มากกว่า 60
เอเชียแปซิฟิกและญี่ปุ่น
พลิกโฉมความเป็นไปได้ใหม่ ๆ ด้วย Big Data และแมชชีนเลิร์นนิง
ปัจจุบันหลายองค์กรใช้ AI/ML เพื่อมอบคุณค่าทางธุรกิจที่มากขึ้น ตั้งแต่การเพิ่มผลผลิต ยกระดับประสบการณ์ของลูกค้า ตัดสินใจได้ดีขึ้น สร้างโอกาสในการสร้างรายได้ใหม่ ๆ เร็วขึ้น และปรับปรุงประสิทธิภาพการดำเนินงาน
เข้าร่วม AWS Innovate - รุ่นข้อมูลและ AI/ML และเรียนรู้วิธีปลดล็อกพลังของ AI/ML เพื่อให้องค์กรของคุณประสบความสำเร็จมากขึ้น ในการประชุมออนไลน์ฟรีนี้ คุณจะได้ทราบข้อมูลล่าสุดจากผู้เชี่ยวชาญของ AWS และรับคำแนะนำทีละขั้นตอนเกี่ยวกับการใช้ AI/ML เพื่อขับเคลื่อนผลลัพธ์ที่รวดเร็ว มีประสิทธิภาพ และวัดผลได้
กำหนดการ (เอเชียแปซิฟิกและญี่ปุ่น)
ยกระดับทักษะ AI/ML ของคุณไปอีกขั้นวันนี้! ดูทางปฏิบัติที่ดีที่สุดด้านสถาปัตยกรรมและการปรับใช้ทีละขั้นตอนเพื่อช่วยให้คุณสร้างผลงานที่ดีขึ้น สร้างสรรค์สิ่งใหม่ ๆ ได้เร็วขึ้น และปรับใช้ในวงกว้าง ไม่ว่าคุณจะเพิ่งเริ่มต้นใช้งาน AI/ML หรือเป็นผู้ใช้ระดับสูง หรือเพียงแค่อยากรู้เกี่ยวกับ AI/ML เรามีเส้นทางเฉพาะสำหรับระดับประสบการณ์และบทบาทงานของคุณ
เซสชัน
-
คำกล่าวเปิดงาน
-
องค์กรที่ขับเคลื่อนด้วยข้อมูลแห่งอนาคต
-
คิดใหม่ให้เป็นไปได้: เร่งนวัตกรรม AI และ ML
-
โซลูชันกรณีการใช้งาน AI/ML แทร็ค 1
-
โซลูชันกรณีการใช้งาน AI/ML แทร็ค 2
-
สร้าง ฝึกฝน และปรับใช้โมเดล ML แทร็ค 1
-
สร้าง ฝึกฝน และปรับใช้โมเดล ML แทร็ค 2
-
โครงสร้างพื้นฐานข้อมูลสำหรับปริมาณงาน ML
-
ML สำหรับนักพัฒนาและผู้สร้าง
-
โซนผู้สร้าง
-
กล่าวปิด
-
คำกล่าวเปิดงาน
-
คำกล่าวเปิดงาน
สร้างสรรค์สิ่งใหม่ได้เร็วขึ้น: พลิกโฉมองค์กรของคุณด้วยข้อมูลและแมชชีนเลิร์นนิง (ระดับ 100)
ข้อมูลเป็นหัวใจของทุกแอปพลิเคชัน กระบวนการ และการตัดสินใจทางธุรกิจ รวมถึงรากฐานในการส่งมอบคุณค่าที่สูงขึ้น องค์กรที่ประสบความสำเร็จในการดึงข้อมูลเชิงลึกจากข้อมูลมาใช้ จะสามารถคาดการณ์ได้แม่นยำ ลดค่าใช้จ่ายในการดำเนินงาน สร้างประสบการณ์ที่น่าสนใจยิ่งขึ้นให้แก่ลูกค้า และทั้งค้นพบโอกาสใหม่ ๆ ในเซสชันนี้ เราจะสำรวจว่าเทคโนโลยีต่าง ๆ เช่น แมชชีนเลิร์นนิงและการวิเคราะห์สามารถปลดล็อกโอกาสที่เคยเป็นเรื่องยากหรือเป็นไปไม่ได้เลยได้อย่างไร ช่วยให้องค์กรที่มีข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลสามารถแก้ปัญหาความท้าทายทางธุรกิจ เร่งนวัตกรรม และนำหน้าคู่แข่งได้
วิทยากร:
Dean Samuels หัวหน้านักเทคโนโลยีภูมิภาคอาเซียนของ AWS
Kris Howard หัวหน้าฝ่ายนักพัฒนาสัมพันธ์ประจำภูมิภาค APJ ของ AWS
ข้อมูล: บทเริ่มต้นแห่งการสรรสร้าง
เชิญพบกับ Swami Sivasubramanian รองประธานฝ่ายข้อมูลและแมชชีนเลิร์นนิงของ AWS ที่จะแสดงนวัตกรรมล่าสุดของ AWS เพื่อช่วยเปลี่ยนข้อมูลของบริษัทของคุณให้เป็นข้อมูลเชิงลึกและการดำเนินการที่มีความหมายสำหรับธุรกิจของคุณ โดยการพูดนี้จะกล่าวถึงองค์ประกอบหลักของกลยุทธ์ข้อมูลที่รองรับอนาคตและวิธีเพิ่มขีดความสามารถให้กับองค์กรของคุณเพื่อขับเคลื่อนสิ่งประดิษฐ์และประสบการณ์ของลูกค้าด้วยข้อมูลวิทยากร: Swami Sivasubramanian รองประธานฝ่ายข้อมูลและแมชชีนเลิร์นนิงของ AWS
-
องค์กรที่ขับเคลื่อนด้วยข้อมูลแห่งอนาคต
-
องค์กรที่ขับเคลื่อนด้วยข้อมูลแห่งอนาคต
เกี่ยวกับแทร็ค
ดูตัวอย่างและเรียนรู้วิธีที่องค์กรต่าง ๆ ใช้ AWS เพื่อแก้ปัญหาความท้าทายทางธุรกิจ เพิ่มประสิทธิภาพทางธุรกิจ และสร้างสรรค์สิ่งใหม่ ๆ ได้เร็วขึ้น เริ่มใช้ประโยชน์จากข้อมูลของคุณเป็นสินทรัพย์เชิงกลยุทธ์และพลิกโฉมองค์กรของคุณด้วยข้อมูลและ AI/ML วันนี้
องค์กรที่ขับเคลื่อนด้วยข้อมูล: วิสัยทัศน์สู่คุณค่า (ระดับ 100)
องค์กรต้องการใช้ประโยชน์จากข้อมูลของตนให้มากขึ้น เพื่อเพิ่มความคล่องตัว ปรับปรุงประสิทธิภาพ และเร่งนวัตกรรม แม้ว่าข้อมูลจะมีมากมายและเติบโตอย่างรวดเร็ว แต่การผลิตหรือจัดเก็บข้อมูลจํานวนมากก็ไม่ได้สร้างมูลค่าโดยอัตโนมัติ มูลค่าจะเกิดขึ้นจริงได้จากการสร้างวัฒนธรรมและรูปแบบการดําเนินงานที่ใช้ข้อมูลเพื่อคิดค้นในนามของลูกค้า โดยการใช้ข้อมูลเชิงลึก การวิเคราะห์ และ AI/ML ที่ลงมือดําเนินการ อย่างไรก็ตาม ความท้าทายทางวัฒนธรรม รูปแบบการกํากับดูแลที่ล้าสมัย องค์กรที่มีการทำงานแบบแยกส่วน และแนวทางการดําเนินการแบบเดิมคอยขวางไม่ให้วิสัยทัศน์นี้เกิดขึ้น เข้าร่วมเซสชันนี้เพื่อเรียนรู้จากอดีต CXO สองคนเกี่ยวกับกลยุทธ์วิธีการทํางานเพื่อสร้างวัฒนธรรมที่ขับเคลื่อนด้วยข้อมูลและเอาชนะความท้าทายในการเปลี่ยนวิสัยทัศน์ของพวกเขาให้เป็นจริง
วิทยากร: John Clark นักกลยุทธ์องค์กรของ AWS
ระยะเวลา: 30 นาที
การสร้างองค์กรที่ชาญฉลาดยิ่งขึ้นและขับเคลื่อนด้วยข้อมูลและแมชชีนเลิร์นนิง (ระดับ 100)
หลายองค์กรรู้ตัวว่าต้องการ AI/ML เพื่อสร้างข้อได้เปรียบในการแข่งขันที่ไม่เหมือนใคร ผลักดันให้ลูกค้ามีส่วนร่วมมากขึ้น และส่งมอบผลลัพธ์ทางธุรกิจที่ต้องการ ในขณะที่บางองค์กรกําลังเก็บเกี่ยวผลประโยชน์ที่ได้รับจากการเปลี่ยนแปลงที่เกิดจาก AI/ML องค์กรอื่น ๆ ก็กําลังค้นหาคําตอบว่าจะเริ่มต้นอย่างไร เซสชันนี้ครอบคลุมถึงวิธีปรับใช้ AI/ML และทําให้การเปลี่ยนผ่านสู่ระบบดิจิทัลของคุณเป็นจริง เราแชร์ผลกระทบของเครือข่ายข้อมูลและด้านที่องค์กรที่ประสบความสําเร็จเชี่ยวชาญเพื่อให้สามารถสร้างคุณค่าจากข้อมูลได้มากขึ้น ซึ่งจะขับเคลื่อนโดยแมชชีนเลิร์นนิงเพื่อทําให้วิสัยทัศน์ขององค์กรเป็นจริง
วิทยากร: Tom Godden นักกลยุทธ์องค์กร AWS
ระยะเวลา: 30 นาที
ขับเคลื่อนความยั่งยืนด้วย AI และข้อมูลใน Climate Pledge Arena ของ Amazon (ระดับ 100)
Amazon เป็นองค์กรที่ซื้อพลังงานหมุนเวียนรายใหญ่ที่สุดของโลก และจําเป็นต้องตรวจสอบให้แน่ใจว่าความยั่งยืนเป็นหัวใจสําคัญของการดําเนินงานทั้งหมด เพื่อให้บรรลุเป้าหมายการปล่อยก๊าซคาร์บอน ด้านที่กําลังดําเนินการอยู่คือร่วมกับ Seattle Kraken สร้างโซลูชันและช่วยทำให้ Climate Pledge Arena มีความคืบหน้า มีความรับผิดชอบ และยั่งยืนที่สุดในโลก เข้าร่วมเซสชันนี้เพื่อเรียนรู้วิธีที่ AWS Professional Services และทีม Sustainability ของ Amazon ใช้บริการของ AWS เพื่อนําเข้าและวิเคราะห์ข้อมูลพลังงาน น้ำ และคุณภาพอากาศ รับข้อมูลเชิงลึกเกี่ยวกับวิธีที่พวกเขาสร้างโมเดลการคาดการณ์แบบเรียลไทม์ด้วยการให้ความสำคัญกับการค้นหาข้อมูล การรักษาความปลอดภัย และรูปแบบการออกแบบ
วิทยากร:
Rahul Sareen ผู้จัดการฝ่ายแนวทางปฏิบัติทั่วโลกด้านความยั่งยืนของ AWS
Rob Johnson รองประธานฝ่ายความยั่งยืนและการขนส่งของ Climate Pledge Arenaระยะเวลา: 30 นาที
-
คิดใหม่ให้เป็นไปได้: เร่งนวัตกรรม AI และ ML
-
คิดใหม่ให้เป็นไปได้: เร่งนวัตกรรม AI และ ML
เกี่ยวกับแทร็ค
ค้นหาว่าบริการ AI และ ML มีการใช้งานกับแอปพลิเคชันและกรณีการใช้งานจริงในอุตสาหกรรมและองค์กรต่าง ๆ อย่างไรบ้าง
เริ่มต้นเส้นทาง ML ของคุณ: มุมมองของผู้นํา (ระดับ 100)
AI และ ML มีแนวโน้มที่จะทำให้เกิดความสำเร็จในการพลิกโฉมอุตสาหกรรม เพิ่มประสิทธิภาพ และขับเคลื่อนนวัตกรรม กุญแจสู่ความสําเร็จของแมชชีนเลิร์นนิงคือการปรับขนาด เซสชันนี้จะทำให้ทราบว่า ผู้บริหารและผู้จัดการที่ต้องการประสบความสําเร็จโดยใช้ ML ในวงกว้างได้รับคําแนะนํารวมถึงกลไกต่าง ๆ อย่างไรบ้างสำหรับการสร้างระบบที่มีประสิทธิภาพเพื่อเร่งนวัตกรรมและขับเคลื่อนความก้าวหน้าทางเทคโนโลยี เราแชร์วิธีที่ลูกค้าทํางานร่วมกับ AWS ในการปรับทีมของตนให้สอดคล้องกันไว้ใน “การแนะนํา ML” และมอบชุดทักษะทางเทคนิคที่เหมาะสมให้กับทีมเพื่อส่งมอบผลลัพธ์ทางธุรกิจ เรียนรู้วิธีสร้างทีมผลิตภัณฑ์และวิศวกรรม AI/ML ที่แข็งแกร่ง ซึ่งสอดคล้องกับเป้าหมายร่วมกันขององค์กร เพื่อส่งมอบแผนด้านนวัตกรรมและคุณค่า
วิทยากร: Naomi Teng ผู้เชี่ยวชาญด้าน AI/ML ประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่นของ AWS
ระยะเวลา: 30 นาที
พลิกโฉมธุรกิจของคุณด้วย AI/ML: สร้างความได้เปรียบในการแข่งขันให้องค์กรของคุณโดยการใช้ประโยชน์จากแนวโน้มล่าสุดของ AI/ML (ระดับ 100)
