass die von Meta entwickelten Llama 2 Grundmodelle (FMs) nun über Amazon SageMaker JumpStart für Kund:innen zur Verfügung stehen. Die Llama 2 Familie der Großsprachmodelle (LLMs) ist eine Sammlung von vortrainierten […]

von Danilo Poccia, übersetzt von Tobias Nitzsche. Im letzten AWS-Wochenrückblick erwähnte Danilo, dass es Sommer in London ist. Ich selbst bin in Singapur ansässig – hier ist es ja meistens Sommer. Aber der Juni ist auch hier ein besonderer Monat, da er den Beginn der Durian-Saison markiert. Ab nächster Woche werde ich nach Thailand, Malaysia […]

von Maurits de Groot und Elina Lesyk Einführung Machine Learning (ML) wird in der Finanzdienstleistungsbranche umfangreich für Aufgaben wie Personalisierung, Anomalie- oder Betrugserkennung eingesetzt. Wie bei anderen ML-Anwendungsfällen sind qualitativ hochwertige Eingabedaten der Schlüssel für eine gute Leistung eines Modells. Um dem Modell mehr Kontext zu geben und seine Leistung zu verbessern, ist es üblich, […]

Autonome Fahrerassistenzsysteme (engl. «ADAS») haben sich in den letzten 10 Jahren von einfachen regelbasierten Systemen zu fortschrittlichen Fahrerassistenzsystemen entwickelt.

Diese fortschrittlichen Systeme verwenden tiefe neuronale Netzwerke (engl. «Deep Neural Networks») und sollen zukünftig vollständig autonomes Fahren ermöglichen. Um diese Systeme zu trainieren, werden Petabyte an Daten und Tausende von Recheneinheiten (vCPUs und GPUs) benötigt.
Dieser Blogbeitrag beschreibt Entwicklungsansätze und Herausforderungen beim Aufbau von Fahrerassistenzsystemen. Verschiedene Designansätze werden vorgestellt. Insbesondere werden die verschiedenen Funktionseinheiten beschrieben, die beim Aufbau eines modularen Trainings- oder Prozesses-Designs benötigt werden.