เทคนิค AI/ML เป็นพื้นฐานที่มีความสําคัญมากขึ้นเรื่อย ๆ สําหรับองค์กรที่ต้องการพลิกโฉมและบรรลุวัตถุประสงค์ขององค์กร อย่างไรก็ตาม การใช้ AI/ML ในสถานที่ที่เหมาะสมไม่ใช่เรื่องง่าย เข้าร่วมเซสชันนี้เพื่อเรียนรู้วิธีใช้กรณีการใช้งานของแมชชีนเลิร์นนิงที่ใช้งานได้จริงและได้รับการพิสูจน์แล้ว เพื่อให้เกิดผลกระทบทางธุรกิจที่แท้จริงได้อย่างรวดเร็ว เราแชร์ชุดบริการ AI/ML ของ AWS ที่ช่วยให้คุณสร้างผลิตภัณฑ์สำหรับการเปลี่ยนแปลงได้โดยไม่ต้องมีความเชี่ยวชาญด้านแมชชีนเลิร์นนิงมาก่อน ค้นพบวิธีสร้างวัฏจักรการเปลี่ยนแปลงที่ขับเคลื่อนด้วย AI โดยอาศัยเทคโนโลยีที่มีอยู่และที่เกิดขึ้นใหม่ในการกำหนดแนวคิดเกี่ยวกับโอกาสใหม่ ๆ บรรลุความได้เปรียบในการแข่งขัน และส่งมอบผลลัพธ์ขององค์กร
วิทยากร: Nieves Gracia หัวหน้าผู้เชี่ยวชาญด้าน AI/ML ฝ่ายภาครัฐประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น
ระยะเวลา: 30 นาที
พลิกโฉมแมชชีนเลิร์นนิงสําหรับอุตสาหกรรมที่มีการควบคุม (ระดับ 100)
ความสามารถในการทําซ้ำ ความสามารถในการตรวจสอบย้อนกลับ ความสามารถในการอธิบายได้ กลายเป็นข้อกําหนดพื้นฐานในวงจรชีวิตของแมชชีนเลิร์นนิงสําหรับอุตสาหกรรมที่มีการควบคุม แต่การสร้างแพลตฟอร์มวิทยาศาสตร์ข้อมูลสําหรับธนาคารหรือรัฐบาลเพื่อรองรับวงจรชีวิตนี้ไม่ใช่เรื่องง่าย เนื่องจากต้องใช้ความสามารถและประสบการณ์ที่ลึกซึ้ง AWS มีชุดบริการและโซลูชันสำหรับสร้างสภาพแวดล้อมแมชชีนเลิร์นนิงที่ปลอดภัย ได้รับการกำกับดูแล และเป็นไปตามข้อกําหนดโดยไม่กระทบต่อความคล่องตัวของทีมวิทยาศาสตร์ข้อมูล เข้าร่วมเซสชันนี้เพื่อเรียนรู้วิธีปิดช่องว่างระหว่างวงจรชีวิตของแมชชีนเลิร์นนิงแบบดั้งเดิมและข้อกําหนดของอุตสาหกรรมที่มีการควบคุม เราแชร์วิธีที่ AWS มอบโซลูชัน แนวทางปฏิบัติที่ดีที่สุด โปรแกรม และทรัพยากร เพื่อช่วยคุณสร้างแพลตฟอร์มวิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิงบน AWS ที่ประสบความสําเร็จ
วิทยากร: Juan Bedoya สถาปนิกโซลูชันภาครัฐของ AWS
ระยะเวลา: 30 นาที
ส่งมอบการมีส่วนร่วมของลูกค้าแบบมัลติโมดัลในบริการทางการเงิน (ระดับ 100)
การปรับใช้บริการบนมือถืออย่างแพร่หลาย ผู้เข้าร่วมตลาดดิจิทัลแบบเนทีฟรายใหม่ การปรับตัวให้เข้ากับการเปลี่ยนแปลงแบบรุ่นต่อรุ่น และข้อกําหนดที่สำคัญของอุตสาหกรรมเกี่ยวกับการปฏิบัติตามกฎระเบียบ ล้วนเป็นความท้าทายสำหรับสถาบันที่ให้บริการทางการเงินในการส่งมอบประสบการณ์ลูกค้าที่ราบรื่น สม่ำเสมอ และปรับให้เหมาะกับแต่ละบุคคลจากช่องทางต่าง ๆ เซสชันนี้จะแสดงให้เห็นว่าคุณจะสร้างประสบการณ์ลูกค้าแบบมัลติโมดัลได้อย่างง่ายดายด้วย AWS AI และแมชชีนเลิร์นนิงได้อย่างไร เรียนรู้วิธีสร้างประสบการณ์การใช้งานบนมือถือ เว็บ และแบบเปิดใช้ข้อความเป็นอันดับแรกที่ปรับให้เหมาะกับแต่ละบุคคลสําหรับการมีส่วนร่วมของลูกค้าทั้งขาเข้าและขาออก โดยใช้ประโยชน์จากข้อมูลตามบริบทในขณะที่ยังคงรักษาการสนทนาเดียวในทุกช่องทางบริการ
วิทยากร:
Akash Jain หัวหน้าสถาปิกโซลูชัน FSI GTM ประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่นของ AWS
Rahul Kulkarni สถาปนิกอาวุโสด้านโซลูชันคู่ค้าของ AWS อินเดียระยะเวลา: 30 นาที
ปรับการมีส่วนร่วมของลูกค้าให้เหมาะกับแต่ละบุคคลด้วยการตลาดอัตโนมัติ (ระดับ 200)
เมื่อพูดถึงการสื่อสารกับลูกค้า แน่นอนว่าการปรับให้เหมาะกับแต่ละบุคคลเป็นวิธีที่ดีที่สุดที่จะทำให้แน่ใจได้ถึงการมีส่วนร่วมกับลูกค้าในระยะยาว ลูกค้ามีแนวโน้มที่จะให้ความสนใจกับเนื้อหาที่ปรับให้เหมาะกับความต้องการของตนเอง ในเซสชันนี้ เราจะแสดงให้เห็นวิธีใช้กระบวนการของ Amazon Pinpoint ในการมอบประสบการณ์ของลูกค้าแบบหลายขั้นตอนที่ปรับให้เหมาะกับแต่ละบุคคลตามคุณลักษณะและพฤติกรรมของกลุ่มเป้าหมาย รวมทั้งวิธีใช้ Amazon Personalize เพื่อให้แน่ใจว่าเนื้อหาในการสื่อสารมีความเฉพาะเจาะจงและปรับให้เหมาะกับผู้รับแต่ละรายเสมอ
วิทยากร: Pierre Semaan หัวหน้าฝ่ายกลยุทธ์และโซลูชัน GTM สำหรับ SMB ประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่นของ AWS
ระยะเวลา: 30 นาที
การตั้งค่าสภาพแวดล้อมแมชชีนเลิร์นนิงที่ปลอดภัยและได้รับการกำกับดูแลเป็นอย่างดีบน AWS (ระดับ 100)
ไม่ว่าองค์กรของคุณจะเริ่มต้นเส้นทางด้วย AI/ML หรือมีโปรเจกต์จํานวนมากในการผลิต จําเป็นอย่างยิ่งที่จะต้องมีสภาพแวดล้อมที่ปลอดภัยซึ่งปกป้องข้อมูลของคุณ ในเซสชันนี้ เราจะแชร์วิธีจัดระเบียบ กำหนดมาตรฐาน และเร่งการจัดเตรียมสภาพแวดล้อม ML ที่ได้รับการกำกับดูแลโดยใช้ประโยชน์จากแนวทางปฏิบัติที่ดีที่สุดด้านความปลอดภัยของ AWS และปฏิบัติตามข้อกําหนดด้านความปลอดภัยที่เข้มงวดของเวิร์กโหลด ML
วิทยากร: Tony Fendall หัวหน้าสถาปนิกโซลูชันของ AWS
ระยะเวลา: 30 นาที
ดีปเลิร์นนิงบน AWS ด้วย NVIDIA: จากการฝึกไปสู่การนำไปใช้จริง (ระดับ 200)
ในช่วงทศวรรษที่ผ่านมา NVIDIA สามารถแสดงให้เห็นถึงประสิทธิภาพโดยรวมของ GPU สําหรับการฝึกและการอนุมานดีปเลิร์นนิง เนื่องจากโมเดลเหล่านี้มีขนาดใหญ่ขึ้น จึงส่งผลให้มีความต้องการสืบเนื่องที่ทำให้จำเป็นต้องขยายขนาดสําหรับการฝึกและเพิ่มจำนวนอินสแตนซ์สําหรับการนำโมเดลขนาดใหญ่ดังกล่าวไปใช้จริง ในเซสชันนี้ เราจะอธิบายให้ทราบเกี่ยวกับสแต็กซอฟต์แวร์ NVIDIA สําหรับการฝึกแบบกระจายที่มีประสิทธิภาพสัก 2-3 รายการ รวมถึงการนำไปใช้จริงที่คล่องตัว และเจาะลึกวิธีที่ Amazon นํามาใช้สําหรับเวิร์กโหลดที่ใช้ทรัพยากรสูงสุด
วิทยากร: Michael Lang ผู้จัดการสถาปัตยกรรมโซลูชันประจำภูมิภาคเอเชียแปซิฟิกใต้ของ NVIDIA
ระยะเวลา: 30 นาที
-
โซลูชันกรณีการใช้งาน AI/ML แทร็ค 1
-
โซลูชันกรณีการใช้งาน AI/ML แทร็ค 1
เกี่ยวกับแทร็ค
สำรวจบริการผสานการทำงานแมชชีนเลิร์นนิงต่าง ๆ ที่พร้อมใช้งานบน AWS เพื่อช่วยคุณสร้าง ปรับใช้ และสร้างสรรค์สิ่งใหม่ ๆ ในทุกขนาด นอกจากนี้ เรายังมุ่งเน้นวิธีการใช้บริการ AI กับกรณีการใช้งานทั่วไป เช่น ให้คำแนะนำเฉพาะบุคคล การเพิ่มข้อมูลให้กับศูนย์บริการลูกค้า และปรับปรุงประสบการณ์ของลูกค้า
สร้างความสามารถในการค้นหาแบบรวมศูนย์ที่ชาญฉลาดยิ่งขึ้นจากพื้นที่จัดเก็บข้อมูลแบบกระจายด้วย Amazon Kendra (ระดับ 200)
คุณจะได้รับคําตอบที่เฉพาะเจาะจงและแม่นยำมากที่สุดในการสืบค้นได้อย่างไร หากคําตอบอาจทําให้คุณต้องกรองแหล่งที่มาของข้อมูลแบบกระจายจำนวนมาก ในเซสชันนี้ เราจะแสดงวิธีใช้ Amazon Kendra ซึ่งเป็นโซลูชันการค้นหาอัจฉริยะเพื่อรับคําตอบที่ตรงไปตรงมา เรียนรู้วิธีเชื่อมโยงเครื่องมือ แหล่งที่มา และผลิตภัณฑ์จำนวนมากของบุคคลที่สาม เพื่อสร้างความสามารถในการค้นหาข้อมูลแบบครบวงจรและชาญฉลาดยิ่งขึ้น ปรับปรุงการแชร์ความรู้ข้ามทีม ปรับปรุงการขายและบริการสนับสนุนลูกค้า ซึ่งจะทําให้คุณได้รับข้อมูลที่ต้องการง่ายขึ้น
วิทยากร:
Sam Gordon สถาปนิกอาวุโสระบบคลาวด์ของ AWS
Ed Fraga สถาปนิกระบบคลาวด์ของ AWSระยะเวลา: 30 นาที
ใช้แอปพลิเคชันการค้นหาข้อความและรูปภาพแบบครบวงจรกับการวิเคราะห์และ ML (ระดับ 200)
ในขณะที่เครื่องมือค้นหาข้อความและเครื่องมือค้นหาเชิงความหมายช่วยให้หลายองค์กรค้นหาข้อมูลได้อย่างรวดเร็ว แต่องค์กรที่นําเสนอเครื่องมือค้นหาข้อความและรูปภาพแบบครบวงจรจะมอบความได้เปรียบในการแข่งขันและแหล่งรายได้ด้วยการให้ความยืดหยุ่นแก่ลูกค้าในการแสดงตัวอย่างหรือรูปภาพจริงเพื่ออธิบายรายการในเครื่องมือค้นหา เซสชันนี้จะแสดงให้เห็นวิธีสร้างเครื่องมือค้นหาที่ขับเคลื่อนด้วย ML เพื่อให้สามารถแนะนําและดึงข้อมูลผลิตภัณฑ์ตามการสืบค้นด้วยข้อความหรือรูปภาพได้อย่างง่ายดาย เรียนรู้วิธีใช้ Amazon SageMaker ในการโฮสต์และจัดการโมเดล Contrastive Language–Image Pre-training (CLIP) ที่ผ่านการฝึกมาล่วงหน้า และเรียกใช้การค้นหาด้วยภาพจากรูปภาพสืบค้น นอกจากนี้ เรายังแชร์วิธีง่าย ๆ สำหรับการนำไปใช้จริง ดำเนินงาน และปรับขนาดคลัสเตอร์ OpenSearch และบริการอื่น ๆ ของ AWS ในการสร้างแอปพลิเคชันแบบครบวงจรนี้
วิทยากร: Kevin Du สถาปนิกอาวุโสด้านโซลูชัน ML Data Lab ของ AWS
ระยะเวลา: 30 นาที
ML และการเตรียมข้อมูลที่ปรับขนาดได้ที่ใช้ Apache Spark บน AWS (ระดับ 200)
การวิเคราะห์ การแปลง และการเตรียมข้อมูลปริมาณมากเป็นขั้นตอนพื้นฐานของวิทยาศาสตร์ข้อมูลและเวิร์กโฟลว์ ML เซสชันนี้จะแสดงวิธีสร้างการเตรียมข้อมูลตั้งแต่ต้นทางจนถึงปลายทางและเวิร์กโฟลว์ของแมชชีนเลิร์นนิง (ML) เราจะอธิบายวิธีเชื่อมต่อ Apache Spark เพื่อการเตรียมข้อมูลที่รวดเร็วในสภาพแวดล้อมการประมวลผลข้อมูลของคุณบนเซสชันเชิงโต้ตอบ Amazon EMR และ AWS Glue จาก Amazon SageMaker Studio ค้นพบวิธีเข้าถึงข้อมูลที่ได้รับการกำกับดูแลโดย AWS Lake Formation เพื่อสืบค้น สํารวจ แสดงภาพข้อมูล เรียกใช้ และแก้จุดบกพร่องงาน Spark แบบโต้ตอบ ขณะเตรียมข้อมูลขนาดใหญ่สําหรับใช้ใน ML
วิทยากร: Suman Debnath หัวหน้าที่ปรึกษานักพัฒนาฝ่ายวิศวกรรมข้อมูลของ AWS
ระยะเวลา: 30 นาที
สร้างโซลูชันการประมวลผลเอกสารอัจฉริยะ (ระดับ 200)
องค์กรมีเอกสารและแบบฟอร์มจริงหลายล้านรายการที่เก็บข้อมูลที่สําคัญทางธุรกิจ เอกสารเหล่านี้ เช่น การเคลมประกันหรือการสมัครสินเชื่อ มีข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างซึ่งดึงข้อมูลมาโดยมนุษย์หรือโดยระบบที่อิงตามกฎ ซึ่งปรับขนาดได้ยาก มีค่าใช้จ่ายสูง และอาจทำให้ผลลัพธ์การดึงข้อมูลมีความแม่นยำต่ำ ในเซสชันนี้ คุณจะได้เรียนรู้วิธีสร้างโซลูชันการประมวลผลเอกสารอัจฉริยะตั้งแต่ต้นทางจนถึงปลายทาง เพื่อเอาชนะความท้าทายในการประมวลผลเอกสารแบบเดิม ซึ่งจะช่วยให้คุณสามารถดึงข้อมูลที่มีโครงสร้าง ปกปิดข้อมูลที่ละเอียดอ่อน และนำเวิร์กโฟลว์การประมวลผลเอกสารอัตโนมัติไปใช้จริงได้ในทุกขนาด
วิทยากร: Abhijit Kalita ผู้เผยแพร่เทคโนโลยี AI/ML อาวุโสฝ่ายคู่ค้าภาครัฐของ AWS
ระยะเวลา: 30 นาที
ปรับแต่งและปรับปรุงการดึงข้อมูลเอกสารของคุณด้วยแมชชีนเลิร์นนิง (ระดับ 300)
มีไฟล์เอกสารหลายประเภทอยู่ในรูปแบบที่แตกต่างกัน และในเอกสารดังกล่าวมีข้อมูลที่มีคุณค่า การดึงข้อมูลและการประมวลผลเอกสารอาจใช้เวลานาน มีแนวโน้มที่จะเกิดข้อผิดพลาดและมีค่าใช้จ่ายสูง ในเซสชันนี้ เราจะแชร์ตัวเลือกเกี่ยวกับวิธีง่าย ๆ สำหรับการดึงข้อมูลจากเนื้อหาที่ซับซ้อน ไม่ว่าจะอยู่ในรูปแบบเอกสารใดก็ตาม รวมถึง PDF หรือรูปภาพที่สแกนด้วย AWS เรียนรู้วิธีปรับและปรับแต่งการดึงข้อมูลด้วย ML ซึ่งรวมถึงรูปแบบข้อผิดพลาด OCR ที่พบบ่อย และการปรับโครงสร้างข้อมูลเอาต์พุตใหม่ เซสชันนี้จะครอบคลุมรูปแบบและเครื่องมือต่าง ๆ บน AWS ที่จะช่วยในทุกขั้นตอนของไปป์ไลน์ตั้งแต่กระบวนการก่อนการประมวลผลรูปภาพเริ่มต้น ไปจนถึงกระบวนการทำงานอัตโนมัติหรือการค้นหาอัจฉริยะ และการตรวจสอบโดยมนุษย์ทางออนไลน์ โดยจะคํานึงถึงความซับซ้อนของกรณีการใช้งานและวุฒิภาวะ ML ในองค์กรของคุณ
วิทยากร: Alex Thewsey สถาปนิกโซลูชันผู้เชี่ยวชาญด้าน ML ของ AWS
ระยะเวลา: 30 นาที
จากความแม่นยําสู่กรณีทางธุรกิจ: การสร้าง PoC การคาดการณ์ความต้องการที่ประสบความสําเร็จ (ระดับ 200)
การคาดการณ์ความต้องการในอนาคตอย่างแม่นยําด้วย AI/ML มีประโยชน์หลายอย่างสำหรับทุกฟังก์ชัน ซึ่งรวมถึงการเพิ่มยอดขาย การปรับปรุงการใช้ความสามารถในการรองรับงานและอัตราการหมุนเวียนสินค้าคงคลัง รวมถึงการปรับปรุงประสบการณ์ของลูกค้า แต่หลายคนต้องเผชิญกับความท้าทายในการพิสูจน์คุณค่าและการใช้ระบบการคาดการณ์ความต้องการในการผลิต เซสชันนี้จะแสดงเวิร์กโฟลว์ทีละขั้นตอนในการสร้างต้นแบบอย่างรวดเร็วสําหรับระบบการคาดการณ์ที่ใช้ ML โดยใช้ Amazon Forecast เราจะแสดงให้เห็นวิธีการต่าง ๆ ในการวัดมูลค่าทางธุรกิจที่แท้จริงของโมเดลการคาดการณ์ความต้องการไปพร้อม ๆ กับการให้ความยืดหยุ่นในการทดลอง
วิทยากร: Julia Ang สถาปนิกโซลูชันสำหรับบริษัทในเครือของ AWS
ระยะเวลา: 30 นาที
ลดความซับซ้อนของการคาดการณ์ความตั้งใจซื้อของลูกค้าด้วยการวิเคราะห์และ ML (ระดับ 200)
บริษัทต่าง ๆ กําลังผสานรวมโซลูชัน AI/ML เข้ากับธุรกิจของตน เพราะต้องการนําหน้าคู่แข่ง อย่างไรก็ตาม แมชชีนเลิร์นนิงอาจเป็นเรื่องยากและมักต้องใช้ทักษะพิเศษ เริ่มต้นด้วยการรวบรวมและเตรียมข้อมูล ตามด้วยการสร้าง การฝึกโมเดลแมชชีนเลิร์นนิงก่อนนำไปใช้จริง แม้แต่การเลือกอัลกอริทึมเพื่อสร้างโมเดลก็อาจเป็นเรื่องยาก คุณควรเลือกอัลกอริทึมหรือแมชชีนเลิร์นนิงรุ่นใด คุณจะทราบได้อย่างไรว่าโมเดลใดจะทํางานได้ดีที่สุดเมื่ออิงตามปัญหาทางธุรกิจของคุณ จะปรับแต่งไฮเปอร์พารามิเตอร์อย่างไรเพื่อให้ได้ประโยชน์สูงสุดจากโมเดล ในเซสชันนี้ เราจะอธิบายวิธีลดความซับซ้อนของวงจรชีวิตของแมชชีนเลิร์นนิงในการคาดการณ์ความตั้งใจซื้อโดยใช้ Amazon SageMaker Autopilot ร่วมกับบริการวิเคราะห์ของ AWS
วิทยากร:
Kamal Machanda สถาปนิกโซลูชัน AWS อินเดีย
K V Sureshkumar สถาปนิกการสร้างต้นแบบ AWS อินเดีย
ระยะเวลา: 30 นาที
-
โซลูชันกรณีการใช้งาน AI/ML แทร็ค 2
-
โซลูชันกรณีการใช้งาน AI/ML แทร็ค 2
เกี่ยวกับแทร็ค
สำรวจบริการผสานการทำงานแมชชีนเลิร์นนิงต่าง ๆ ที่พร้อมใช้งานบน AWS เพื่อช่วยคุณสร้าง ปรับใช้ และสร้างสรรค์สิ่งใหม่ ๆ ในทุกขนาด นอกจากนี้ เรายังมุ่งเน้นวิธีการใช้บริการ AI กับกรณีการใช้งานทั่วไป เช่น ให้คำแนะนำเฉพาะบุคคล การเพิ่มข้อมูลให้กับศูนย์บริการลูกค้า และปรับปรุงประสบการณ์ของลูกค้า
ปรับปรุงประสบการณ์ของลูกค้าด้วยการวิเคราะห์และศูนย์ติดต่อที่ขับเคลื่อนด้วย ML (ระดับ 300)
ศูนย์ติดต่อของคุณเป็นช่องทางบริการที่ใหญ่ที่สุดระหว่างคุณกับลูกค้าของคุณ และการมีส่วนร่วมทุกครั้งสามารถให้ข้อมูลเชิงลึกที่มีประสิทธิภาพแก่ทีมของคุณได้ ในเซสชันนี้ เราจะสาธิตการผสานรวม Amazon Connect เข้ากับบริการวิเคราะห์และ ML ของ AWS เพื่อให้คุณสามารถใช้เครื่องมือกําหนดค่าแบบบริการตนเองได้ภายในไม่กี่วัน แทนที่จะต้องใช้เวลาหลายเดือนในการสร้าง เรียนรู้ว่าโซลูชันศูนย์ระบบคลาวด์แบบครบวงจรที่สร้างขึ้นบน AWS นี้จะช่วยให้คุณสามารถแสดงข้อมูลเชิงลึกที่มีคุณค่าจากทุกการมีส่วนร่วมของลูกค้าได้อย่างไร ซึ่งรวมถึงการคาดการณ์การเลิกใช้งานแบบเรียลไทม์ เพื่อให้คุณสามารถปรับปรุงประสบการณ์ของลูกค้าได้
วิทยากร:
Nelson Martinez ผู้จัดการอาวุโสด้านบัญชีลูกค้าเทคนิคฝ่ายแอปเพิ่มประสิทธิภาพการทํางานของ AWS
Melanie Li ผู้จัดการอาวุโสด้านบัญชีลูกค้าเทคนิคฝ่ายการวิเคราะห์ของ AWS
Partha Sarathi Sahoo ผู้จัดการอาวุโสด้านบัญชีลูกค้าเทคนิคฝ่ายการวิเคราะห์ของ AWSระยะเวลา: 30 นาที
ทลายอุปสรรคทางภาษาด้วย AI (ระดับ 200)
Amazon นําการประมวลผลภาษาธรรมชาติ การจดจําเสียงพูด การแปลงข้อความเป็นคําพูด และการแปลด้วยเครื่องมารวมกันไว้ในมือของนักพัฒนาทุกคน บริการแอปพลิเคชันที่ขับเคลื่อนด้วย API ช่วยให้นักวิทยาศาสตร์ข้อมูลและนักพัฒนาสามารถใส่ฟังก์ชันปัญญาประดิษฐ์ที่สร้างไว้ล่วงหน้าเข้ากับแอปพลิเคชันของตนและทําให้เวิร์กโฟลว์เป็นระบบอัตโนมัติได้อย่างง่ายดาย ในเซสชันนี้ เราจะอธิบายวิธีสร้างแอปอัจฉริยะรุ่นถัดไปที่ได้ยิน พูด และเข้าใจโลกรอบตัวเรา
วิทยากร:
Jyoti Sharma วิศวกรการสร้างต้นแบบของ AWS อินเดีย
Arun Balaji หัวหน้าวิศวกรการสร้างต้นแบบของ AWS อินเดียระยะเวลา: 30 นาที
การเรียกใช้แอปพลิเคชันการตรวจสอบคุณภาพคอมพิวเตอร์วิทัศน์แบบลูปการป้อนกลับวงปิด (ระดับ 200)
การตรวจจับข้อบกพร่องและความผิดปกติในการตรวจสอบคุณภาพเป็นขั้นตอนสําคัญในการรับรองคุณภาพของผลิตภัณฑ์ เนื่องจากการตรวจจับข้อผิดพลาดหรือข้อบกพร่องทันเวลาและการดําเนินการที่เหมาะสมมักจะมีค่าใช้จ่ายในการดําเนินงานและค่าใช้จ่ายที่เกี่ยวข้องกับคุณภาพ นอกจากนี้ ลูปการป้อนกลับด้วยตนเองมักจะเป็นเรื่องส่วนตัว ใช้เวลานาน และปรับขนาดได้ยาก ส่งผลให้เกิดคอขวดในการทำงานจริงและทำให้เวลาในการออกสู่ตลาดช้าลง ในเซสชันนี้ เราจะแชร์วิธีสร้างการตรวจสอบคุณภาพแบบวงปิดที่แข็งแกร่ง มีประสิทธิภาพ และปรับขนาดได้ที่ใช้ใน Edge สร้างการตัดสินใจตามวัตถุประสงค์ด้วยลูปการป้อนกลับด่วนและลดต้นทุนที่เกี่ยวข้องกับคุณภาพ
วิทยากร: Derrick Choo สถาปนิกโซลูชันของ AWS
การวิเคราะห์สื่ออัจฉริยะด้วยแมชชีนเลิร์นนิง (ระดับ 200)
สามารถใช้แอสเซทสื่อเช่นเสียงและวิดีโอเพื่อให้ค้นพบได้ง่ายขึ้น และเพิ่มการมีส่วนร่วมและความพึงพอใจของผู้ใช้ให้มากขึ้น อย่างไรก็ตาม การจัดการ การวิเคราะห์ และการตรวจติดตามแอสเซทสื่อนั้นทั้งซับซ้อนและมีราคาแพง เซสชันนี้แสดงให้เห็นถึงวิธีใช้บริการ AI ของ AWS และ Amazon SageMaker เพื่อทำให้การค้นหาและค้นพบเนื้อหาดีขึ้น เพิ่มความสามารถในการเข้าถึงผ่านการใส่คำบรรยายและการแปลเป็นภาษาท้องถิ่น และค้นพบการสร้างรายได้จากเนื้อหาแบบใหม่ นอกจากนี้ เรายังแสดงการใช้ API การกลั่นกรองรูปภาพ วิดีโอ ข้อความ และคําพูดที่มีการจัดการเต็มรูปแบบ และแมชชีนเลิร์นนิงอัตโนมัติเพื่อปรับปรุงการปฏิบัติตามข้อกําหนดและความปลอดภัยต่อแบรนด์สําหรับคุณและลูกค้าของคุณ
วิทยากร:
Sakthi Srinivasan ผู้จัดการด้านการมีส่วนร่วมฝ่ายการสร้างต้นแบบของ AWS อินเดีย
Arun Balaji หัวหน้าวิศวกรการสร้างต้นแบบของ AWS อินเดียระยะเวลา: 30 นาที
สร้างระบบตรวจจับการฉ้อโกงบัตรเครดิตแบบครบวงจร (ระดับ 300)
ในขณะที่เราก้าวไปสู่สังคมไร้เงินสด ความสามารถในการตรวจจับธุรกรรมบัตรปลอมได้อย่างแม่นยำและรวดเร็วมีความสําคัญมากขึ้น เพราะถ้าระบบเข้าใจว่าบัตรปลอมคือบัตรจริงก็อาจส่งผลให้เกิดประสบการณ์เชิงลบของลูกค้าได้ ในเซสชันนี้ คุณจะได้ค้นพบวิธีสร้างระบบตรวจจับการปลอมบัตรเครดิตแบบครบวงจรด้วย Amazon SageMaker เรียนรู้วิธีฝึกโมเดลทางคณิตศาสตร์ในระบบคลาวด์เพื่อตรวจจับการฉ้อโกงการชําระเงินด้วยบัตรปลอมโดยใช้วิธีที่คล่องตัวและคุ้มค่ากว่า เราจะแสดงให้เห็นวิธีผสานรวมโมเดลนี้กับแอปพลิเคชันทางธุรกิจของคุณโดยใช้ API และสร้างแดชบอร์ดการรายงานด้วย Amazon QuickSight ซึ่งเป็นบริการ BI ที่รวดเร็วและใช้ระบบคลาวด์ บริการนี้จะทำให้ทุกคนในองค์กรได้รับข้อมูลเชิงลึกอย่างง่ายดายจากข้อมูลของตนผ่านแดชบอร์ดเชิงโต้ตอบที่สมบูรณ์
วิทยากร: Indrajit Ghosalkar สถาปนิกโซลูชันของ AWS
ระยะเวลา: 30 นาที
ต่อสู้กับการฉ้อโกงเพื่อเข้าครอบครองบัญชีด้วย AWS (ระดับ 300)
ในแต่ละปีมีบัญชีผู้ใช้จํานวนมากถูกบุกรุกด้วยเทคนิคต่าง ๆ เช่น Credential Stuffing, ฟิชชิง และวิศวกรรมสังคม ซึ่งนําไปสู่การฉ้อโกงเพื่อเข้าครอบครองบัญชี (ATO) นอกเหนือจากการสูญเสียทางการเงินแล้ว การฉ้อโกง ATO ยังส่งผลต่อประสบการณ์ของลูกค้า ความภักดีต่อแบรนด์ และชื่อเสียงอีกด้วย ในเซสชันนี้ เราจะอธิบายวิธีที่ AWS Web Application Firewall ช่วยให้คุณสามารถหยุดความพยายามเข้าครอบครองบัญชีที่เครือข่าย Edge ในเชิงรุก ป้องกันการเข้าถึงโดยไม่ได้รับอนุญาตซึ่งอาจนําไปสู่กิจกรรมฉ้อโกงต่าง ๆ และแจ้งให้ผู้ใช้ทราบล่วงหน้าเพื่อดําเนินการป้องกันได้ นอกจากนี้ เราจะแสดงให้เห็นวิธีใช้วิธีการเพิ่มเติมในการปกป้องแอปพลิเคชันของคุณด้วยแมชชีนเลิร์นนิงโดยใช้ Amazon Fraud Detector ซึ่งเป็นบริการที่มีการจัดการเต็มรูปแบบที่จะช่วยคุณสร้าง นำไปใช้จริง และจัดการโมเดล ML การตรวจจับการฉ้อโกงแบบกําหนดเองได้อย่างรวดเร็วโดยไม่ต้องมีประสบการณ์ด้าน ML มาก่อน
วิทยากร:
Julian Ju สถาปนิกอาวุโสด้านโซลูชันผู้เชี่ยวชาญเกี่ยวกับ Edge ของ AWS
Ram Cholan สถาปนิกอาวุโสด้านโซลูชันผู้เชี่ยวชาญเกี่ยวกับ Edge ของ AWSระยะเวลา: 30 นาที
การดึงข้อมูลเชิงลึกด้านรังสีวิทยาที่มีประโยชน์จากภาษาธรรมชาติโดยใช้ Amazon Comprehend Medical (ระดับ 300)
ข้อมูลเชิงลึกที่จําเป็นต่อการเพิ่มประสิทธิภาพการใช้ทรัพยากรทางคลินิกที่หายากและเป็นที่ต้องการ มักจะถูกซ่อนไว้ในที่ที่เห็นได้อย่างชัดเจนแต่นึกไม่ถึงภายในรายงานทางคลินิกที่ไม่มีโครงสร้าง เซสชันนี้จะอธิบายวิธีผสานรวมแมชชีนเลิร์นนิงและเทคโนโลยีการวิเคราะห์เข้ากับแอปพลิเคชันและทําให้กระบวนการอัตโนมัติ เพื่อเพิ่มประสิทธิภาพการใช้ทรัพยากรทางคลินิก เราจะแสดงการใช้ไปป์ไลน์ Apache Spark แบบเกือบเรียลไทม์ด้วย Amazon Comprehend Medical เพื่อบันทึกการตรวจทางรังสีวิทยาเมื่อมีการเพิ่มลงในที่เก็บข้อมูลทางคลินิกของโรงพยาบาล เรียนรู้วิธีจําแนกบันทึกทางคลินิกที่เป็นภาษาธรรมชาติและแปลเอนทิตีทางคลินิกเป็นมุมมองเชิงสัมพันธ์ที่สร้างขึ้นจากคําศัพท์ทางคลินิก SNOMED มาตรฐาน เราจะสรุปโดยแสดงให้เห็นว่าเครื่องมือวิเคราะห์และแสดงข้อมูลเป็นภาพเพื่อวัตถุประสงค์ทั่วไปจะช่วยให้ผู้ใช้ของคุณเข้าถึงข้อมูลเชิงลึกได้อย่างไร
วิทยากร: Craig Roach หัวหน้าสถาปนิกโซลูชันของ AWS
ระยะเวลา: 30 นาที
-
สร้าง ฝึกฝน และปรับใช้โมเดล ML แทร็ค 1
-
สร้าง ฝึกฝน และปรับใช้โมเดล ML แทร็ค 1
เกี่ยวกับแทร็ค
เรียนรู้วิธีสร้าง ฝึก และปรับใช้โมเดลแมชชีนเลิร์นนิง (ML) สำหรับทุกกรณีใช้งาน ด้วยโครงสร้างพื้นฐานที่มีการจัดการอย่างเต็มรูปแบบ เครื่องมือ และเวิร์กโฟลว์ต่าง ๆ
เริ่มต้นใช้งาน Amazon SageMaker ในไม่กี่นาที (ระดับ 200)
Amazon SageMaker มอบความสามารถในการสร้าง ฝึก และนำโมเดลแมชชีนเลิร์นนิงไปใช้จริงสำหรับกรณีการใช้งานใด ๆ ที่มีโครงสร้างพื้นฐาน เครื่องมือ และเวิร์กโฟลว์ที่มีการจัดการเต็มรูปแบบ ให้แก่นักพัฒนา นักวิเคราะห์ธุรกิจ และนักวิทยาศาสตร์ข้อมูล Amazon SageMaker จะขจัดภาระหนักของแมชชีนเลิร์นนิง ดังนั้นจึงขจัดอุปสรรคทั่วไปที่เกี่ยวข้องกับแมชชีนเลิร์นนิงด้วย เซสชันนี้จะเจาะลึกรายละเอียดทางเทคนิคของแต่ละโมดูลของ Amazon SageMaker ซึ่งแสดงให้เห็นความสามารถของแพลตฟอร์ม
วิทยากร: Pauline Kelly สถาปนิกโซลูชันของ AWS
ระยะเวลา: 30 นาที
แปลงข้อมูล JSON แบบซ้อนกันกึ่งมีโครงสร้างสําหรับแมชชีนเลิร์นนิงด้วยโซลูชันแบบไม่ต้องเขียนโค้ดบน AWS (ระดับ 200)
ในหลายอุตสาหกรรม ข้อมูลมาจากแหล่งต่าง ๆ ในรูปแบบที่มีโครงสร้าง กึ่งมีโครงสร้าง และไม่มีโครงสร้าง สําหรับข้อมูลกึ่งมีโครงสร้าง หนึ่งในรูปแบบไฟล์ที่ใช้พื้นที่น้อยที่พบบ่อยที่สุดคือ JSON อย่างไรก็ตาม เนื่องจากลักษณะที่ซับซ้อนของข้อมูลประเภท JSON จึงมักจะมีโครงสร้างคีย์-ค่าแบบซ้อนกันและใช้โดยตรงในงาน ML ได้ยาก ในเซสชันนี้ เราจะพูดถึงวิธีใช้ประโยชน์จาก AWS Glue DataBrew เพื่อ Unnest ข้อมูล จัดการข้อมูลที่ละเอียดอ่อน และรับรองคุณภาพของข้อมูลสําหรับการเตรียมข้อมูล ML เราแชร์วิธีใช้โซลูชันแบบไม่ต้องเขียนโค้ดของ Amazon SageMaker เพื่อฝึกโมเดล ML โดยอัตโนมัติด้วยข้อมูลที่ประมวลผลเพื่อปลดล็อกข้อมูลเชิงลึกที่นําไปใช้ได้จริงอย่างรวดเร็ว
วิทยากร:
Melanie Li ผู้จัดการอาวุโสด้านบัญชีลูกค้าเทคนิคฝ่าย AI/ML ของ AWS
Partha Sarathi Sahoo ผู้จัดการอาวุโสด้านบัญชีลูกค้าเทคนิคฝ่ายการวิเคราะห์ของ AWSระยะเวลา: 30 นาที
สร้างโมเดลที่แม่นยําและรวมข้อมูลหลายประเภทเข้ากับ AutoGluon บน Amazon SageMaker (ระดับ 300)
กรณีการใช้งานแมชชีนเลิร์นนิงในโลกแห่งความเป็นจริงมักจะเกี่ยวข้องกับข้อมูลในหลายรูปแบบ ในเซสชันนี้ เราจะกล่าวถึงภาพรวมของ Amazon SageMaker JumpStart ซึ่งจะฝึกและปรับโมเดล ML หลายร้อยรุ่นโดยอัตโนมัติ และช่วยคุณเลือกโมเดลที่ดีที่สุดสําหรับกรณีการใช้งานของคุณ เราจะสาธิตวิธีสร้างโมเดลคุณภาพสูงโดยการใช้ AutoGluon ซึ่งเป็นไลบรารีโอเพนซอร์สสําหรับ AutoML บน Amazon SageMaker นอกจากนี้ เรายังแชร์เทคนิคที่ได้รับการพิสูจน์แล้ว แนวทางปฏิบัติที่ดีที่สุด และเครื่องมือสําหรับการเจาะลึกข้อมูลด้วย ML แบบมัลติโมดัลที่กําหนดเอง
วิทยากร: Seema Gupta สถาปนิกอาวุโสด้านโซลูชันของ AWS
ระยะเวลา: 30 นาที
ฝึกโมเดล ML ได้อย่างรวดเร็วและคุ้มค่าด้วย Amazon SageMaker (ระดับ 200)
การฝึกโมเดลแมชชีนเลิร์นนิงในวงกว้างมักจะต้องใช้เงินลงทุนจํานวนมาก ในเซสชันนี้ เราจะแสดงให้เห็นว่า Amazon SageMaker ช่วยคุณลดเวลาและค่าใช้จ่ายในการฝึกและปรับโมเดลแมชชีนเลิร์นนิง (ML) โดยไม่จําเป็นต้องจัดการโครงสร้างพื้นฐานได้อย่างไร เรียนรู้วิธีใช้โมเดลโดยใช้เครื่องมือในตัวจัดการและติดตามการทดสอบการฝึก เลือกไฮเปอร์พารามิเตอร์ที่เหมาะที่สุดโดยอัตโนมัติ แก้ไขข้อบกพร่องของงานฝึก และตรวจติดตามการใช้ทรัพยากรระบบ เช่น GPU, CPU และแบนด์วิดท์เครือข่าย เราจะแสดงให้เห็นว่าเครื่องมือการฝึกของ SageMaker ช่วยให้การฝึกแบบกระจายเร็วขึ้นได้อย่างไร ซึ่งรวมถึงไลบรารีสําหรับการขนานของข้อมูลและการขนานของโมเดล และไลบรารีการฝึกแบบกระจายของ Amazon SageMaker จะแยกโมเดลและชุดข้อมูลการฝึกทั่วทั้งอินสแตนซ์ GPU โดยอัตโนมัติ เพื่อช่วยให้คุณดําเนินการฝึกอบรมแบบกระจายได้เร็วขึ้น
วิทยากร: Gaurav Singh สถาปนิกโซลูชันของ AWS อินเดีย
ระยะเวลา: 30 นาที
นอกเหนือจากการพัฒนาโมเดล การฝึกและการนำไปใช้จริง - เจาะลึกเกี่ยวกับการตรวจสอบโมเดล Amazon SageMaker (ระดับ 200)
ซึ่งแตกต่างจากการพัฒนาซอฟต์แวร์แบบดั้งเดิมการพัฒนาโมเดล ML เป็นกระบวนการทําซ้ําที่ต้องมีการตรวจสอบอินพุตและเอาต์พุตของโมเดลที่นำไปใช้จริงอย่างต่อเนื่องเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด เข้าร่วมเซสชันนี้เพื่อเรียนรู้พื้นฐานของการตรวจติดตามโมเดลด้วย Amazon SageMaker เราครอบคลุมวิธีตรวจจับความคลาดเคลื่อนในข้อมูลและโมเดลของคุณ และแชร์ขั้นตอนที่เกี่ยวข้องเพื่อให้มั่นใจได้ในคุณภาพของโมเดลในการผลิต
วิทยากร: Sahil Verma สถาปนิกโซลูชันของ AWS อินเดีย
ระยะเวลา: 30 นาที
การนำโมเดลข้อความเป็นรูปภาพไปใช้จริงด้วย Amazon SageMaker และ Amazon Rekognition (ระดับ 200)
เข้าร่วมเซสชันนี้เพื่อเรียนรู้วิธีที่ Canva แพลตฟอร์มการสื่อสารด้วยภาพด้วยภาพระดับโลก สร้างฟังก์ชันการแปลงข้อความเป็นรูปภาพแบบใหม่ด้วย Stable Diffusion บน Amazon SageMaker ซึ่งทําให้พวกเขาสามารถปรับขนาดคุณสมบัติการแปลงข้อความเป็นรูปภาพให้แก่ผู้ใช้ 100 ล้านคนได้อย่างรวดเร็วในเวลาไม่ถึง 3 สัปดาห์ เราจะเจาะลึกลงไปในเฟรมเวิร์กสถาปัตยกรรมที่อยู่เบื้องหลังโซลูชันแบบครบวงจร วิธีขจัดการรับภาระหนักออกจากแต่ละขั้นตอนของกระบวนการ ML ทําให้ง่ายต่อการพัฒนาโมเดลคุณภาพสูง การเปิดตัวคุณสมบัติใหม่ ๆ ที่มีนวัตกรรมให้แก่ผู้ใช้อย่างรวดเร็วและปรับขนาดได้เพื่อการเติบโตในอนาคต นอกจากนี้ เรายังแชร์วิธีที่ Canva ใช้ประโยชน์จาก Amazon Rekognition ซึ่งมีความสามารถด้านคอมพิวเตอร์วิทัศน์ (CV) ที่ปรับแต่งได้และผ่านการฝึกล่วงหน้ามาแล้ว เพื่อดึงข้อมูลและข้อมูลเชิงลึกจากรูปภาพและวิดีโอ เรียนรู้ว่าโซลูชันนี้ช่วยสร้างความไว้วางใจ ความปลอดภัย และปรับปรุงประสิทธิภาพการทํางานของผู้ใช้ได้อย่างไร เนื่องจากการกลั่นกรองด้วยตนเองจะทําให้ Canva ต้องจัดกำลังผู้ดูแลหลายร้อยคนทำหน้าที่ตลอดเวลา
วิทยากร:
Ben Friebe สถาปนิกอาวุโสด้านโซลูชัน ISV ของ AWS
Greg Roodt หัวหน้าฝ่ายแพลตฟอร์มข้อมูลของ Canvaระยะเวลา: 30 นาที
เปิดตัวโซลูชัน ML อย่างรวดเร็วในทุกขนาดบนโครงสร้างพื้นฐานของ AWS (ระดับ 200)
AWS มีบริการที่กว้างและลึกที่สุดเกี่ยวกับการสร้างและการเปิดตัว AI และแมชชีนเลิร์นนิงอย่างรวดเร็ว สําหรับองค์กร ธุรกิจ และอุตสาหกรรมทุกประเภท ในเซสชันนี้ เราจะอธิบายวิธีนำโมเดลการอนุมานของคุณบน AWS ไปใช้จริง สํารวจปัจจัยที่ต้องพิจารณา และวิธีเพิ่มประสิทธิภาพการนำไปใช้จริง เราแชร์แนวทางปฏิบัติที่ดีที่สุดและแนวทางที่จะทำให้เวิร์กโหลด ML ของคุณทํางานได้อย่างราบรื่นและมีประสิทธิภาพบน AWS
วิทยากร: Santhosh Urukonda วิศวกรอาวุโสด้านการสร้างต้นแบบของ AWS อินเดีย
ระยะเวลา: 30 นาที
-
สร้าง ฝึกฝน และปรับใช้โมเดล ML แทร็ค 2
-
สร้าง ฝึกฝน และปรับใช้โมเดล ML แทร็ค 2
เกี่ยวกับแทร็ค
เรียนรู้วิธีสร้าง ฝึก และปรับใช้โมเดลแมชชีนเลิร์นนิง (ML) สำหรับทุกกรณีใช้งาน ด้วยโครงสร้างพื้นฐานที่มีการจัดการอย่างเต็มรูปแบบ เครื่องมือ และเวิร์กโฟลว์ต่าง ๆ
นำไปป์ไลน์ NLP ของคุณไปดำเนินการและทำให้เป็นระบบอัตโนมัติด้วย AWS (ระดับ 200)
โมเดล NLP มักจะประกอบด้วยพารามิเตอร์โมเดลหลายร้อยล้านรายการ ดังนั้นการสร้าง การฝึก และการเพิ่มประสิทธิภาพ จึงต้องใช้เวลา ทรัพยากร และทักษะ เซสชันนี้จะสรุปส่วนสำคัญเกี่ยวกับวิธีที่ Amazon SageMaker ช่วยให้คุณสามารถสร้างและฝึกโมเดล NLP ขนาดใหญ่ได้อย่างรวดเร็วโดยใช้เฟรมเวิร์กยอดนิยมอย่าง PyTorch เราจะแชร์การฝึกและการอนุมานแบบกระจายที่แตกต่างกันสําหรับโมเดลภาษาขนาดใหญ่บน Amazon SageMaker และสํารวจวิธีนำไปป์ไลน์ NLP ของคุณไปดำเนินการ
วิทยากร: Hariharan Suresh สถาปนิกอาวุโสด้านโซลูชันของ AWS
ระยะเวลา: 30 นาที
สร้าง ฝึก นำไปใช้จริง และนำโมเดล Hugging Face ไปดำเนินการบน Amazon SageMaker (ระดับ 200)
สาขาการประมวลผลภาษาธรรมชาติ (NLP) กําลังพัฒนาอย่างรวดเร็ว และโมเดล NLP กําลังเติบโตมีขนาดใหญ่และซับซ้อนมากขึ้น การร่วมมือกันอย่างแข็งแกร่งระหว่างองค์กรต่าง ๆ ในด้านระบบนิเวศ เช่น Hugging Face และความสามารถในการฝึกแบบกระจายขั้นสูง ทำให้ Amazon SageMaker เป็นหนึ่งในแพลตฟอร์มที่ใช้งานง่ายที่สุดสำหรับการฝึกโมเดล NLP อย่างรวดเร็ว ในเซสชันนี้ คุณจะได้เรียนรู้วิธีฝึกโมเดล NLP อย่างรวดเร็วจาก Hugging Face transformers ด้วยโค้ดเพียงไม่กี่บรรทัดโดยใช้ PyTorch หรือ TensorFlow รวมถึงไลบรารีการฝึกแบบกระจายของ SageMaker
วิทยากร: Tapan Hoskeri หัวหน้าสถาปนิกโซลูชันของ AWS อินเดีย
ระยะเวลา: 30 นาที
MLOps แบบครบวงจรด้วย Amazon SageMaker และ GitHub Actions (ระดับ 300)
เมื่อคุณย้ายเวิร์กโหลดของแมชชีนเลิร์นนิง (ML) ไปสู่การผลิต คุณจะต้องดูที่ไปป์ไลน์การนำไปใช้จริงและการฝึกโมเดลอีกครั้งแบบอัตโนมัติ แต่การสร้าง CI/CD ตามเวิร์กโฟลว์ ML และการรวมแนวทางปฏิบัติที่ดีที่สุด เช่น การควบคุมแหล่งที่มาและเวอร์ชัน ทริกเกอร์อัตโนมัติ และการนำไปใช้จริงที่ปลอดภัยอาจเป็นเรื่องที่ท้าทาย ในเซสชันนี้ เราจะแชร์วิธีนำโมเดล ML ไปดำเนินการและบำรุงรักษาในการทำงานจริงอย่างมีประสิทธิภาพด้วย Amazon SageMaker Pipelines และนําไปป์ไลน์ CI/CD ไปยัง ML ซึ่งช่วยลดเวลาในการเขียนโค้ดที่ก่อนหน้านี้ต้องใช้เวลาหลายเดือนเหลือเพียงไม่กี่ชั่วโมง เราจะสาธิตวิธีสร้างและพัฒนาเวิร์กโฟลว์โดยทําให้เป็นกระบวนการอัตโนมัติด้วยเครื่องมือของบุคคลที่สาม เช่น GitHub Actions
วิทยากร:
Romina Sharifpour สถาปนิกอาวุโสด้านโซลูชันของ AWS
Pooya Vahidi สถาปนิกโซลูชันระดับองค์กรของ AWSระยะเวลา: 30 นาที
-
โครงสร้างพื้นฐานข้อมูลสำหรับปริมาณงาน ML
-
โครงสร้างพื้นฐานข้อมูลสำหรับปริมาณงาน ML
เกี่ยวกับแทร็ค
ข้อมูลขับเคลื่อนธุรกิจและเศรษฐกิจในปัจจุบัน เรียนรู้วิธีสร้างโครงสร้างพื้นฐานข้อมูลที่มั่นคงเพื่อช่วยให้คุณส่งมอบโมเดล AI และ ML ประสิทธิภาพสูงที่ผ่านการฝึกโดยข้อมูล ใช้ประโยชน์จากพลังแห่งข้อมูลเพื่อปลดล็อกข้อมูลเชิงลึกและสร้างความเป็นไปได้ใหม่ ๆ ได้แล้ววันนี้
การปรับขนาดการประมวลผลข้อมูลและเวิร์กโหลด ML ด้วย AWS (ระดับ 200)
การสร้างเวิร์กโหลดของเครื่องและ AI และข้อมูลที่ปรับขนาดได้ เป็นความพยายามข้ามทีมที่ต้องมีการจัดการทรัพยากรหลายอย่าง การขาดการจัดการที่เหมาะสมส่งผลให้ทีมต้องใช้เวลาอย่างมากในการปฏิบัติงาน ซึ่งทําให้เวลาในการออกสู่ตลาดช้าลงและทําให้ทีมไม่มุ่งเน้นไปที่การพัฒนาผลิตภัณฑ์และโซลูชันที่เป็นนวัตกรรมใหม่ ในเซสชันนี้ เราจะสรุปส่วนสำคัญเกี่ยวกับตัวเลือกในการปรับขนาดข้อมูลที่ซับซ้อนและเวิร์กโหลด AI/ML บน AWS เรียนรู้วิธีที่ Amazon SageMaker Pipelines นําไปป์ไลน์ CI/CD ไปยัง ML ซึ่งช่วยลดเวลาในการเขียนโค้ดที่ก่อนหน้านี้ต้องใช้เวลาหลายเดือนเหลือเพียงไม่กี่ชั่วโมง ค้นพบตัวเลือกอื่น ๆ เกี่ยวกับวิธีปรับใช้ระบบแมชชีนเลิร์นนิงแบบโอเพนซอร์สที่ดีที่สุดบน AWS ซึ่งช่วยให้นักพัฒนา นักวิทยาศาสตร์ข้อมูล และผู้สร้างมีเครื่องมือที่เหมาะสมในการเรียกใช้แมชชีนเลิร์นนิงบนคลาวด์
วิทยากร: Vatsal Shah สถาปนิกอาวุโสด้านโซลูชันของ AWS อินเดีย
ระยะเวลา: 30 นาที
การวิเคราะห์ความรู้สึกโดยใช้แมชชีนเลิร์นนิงของ Amazon Aurora (ระดับ 200)
ทุกวันนี้ข้อมูลองค์กรส่วนใหญ่อยู่ในฐานข้อมูลแบบเชิงสัมพันธ์ และมีความจําเป็นมากขึ้นในการทําให้ข้อมูลนี้เข้าถึงได้สําหรับการฝึกและการใช้โมเดล ML เพื่อสร้างการคาดการณ์ในแอปพลิเคชันที่ใช้ฐานข้อมูล เซสชันนี้จะสาธิตวิธีดึงข้อมูลการทำงานจริงของคุณจากฐานข้อมูลแบบเชิงสัมพันธ์ สร้างโมเดล ML ใน Amazon SageMaker และรวมการค้นพบของโมเดลไว้ในฐานข้อมูลและแอปในการทำงานจริงของคุณ เราจะเจาะลึกถึงวิธีที่ ML ของ Amazon Aurora ช่วยให้คุณสามารถเพิ่มการคาดการณ์ที่ใช้ ML ไปยังแอปพลิเคชันได้อย่างง่ายดายผ่านภาษาการเขียนโปรแกรม SQL ที่คุ้นเคย โดยไม่ต้องมีประสบการณ์ด้านแมชชีนเลิร์นนิงมาก่อน ค้นพบวิธีสร้างการผสานรวมที่ปรับให้เหมาะสมและปลอดภัยด้วยบริการ ML ของ AWS โดยไม่ต้องย้ายข้อมูลไปมา
วิทยากร: Roneel Kumar สถาปนิกโซลูชันเฉพาะทางสำหรับฐานข้อมูลแบบเชิงสัมพันธ์อาวุโส AWS
ระยะเวลา: 30 นาที
ความชาญฉลาดด้านการดําเนินงานด้วยการสตรีม Amazon Redshift และ Amazon Redshift ML (ระดับ 200)
ข้อมูลที่คุณต้องการสําหรับข้อมูลเชิงลึกไม่เพียงแค่เพิ่มปริมาณขึ้นเรื่อย ๆ แต่ยังมีความหลากหลายมากขึ้นด้วย โดยมักจะอยู่ใน Data Silo ต่าง ๆ หรือแม้แต่อยู่ในองค์กรของบุคคลที่สาม นอกจากนี้ยังคาดหวังให้ผู้ใช้ได้ทํางานกับข้อมูลที่สอดคล้องกับธุรกรรมด้วย แต่กระบวนการแปลงข้อมูลในไซโลเหล่านี้เต็มไปด้วยปัญหาต่าง ๆ เช่น ข้อมูลซ้ำซ้อน ข้อมูลสูญหาย ความไม่สอดคล้องกัน ความไม่แม่นยำ และความล่าช้าเมื่อย้ายข้อมูล ในเซสชันนี้ เราจะแสดงให้เห็นวิธีที่ Amazon Redshift มอบการผสานรวมที่มีประสิทธิภาพเข้ากับระบบนิเวศข้อมูลของ AWS, ทั่วทุก Data Lake และการจัดเก็บข้อมูลที่สร้างขึ้นตามวัตถุประสงค์ และมอบข้อมูลเชิงลึกเชิงคาดการณ์และแบบเรียลไทม์ตามที่คุณต้องการโดยไม่ต้องยุ่งยากกับการย้ายข้อมูลหรือแปลงข้อมูล
วิทยากร: Mary Law ผู้จัดการสถาปนิกอาวุโสด้านโซลูชันการวิเคราะห์ของ AWS
ระยะเวลา: 30 นาที
แมชชีนเลิร์นนิงที่ยั่งยืนและปรับขนาดได้ด้วยเวิร์กโฟลว์ Amazon EKS และ Argo (ระดับ 200)
วิทยาศาสตร์ข้อมูล แมชชีนเลิร์นนิง ปัญญาประดิษฐ์ และ Kubernetes ได้รับความนิยมอย่างล้นหลามในช่วงไม่กี่ปีที่ผ่านมา ส่งผลให้องค์กรต่าง ๆ มุ่งเป้าไปที่การสร้างทีมสำหรับ ML โดยเฉพาะ เพื่อช่วยปรับขนาดการส่งมอบผลลัพธ์ที่ขับเคลื่อนด้วย ML เมื่อองค์กรปรับขนาดการใช้เทคโนโลยีและแนวทางปฏิบัติเหล่านี้ องค์กรต้องเผชิญกับความท้าทายหลายประการรวมถึงความสามารถในการทําซ้ำของเอาต์พุตโมเดล แความสามารถในการนําไปป์ไลน์กลับมาใช้ใหม่ การกําหนดเวอร์ชันไปป์ไลน์ ความสามารถในการจัดการการนำโมเดลไปใช้จริง รวมถึงการให้บริการและการทำให้กระบวนการแบบครบวงจรเหล่านี้เป็นระบบอัตโนมัติ ในเซสชันนี้ เราจะเจาะลึกถึงวิธีสร้างสถาปัตยกรรมที่ปรับขนาดได้สําหรับการเตรียมข้อมูล ML การฝึกโมเดล และการให้บริการโดยใช้เวิร์กโฟลว์ Argo และ Amazon Elastic Kubernetes Services (Amazon EKS)
วิทยากร: Mitch Beaumont หัวหน้าสถาปนิกโซลูชันของ AWS
ระยะเวลา: 30 นาที
-
ML สำหรับนักพัฒนาและผู้สร้าง
-
ML สำหรับนักพัฒนาและผู้สร้าง
เกี่ยวกับแทร็ค
ที่ AWS เป้าหมายของเราคือการสร้างแมชชีนเลิร์นนิง (ML) ที่นักพัฒนาและนักวิทยาศาสตร์ข้อมูลทุกคนเข้าถึงได้ เรียนรู้และทดลองวิธีใช้ ML และเปลี่ยนวิถีชีวิตประจำวันของเรา
การมอบแมชชีนเลิร์นนิงให้ผู้สร้างทุกคนได้ใช้งานด้วยฐานข้อมูล การวิเคราะห์ และ ML ของ AWS (ระดับ 200)
ที่ AWS เรามุ่งมั่นที่จะมอบแมชชีนเลิร์นนิง (ML) ให้ผู้สร้างทุกคนได้ใช้งาน ในเซสชันนี้ คุณจะได้เรียนรู้วิธีต่าง ๆ ที่ AWS เพิ่มศักยภาพให้กับผู้สร้างด้วย ML โดยใช้บริการต่าง ๆ เช่น Amazon Aurora, Amazon Redshift, Amazon Neptune และ Amazon QuickSight เพื่อสร้างประสบการณ์ใหม่ ๆ และพลิกโฉมกระบวนการที่มีอยู่
วิทยากร: Tom McMeekin สถาปนิกโซลูชันองค์กรของ AWS
ระยะเวลา: 30 นาที
การเพิ่มแมชชีนเลิร์นนิงลงในกระเป๋าคาดเอวของวิศวกรรมซอฟต์แวร์ของคุณ (ระดับ 200)
แมชชีนเลิร์นนิงจะเกี่ยวพันกันในเกือบทุกแอปพลิเคชัน กระบวนการทางธุรกิจ และประสบการณ์ของผู้ใช้ปลายทาง อย่างไรก็ตาม มีอุปสรรคสําคัญในการนํา ML มาใช้ ซึ่งจําเป็นต้องได้รับการแก้ไข ได้แก่ การทําให้แมชชีนเลิร์นนิงและการเพิ่มทักษะเป็นประชาธิปไตย เซสชันนี้จะสรุปส่วนสำคัญเกี่ยวกับแนวทางที่เน้นการปฏิบัติ เคล็ดลับและเทคนิคเกี่ยวกับวิธีช่วยผู้สร้างพัฒนาชุดทักษะ ML โดยเริ่มจากการใช้แมชชีนเลิร์นนิงเป็นผู้ช่วยโค้ด เราจะสาธิตการใช้ Amazon CodeWhisperer ซึ่งเป็นบริการที่ขับเคลื่อนโดยแมชชีนเลิร์นนิง (ML) เพื่อปรับปรุงประสิทธิภาพการทำงานของผู้สร้างโดยการสร้างคำแนะนำโค้ดตามความคิดเห็นต่าง ๆ ในภาษาธรรมชาติและโค้ดในสภาพแวดล้อมการพัฒนาแบบผสานรวม (IDE) จากนั้นเราจะเจาะลึกบริการอื่น ๆ ของ AWS ซึ่งคุณสามารถใช้ประโยชน์และสร้างโมเดลแมชชีนเลิร์นนิงของคุณเองได้
วิทยากร: Matt Coles หัวหน้าวิศวกรของ AWS
ระยะเวลา: 30 นาที
การนําแนวทางปฏิบัติด้านวิศวกรรมซอฟต์แวร์ที่ดีที่สุดมาสู่วิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิง (ระดับ 300)
ในโลกของ MLOps และโมเดลวิทยาศาสตร์ข้อมูลในการทำงานจริง การปรับปรุงความเสถียร การออกแบบ และการใช้โค้ดของแมชชีนเลิร์นนิงเป็นสิ่งที่สําคัญที่สุดสําหรับนักวิทยาศาสตร์ข้อมูล แนวทางปฏิบัติที่ดีที่สุดด้านวิศวกรรมซอฟต์แวร์ เช่น การพัฒนาที่ขับเคลื่อนด้วยการทดสอบ (TDD) สามารถช่วยให้บรรลุเป้าหมายเหล่านี้ได้ อย่างไรก็ตาม ยังคงมีคําแนะนําที่จํากัดเกี่ยวกับวิธีการนําแนวทางปฏิบัติเหล่านี้ไปใช้กับเวิร์กโฟลว์ด้านวิทยาศาสตร์ข้อมูล เซสชันนี้จะสํารวจการใช้แนวทางปฏิบัติด้านวิศวกรรมซอฟต์แวร์ที่มีประโยชน์ในบริบทของวิทยาศาสตร์ข้อมูลในแง่มุมของอะไร เพราะอะไร และเมื่อใด ทั้งยังครอบคลุมโซลูชันและการออกแบบที่ใช้งานได้จริงเพื่อนําไปใช้ในงานประจําวัน
วิทยากร:
Joshua Goyder นักวิทยาศาสตร์ข้อมูลอาวุโสของ AWS
Dr. Marcel Vonlanthen นักวิทยาศาสตร์ข้อมูลอาวุโสของ AWSระยะเวลา: 30 นาที
เพิ่มความเร็วในการสร้างมูลค่า ML ของคุณจากที่ใช้เวลาหลายเดือนเหลือเพียงไม่กี่ชั่วโมงด้วยเครื่องมือ ML แบบไม่ต้องเขียนโค้ด/ใช้โค้ดน้อย (ระดับ 200)
ความสามารถในการสร้างระบบเพื่อรับข้อมูลเชิงลึก เช่น การคาดการณ์การขาย การตรวจจับการฉ้อโกง และการคาดการณ์ความต้องการมีความสําคัญมากขึ้นเรื่อย ๆ สําหรับองค์กรที่ต้องจัดการกับข้อมูลเป็นประจำทุกวัน การมีความสามารถนี้จะช่วยให้องค์กรสามารถขับเคลื่อนได้เร็วขึ้น โดยการทําให้กระบวนการที่เชื่องช้าเป็นระบบอัตโนมัติและฝังระบบอัจฉริยะลงในระบบขององค์กร ผู้ใช้หลายคนต้องการสร้างและใช้ระบบการคาดการณ์โดยอิงตามข้อมูลที่ตนวิเคราะห์และประมวลผลเป็นประจำทุกวันโดยไม่ต้องเรียนรู้ข้อมูลจำนวนมากเกี่ยวกับอัลกอริทึม พารามิเตอร์การฝึก ตัววัดการประเมิน และแนวทางปฏิบัติที่ดีที่สุดในการนำไปใช้จริง เซสชันนี้จะครอบคลุมถึงวิธีใช้เครื่องมือแบบไม่ต้องเขียนโค้ด/ใช้โค้ดน้อยของ AWS เพื่อเรียกใช้กรณีการใช้งาน ML ทั่วไป ใช้อินเทอร์เฟซภาพและเริ่มได้รับมูลค่าที่แท้จริงจากข้อมูลอย่างรวดเร็วโดยไม่ต้องเขียนโค้ดแม้สักบรรทัดหรือมีความเชี่ยวชาญด้าน ML แต่อย่างใด
วิทยากร: Aman Sharma สถาปนิกอาวุโสด้านโซลูชันสำหรับ SMB ประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่นของ AWS
ระยะเวลา: 30 นาที
ทําให้การวิเคราะห์และแมชชีนเลิร์นนิงเป็นประชาธิปไตยด้วยบริการของ AWS แบบไม่ต้องเขียนโค้ด (ระดับ 200)
การเข้าถึงข้อมูลทั้งหมดเพื่อการวิเคราะห์ที่รวดเร็วในวงกว้างเป็นกุญแจสําคัญสําหรับโปรเจกต์แบบ 360 องศาที่เกี่ยวข้องกับวิศวกรข้อมูล นักพัฒนา นักวิเคราะห์ นักวิทยาศาสตร์ข้อมูล ผู้เชี่ยวชาญด้าน BI และผู้ใช้อื่น ๆ อย่างไรก็ตาม การสร้างโมเดลดังกล่าวต้องใช้ทรัพยากรและความรู้ด้านเทคนิคเชิงลึก เซสชันนี้จะแสดงให้เห็นวิธีการสร้างและแสดงภาพการคาดการณ์ ML ที่แม่นยําในโซลูชัน BI เรียนรู้วิธีเตรียมชุดข้อมูลแบบตารางและฝึกโมเดล ML ด้วย Amazon SageMaker โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว จากนั้นเราจะสาธิตวิธีที่ Amazon QuickSight ซึ่งเป็นระบบธุรกิจอัจฉริยะแบบ Cloud-Native ที่ไม่ต้องใช้เซิร์ฟเวอร์ ซึ่งมีการผสานรวม ML แบบเนทีฟและการกําหนดราคาตามการใช้งาน ช่วยให้ผู้ใช้สามารถตอบสนองความต้องการด้านการวิเคราะห์ที่แตกต่างกันจากแหล่งความจริงเดียวกันผ่านทางแดชบอร์ดเชิงโต้ตอบที่ทันสมัย รายงานแบบแบ่งหน้า การวิเคราะห์แบบฝัง และการสืบค้นด้วยภาษาธรรมชาติ
วิทยากร: Darshit Vora สถาปนิกอาวุโสด้านโซลูชันสตาร์ทอัพของ AWS อินเดีย
ระยะเวลา: 30 นาที
การปรับปรุงประสิทธิภาพและความพร้อมใช้งานของแอปพลิเคชันแบบไม่ต้องใช้เซิร์ฟเวอร์ด้วยการทำงานของ AI/ML (ระดับ 200)
โครงสร้างพื้นฐานด้านไอทีที่ผลิตบันทึกข้อมูลใหม่จํานวนมากอย่างต่อเนื่อง ทำให้ ITOp มักจะต้องอยู่ภายใต้แรงกดดันอย่างต่อเนื่องในการจัดการและวิเคราะห์เวิร์กโหลดด้วยเครื่องมือแบบดั้งเดิม ดังนั้นจึงจําเป็นต้องมีแนวทางใหม่ ๆ ที่จะช่วยให้ฝ่ายไอทีได้เปลี่ยนจากการแก้ไขอุบัติการณ์การจัดการเชิงรับเป็นเชิงรุก เพื่อเพิ่มความพร้อมใช้งานของแอปพลิเคชัน ประหยัดเวลาในการตรวจจับ แก้ไขปัญหาที่สําคัญที่สุด และลดต้นทุน ในเซสชันนี้เราจะกล่าวถึงวิธีการใช้ AI และ ML เพื่อปกป้องแอปพลิเคชันของคุณจากการหยุดทํางานในเชิงรุก
วิทยากร: Paul Kukiel สถาปนิกโซลูชันองค์กรของ AWS
ระยะเวลา: 30 นาที
เริ่มต้นการเรียนรู้แบบเสริมแรงและ AWS DeepRacer (ระดับ 200)
มองหาวิธีที่น่าสนใจและสนุกในการเรียนรู้เกี่ยวกับการเรียนรู้แบบเสริมแรง (RL) จากนั้นก็ไม่ต้องมองหาสิ่งอื่นใดนอกจาก AWS DeepRacer ซึ่งคุณสามารถเรียนรู้วิธีสร้างโมเดล ML ได้อย่างรวดเร็ว จากนั้นคุณสามารถทดลองกับรูปแบบต่าง ๆุ ของอัลกอริธึม การกําหนดค่านิวรัลเน็ตเวิร์ก และจําลองบนสนามแข่งเสมือนได้ เมื่อคุณสร้างโมเดล ML แล้ว คุณสามารถแข่งขันใน AWS DeepRacer League ซึ่งเป็นลีกแข่งรถอิสระระดับโลกแห่งแรกของโลกที่เปิดให้ทุกคนเข้าแข่งขันเพื่อชิงรางวัลและคว้าชัยชนะ นักพัฒนาทั้งหลาย วันนี้ได้เวลาติดเครื่องแล้ว!
วิทยากร: Donnie Prakoso หัวหน้าที่ปรึกษานักพัฒนาของ AWS
ระยะเวลา: 30 นาที
-
โซนผู้สร้าง
-
โซนผู้สร้าง
เกี่ยวกับแทร็ค
เจาะลึกข้อมูลทางเทคนิคต่าง ๆ เรียนรู้วิธีที่ผู้เชี่ยวชาญของ AWS ได้ช่วยแก้ไขปัญหาจากการใช้งานจริงให้กับลูกค้า ทดลองใช้การสาธิตด้วยคู่มือแบบทีละขั้นตอน และจบหลักสูตรออกไปพร้อมกับความสามารถในการใช้งานโซลูชันเหล่านี้หรือที่คล้ายคลึงกันในองค์กรของคุณเอง
หุ่นยนต์ที่บังคับด้วยความคิด (ระดับ 300)
Brain Computer Interface (BCI) เป็นวิถีประสาทสื่อสารโดยตรงเพื่อรวบรวมสัญญาณสมอง ตีความ และส่งออกคําสั่งไปยังอุปกรณ์ที่เชื่อมต่อ องค์กรที่มีความคิดก้าวหน้าในทั่วทุกอุตสาหกรรมต่างกําลังสนใจที่จะใช้ BCI เปลี่ยนประสบการณ์ของผู้ใช้ในกรณีการใช้งานต่าง ๆ ซึ่งรวมถึงการรับรองความปลอดภัยของผู้ขับขี่โดยการติดตาม Cognitive Load ตรวจติดตามอินพุตความล้า และการใช้ข้อมูลเพื่อแนะนําให้พักผ่อนหรือช่วยพนักงานโต้ตอบกับอุปกรณ์ที่เชื่อมต่อโดยใช้แขนหุ่นยนต์เพื่อนําทางและใช้งานเป็นส่วนขยายของร่างกาย โดยไม่ต้องวุ่นวายใช้มือกับตัวควบคุม ในเซสชันนี้ เราจะสาธิตวิธีที่อุปกรณ์ Brain Computer Interface (BCI) อ่านคลื่นสมองและใช้แมชชีนเลิร์นนิงแปลเป็นสัญญาณควบคุมหุ่นยนต์แบบเรียลไทม์ เราจะแชร์วิธีที่อุปกรณ์นี้ซึ่งขับเคลื่อนโดย Amazon SageMaker และ AWS IoT จำแนกกิจกรรมในสมองและแปลเป็นการกระทำได้อย่างแม่นยํา
วิทยากร:
K V Sureshkumar สถาปนิกการสร้างต้นแบบ AWS อินเดีย
Arun Balaji หัวหน้าวิศวกรการสร้างต้นแบบของ AWS อินเดีย
การคาดการณ์การใช้พลังงานเพื่อประหยัดค่าใช้จ่ายด้วย Amazon Forecast (ระดับ 200)
การเพิ่มขึ้นของราคาพลังงานส่งผลกระทบทางการเงินสําหรับหลายองค์กรในหลายอุตสาหกรรม ในเซสชันนี้ เราจะสาธิตวิธีสร้างการคาดการณ์พลังงานที่มีความแม่นยําสูงได้อย่างทันท่วงทีและราคาไม่แพงด้วยการวิเคราะห์และแมชชีนเลิร์นนิงโดยไม่ต้องมีประสบการณ์ด้าน ML มาก่อน องค์กรสามารถระบุวิธีเชิงรุกในการคาดการณ์การใช้พลังงานก่อนจ่ายหรือสิ้นเดือน เพื่อไม่ให้ถูกเรียกเก็บค่าไฟเป็นจำนวนมากซึ่งจะส่งผลต่อค่าใช้จ่ายในการดําเนินงาน หรือใช้ข้อมูลคาดการณ์เพื่อคาดการณ์การประหยัดที่เป็นไปได้เมื่อใช้มาตรการประหยัดพลังงานต่าง ๆ รวมทั้งแนะนํามาตรการที่ดีที่สุดที่ควรใช้
วิทยากร:
Jeffrey Zeng นักวิทยาศาสตร์ข้อมูลสำหรับบริษัทในเครือของ AWS
Laine Wishart นักวิทยาศาสตร์ข้อมูลของ AWS
สร้างประสบการณ์การสตรีมวิดีโอสดที่น่าสนใจและเพิ่มโอกาสในการสร้างรายได้ด้วย AWS (ระดับ 200)
ผู้ให้บริการเนื้อหาการสตรีมวิดีโอส่วนใหญ่ต้องการมอบประสบการณ์การรับชมระดับพรีเมียม เพิ่มการมีส่วนร่วมของผู้ชมแบบเรียลไทม์ และปรับปรุงการสร้างรายได้จากเนื้อหาวิดีโอของตน ในเซสชันนี้ คุณจะได้เรียนรู้วิธีเรียกใช้สตรีมสดคุณภาพสูง เวลาแฝงต่ํา และยืดหยุ่นบน AWS เราจะสาธิตวิธีใช้ Amazon Rekognition ปรับปรุงอัตราการมีส่วนร่วมกับเนื้อหาโดยการสร้างแค็ตตาล็อกของผู้ซื้อโดยอัตโนมัติจากการสตรีมสด IVS การเพิ่ม AI/ML ลงในขั้นตอนการดำเนินงานจะช่วยให้ผู้ชมสามารถซื้อผลิตภัณฑ์หรือบริการที่ปรากฏระหว่างสตรีมสดได้
วิทยากร: Ally Yong สถาปนิกโซลูชันของ AWS
การสร้างแอปพลิเคชัน ML สําหรับสตรีมวิดีโอโดรนแบบเรียลไทม์ (ระดับ 200)
ข้อมูลโดรนมีความสําคัญมากขึ้นเรื่อย ๆ สําหรับหลายองค์กร เนื่องจากความสามารถในการรวบรวมข้อมูลที่ไม่สามารถเข้าถึงได้ง่ายหรือดําเนินการได้อย่างรวดเร็วในสถานการณ์ต่าง ๆ เช่น การรับรองการส่งมอบที่รวดเร็วในชั่วโมงเร่งด่วน การตรวจสอบทรัพย์สิน การตรวจจับการรั่วไหล การคํานวณปริมาณในคลังหรือการสํารวจแบบดิจิทัล ในเซสชันนี้ คุณจะได้เรียนรู้วิธีวิเคราะห์ฟุตเทจโดรนแบบเรียลไทม์และปลดล็อกข้อมูลเชิงลึกจากรูปภาพโดรนของคุณด้วยแมชชีนเลิร์นนิง เพื่อการตัดสินใจที่ดีขึ้นและรวดเร็วยิ่งขึ้นวิทยากร: Ishan Joshi นักวิทยาศาสตร์ข้อมูลฝ่ายบริการสำหรับผู้เชี่ยวชาญในวิชาชีพของ AWS
ตรวจจับข่าวปลอมบนโซเชียลมีเดียด้วยแมชชีนเลิร์นนิงแบบกราฟ (ระดับ 200)
ปัจจุบัน เรามักจะใช้โซเชียลมีเดียเพื่อแชร์และบริโภคข่าวสาร แต่การแพร่กระจายข่าวปลอม อาจส่งผลเสียต่อแบรนด์ของบริษัท ทำให้ความเชื่อมั่นของลูกค้าลดลง และส่งผลกระทบต่อรายได้ เซสชันนี้จะแสดงให้เห็นวิธีตรวจจับข่าวปลอมโดยอิงตามเนื้อหาและบริบททางสังคมของข่าวบนโซเชียลมีเดียด้วยแมชชีนเลิร์นนิงบน AWS เราแสดงให้เห็นวิธีที่ Amazon Neptune ML ซึ่งเป็นเทคนิคแมชชีนเลิร์นนิงที่สร้างขึ้นสําหรับกราฟโดยเฉพาะ ช่วยให้สามารถคาดการณ์อย่างแม่นยําโดยใช้ข้อมูลกราฟได้ภายในไม่กี่ชั่วโมงแทนเวลาเป็นสัปดาห์ โดยไม่จําเป็นต้องเรียนรู้เทคโนโลยี ML และเครื่องมือใหม่ ๆวิทยากร: Ganesh Sawhney สถาปนิกโซลูชันของ AWS อินเดีย
การสร้างตัวคัดแยกเสียงด้วย Amazon SageMaker (ระดับ 200)
การจําแนกเสียงมีแอปพลิเคชันด้าน AI จำนวนมาก เช่น แชทบอท นักแปลเสียงอัตโนมัติ ผู้ช่วยเสมือน การระบุประเภทเพลง และแอปพลิเคชันแปลงข้อความเป็นคําพูด ในเซสชันนี้ คุณจะได้ค้นพบวิธีสร้างตัวคัดแยกเสียงของคุณเองโดยใช้ Amazon SageMaker เราจะแสดงให้เห็นภาพรวมแบบครบวงจร ตั้งแต่การนําเข้าข้อมูลไปจนถึงการสร้างแบบจําลองผลลัพธ์วิทยากร:
Emma Arrigo สถาปนิกโซลูชันสำหรับบริษัทในเครือของ AWS
Anushree Umesh สถาปนิกโซลูชันสำหรับบริษัทในเครือของ AWS
การปรับปรุงประสิทธิภาพของคอลเซ็นเตอร์และประสบการณ์ของลูกค้าแบบหลากหลายช่องทางด้วย AWS QnA Bot (ระดับ 200)
ค้นหาวิธีสร้างบอท QnA อัจฉริยะเชิงโต้ตอบ AWS QnABot เป็นแชทบอทสนทนาแบบโอเพนซอร์สหลายช่องทางหลายภาษาที่สร้างขึ้นบน Amazon Lex ซึ่งตอบสนองต่อคําถาม คําตอบ และคําติชมของลูกค้า โซลูชัน AWS QnABot ช่วยให้ลูกค้าสามารถนำ AI เชิงสนทนาแบบบริการตนเองไปใช้งานได้อย่างรวดเร็วในหลายช่องทาง ซึ่งรวมถึงศูนย์ติดต่อ เว็บไซต์ ช่องทางโซเชียลมีเดีย การส่งข้อความ SMS หรือ Amazon Alexa ได้โดยไม่ต้องมีการเขียนโปรแกรม
วิทยากร:
Nieves Gracia หัวหน้าผู้เชี่ยวชาญด้าน AI/ML ฝ่ายภาครัฐ ประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น AWS
Melwin Pais สถาปนิกอาวุโสด้านโซลูชันของ AWS
สร้างเครื่องตรวจจับความผิดปกติของคุณภาพอากาศแบบเรียลไทม์โดยใช้ AWS Lookout For Metrics (ระดับ 300)
การใช้ AI/ML เพื่อตรวจจับความผิดปกติในข้อมูลเกี่ยวข้องกับความซับซ้อนสูงในการนําเข้า ดูแล และเตรียมข้อมูลในรูปแบบที่เหมาะสม จากนั้นจึงเพิ่มประสิทธิภาพและรักษาประสิทธิภาพของโมเดล ML เหล่านี้ไว้ในระยะเวลานาน ในเซสชันนี้ เราจะแชร์วิธีสร้างเครื่องตรวจจับความผิดปกติของคุณภาพอากาศอัตโนมัติด้วย Amazon Lookout for Metrics, Amazon Kinesis และ Amazon Simple Notification Service (Amazon SNS) เรียนรู้วิธีจัดการความซับซ้อนในการตรวจจับความผิดปกติ ซึ่งจะช่วยให้องค์กรสามารถดําเนินการกับข้อมูลได้อย่างรวดเร็วเพื่อลดผลกระทบต่อผลลัพธ์ทางธุรกิจ ซึ่งรวมถึงประสิทธิภาพการทํางานของพนักงานและจํานวนผู้บริโภค
วิทยากร: Dhiraj Thakur สถาปนิกอาวุโสด้านโซลูชันคู่ค้าของ AWS อินเดีย
-
กล่าวปิด
-
กล่าวปิด
เร่งนวัตกรรมให้รวดเร็วด้วยข้อมูลและ AI/ML (ระดับ 200)
คุณค่าที่พบบ่อยที่สุดที่องค์กรหวังว่าจะได้รับจากข้อมูลคือการตัดสินใจที่ชาญฉลาดยิ่งขึ้น เพื่อสร้างผลิตภัณฑ์และบริการที่ดีกว่าเดิม เปลี่ยนประสบการณ์ของลูกค้า ปรับปรุงประสิทธิภาพการดำเนินงาน และส่งมอบผลลัพธ์ทางธุรกิจ เซสชันนี้จะสรุปเซสชันของแต่ละวันและตอบคำถามที่พบบ่อยบางส่วนเกี่ยวกับข้อมูลและ AI/ML กับ AWS เรียนรู้วิธีที่ AWS ช่วยให้องค์กรและผู้สร้างในอุตสาหกรรมต่างๆ ขจัดปัญหาการจัดการกับข้อมูลจำนวนมากที่ไม่แตกต่างกันด้วยระบบอัตโนมัติและระบบอัจฉริยะ หาคำตอบว่าการพัฒนาใหม่ใน AI/ML ของ AWS และการสาธิตเทคโนโลยีใหม่จะให้ข้อมูลเชิงลึกเกี่ยวกับวิธีการใช้ประโยชน์จากศักยภาพที่ไม่ได้ใช้ รวมถึงสร้างสรรค์สิ่งใหม่ ๆ ด้วยความมั่นใจได้อย่างไร
วิทยากร:
Dean Samuels หัวหน้านักเทคโนโลยีภูมิภาคอาเซียนของ AWS
Kris Howard หัวหน้าฝ่ายนักพัฒนาสัมพันธ์ภูมิภาค APJ ของ AWS
ระดับเซสชันที่ออกแบบมาเพื่อคุณ
เซสชันนี้มุ่งเน้นการให้ภาพรวมบริการและคุณสมบัติของ AWS โดยมีสมมติฐานว่าผู้เข้าร่วมยังไม่คุ้นเคยกับหัวข้อดังกล่าว
เซสชันนี้มุ่งเน้นไปที่การให้แนวทางปฏิบัติที่ดีที่สุด รายละเอียดคุณสมบัติของบริการ และการสาธิตโดยมีสมมติฐานว่าผู้เข้าร่วมมีความรู้เบื้องต้นเกี่ยวกับหัวข้อดังกล่าวแล้ว
เซสชันเจาะลึกลงในหัวข้อที่คัดสรรแล้ว ผู้นำเสนอสันนิษฐานว่าผู้เข้าร่วมคุ้นเคยกับหัวข้อดังกล่าวแล้ว แต่อาจมีหรือไม่มีประสบการณ์โดยตรงในการใช้งานโซลูชันที่ใกล้เคียงกัน
วิทยากร AWS ที่เข้าร่วม
Dean Samuels
หัวหน้านักเทคโนโลยีภูมิภาคอาเซียนของ AWS
.
Kris Howard
หัวหน้าฝ่ายนักพัฒนาสัมพันธ์ประจำภูมิภาค APJ ของ AWS
.
Swami Sivasubramanian
รองประธานด้านข้อมูลและแมชชีนเลิร์นนิงของ AWS
.
เรียนรู้เพิ่มเติมเกี่ยวกับ AI และแมชชีนเลิร์นนิงบน AWS
AWS ได้รับการยกย่องให้เป็นผู้นำด้าน IDC MarketScape สำหรับเครื่องมือซอฟต์แวร์และแพลตฟอร์มวงจรชีวิต AI ภูมิภาค APEJ
AWS ได้รับการยกย่องให้เป็นผู้นำใน Gartner Magic Quadrant สำหรับบริการสำหรับนักพัฒนา AI บนระบบคลาวด์
คำถามที่พบบ่อย
-
AWS Innovate โฮสต์ไว้ที่ใด
AWS Innovate เป็นการจัดประชุมออนไลน์ หลังจากกรอกแบบฟอร์มลงทะเบียน คุณจะได้รับอีเมลยืนยัน
-
ใครควรเข้าร่วม AWS Innovate
ไม่ว่าคุณจะเพิ่งเริ่มใช้ระบบคลาวด์หรือเป็นผู้ใช้ที่มีประสบการณ์ คุณสามารถเรียนรู้สิ่งใหม่ ๆ ได้ที่ AWS Innovate AWS Innovate ได้รับการออกแบบมาเพื่อช่วยคุณพัฒนาทักษะที่เหมาะสมในการสร้างสรรค์สิ่งใหม่ ๆ ได้เร็วขึ้น เปิดใช้ประสิทธิภาพใหม่ และทำการตัดสินใจที่ถูกต้องและรวดเร็วขึ้น
-
มีเซสชันในภาษาอื่น ๆ หรือไม่
การประชุมออนไลน์มีให้บริการเป็นภาษาอังกฤษ ญี่ปุ่น เกาหลี และอินโดนีเซีย
-
การเข้าร่วม AWS Innovate มีค่าใช้จ่ายเท่าไร
AWS Innovate เป็นการประชุมออนไลน์ฟรี
-
ฉันจะได้รับการยืนยันการลงทะเบียน AWS Innovate ของฉันหรือไม่
หลังจากกรอกแบบฟอร์มลงทะเบียน คุณจะได้รับอีเมลยืนยัน โปรดติดต่อเราหากคุณไม่ได้รับอีเมลยืนยัน
-
ฉันจะสามารถติดต่อผู้จัดงานสัมมนาออนไลน์ได้อย่างไร
หากคุณมีคำถามที่ยังไม่ได้รับคำตอบในคำถามที่พบบ่อยข้างต้น โปรดส่งอีเมลหาเรา
เริ่มสร้างโซลูชันแมชชีนเลิร์นนิงด้วย AWS Free Tier
Swami Sivasubramanian รองประธานฝ่ายข้อมูล การวิเคราะห์ และแมชชีนเลิร์นนิงที่ Amazon Web Services ภารกิจของทีมของเขาคือการนำพลังของฐานข้อมูลการวิเคราะห์และความสามารถด้านแมชชีนเลิร์นนิงให้เข้าถึงทุกธุรกิจ รวมถึงนักพัฒนานักวิทยาศาสตร์ข้อมูลและผู้ใช้ทางธุรกิจ Swami และทีมสร้างสรรค์สิ่งใหม่ ๆ ในหลายด้าน ตั้งแต่ฐานข้อมูลไปจนถึงการวิเคราะห์และแมชชีนเลิร์นนิงรวมไปถึงบริการ AI ทีมของเขายังทำงานเพื่อส่งมอบความสามารถในการเคลื่อนย้ายเข็มในข้อมูลและ ML สำหรับแนวดิ่งเฉพาะกรณีการใช้งานและความคิดริเริ่มเช่น Health AI, Industrial, Contact Center AI, บริการทางการเงิน, Enterprise Search และอื่น ๆ
Swami ได้รับสิทธิบัตรมากกว่า 250 ฉบับ ได้เขียนบทความและวารสารทางวิทยาศาสตร์ที่อ้างถึง 40 ฉบับ และเข้าร่วมในแวดวงวิชาการและการประชุมหลายครั้ง
Swami ชื่นชอบกับการใช้เวลากับครอบครัว เดินป่ารอบแปซิฟิกตะวันตกเฉียงเหนือ และกิจกรรมกลางแจ้งอื่น ๆ อีกมากมาย โดยส่วนตัวแล้วเขาชอบอ่านหนังสือสารคดีและบทความวิจัยเกี่ยวกับแมชชีนเลิร์นนิง ระบบแบบกระจายตัว และแวดวงที่สำคัญอื่น ๆ ด้านคอมพิวเตอร์
Kristine มีประสบการณ์ยี่สิบปีในการช่วยบริษัทต่าง ๆ สร้างผลงานในฐานะวิศวกรซอฟต์แวร์ นักวิเคราะห์ธุรกิจ และผู้อำนวยการทีม เธอเป็นวิทยากรประจำในงานเทคโนโลยีและการพบปะรวมถึง AWS Summits และ TEDx Melbourne Kristine ทุ่มเทให้กับการประชุมและทำงานร่วมกับนักพัฒนาทั่วทั้งภูมิภาค และตอนนี้เป็นหัวหน้าฝ่ายนักพัฒนาสัมพันธ์ให้กับ AWS ในภูมิภาค APJ
Dean อยู่ในแวดวงโครงสร้างพื้นฐานด้านไอที และมีประสบการณ์อย่างกว้างขวางในด้านการการจำลองระบบเสมือนโครงสร้างพื้นฐานและระบบอัตโนมัติ เขาทำงานกับ AWS มาสิบปีแล้ว และมีโอกาสทำงานร่วมกับธุรกิจทุกขนาดและทุกอุตสาหกรรม Dean มุ่งมั่นที่จะช่วยลูกค้าออกแบบ ใช้งาน และปรับสภาพแวดล้อมของแอปพลิเคชันให้เหมาะสมสำหรับระบบคลาวด์สาธารณะเพื่อช่วยให้สภาพแวดล้อมเหล่านั้นมีความเป็นนวัตกรรม คล่องตัว และปลอดภัยมากยิ่งขึ้น
Hitesh Bhatia เป็นผู้นำ DevOps สำหรับ Airtel Digital และกำลังบริหารโครงสร้างพื้นฐานสำหรับแอปเพลงที่ใหญ่ที่สุดของอินเดีย - WynkMusic OTT และ Liveapp AirtelXStream ชั้นนำของอินเดีย Hitesh มีประสบการณ์มากกว่า 12 ปีในการทำงานกับ AWS และเป็นสถาปนิกโซลูชันระดับมืออาชีพที่ผ่านการรับรอง เขามีประสบการณ์มากมายในการจัดการ DevOps / SRE ด้วยความเชี่ยวชาญที่ได้รับการพิสูจน์แล้วในการประมวลผลบนคลาวด์, DevOps / SRE, การนำไปใช้จริงอย่างต่อเนื่อง การรวมอย่างต่อเนื่อง (CI/CD), การเฝ้าติดตาม, Python, IaC (Terraform) และการจัดการการกำหนดค่า (Ansible) อีกทั้งยังได้สร้างสถาปัตยกรรมที่ปรับต้นทุนให้เหมาะสมและแนวทางปฏิบัติที่ดีที่สุดสำหรับ FinOps
Donnie Prakoso มีประสบการณ์มากกว่า 17 ปีในอุตสาหกรรมเทคโนโลยีตั้งแต่การสื่อสารโทรคมนาคมการธนาคารไปจนถึงสตาร์ทอัพ ในบทบาทปัจจุบันของเขาในฐานะผู้สนับสนุนนักพัฒนาหลักที่ AWS ซึ่งครอบคลุมอาเซียนและ AEM Donnie เชี่ยวชาญด้านคอนเทนเนอร์ การประมวลผลแบบไม่ต้องใช้เซิร์ฟเวอร์ และรูปแบบการรวมไมโครเซอร์วิสและแมชชีนเลิร์นนิง
Derek Bingham มีประสบการณ์มากกว่า 18 ปีในการออกแบบออกแบบและสร้างโซลูชันที่ซับซ้อนในหลากหลายอุตสาหกรรม อาทิ สุขภาพ โทรคมนาคม การประกันภัย การเงิน และการป้องกันประเทศ Derek มีความสนใจเป็นพิเศษในสถาปัตยกรรมแบบ Cloud-Native, ระบบส่วนหน้า และการพัฒนามือถือ ในบทบาทปัจจุบันของเขากับ AWS Derek มุ่งเน้นไปที่การช่วยนักพัฒนาในการสร้างแอปพลิเคชันบน AWS เขามีส่วนร่วมกับกลุ่มเป้าหมายด้านเทคนิค ชุมชน และกลุ่มผู้ใช้อย่างแข็งขันเพื่อแชร์บริการล่าสุดของ AWS และช่วยสร้างแอปพลิเคชันบน AWS
Wendy Wong เป็นศิษย์เก่าของ AWS She Builds และ AWS Data Community Builder ซึ่งตั้งอยู่ในซิดนีย์ ประเทศออสเตรเลีย สำเร็จปริญญาวิทยาศาสตรมหาบัณฑิตสาขาวิทยาศาสตร์ข้อมูลและประกาศนียบัตรบัณฑิตด้านการแก้ไขและการเผยแพร่ Wendy มีทักษะที่ปรึกษาด้านการบริหารจัดการมากกว่า 200 แห่งที่ PwC Digital Academy ในด้านการวิเคราะห์ธุรกิจ และปัจจุบันเป็นหัวหน้าผู้สอนด้านการวิเคราะห์ข้อมูลที่ General Assembly Sydney ด้วยประสบการณ์กว่า 7 ปีในด้านการวิเคราะห์และวิทยาศาสตร์ข้อมูลเวนดี้แบ่งปันความรู้ของเธอผ่านการสอนและการสร้างเนื้อหาบน dev.to Wendy ที่ความมุ่งมันต่อชุมชน เธอเป็นผู้อำนวยการ Women in Big Data Sydney และได้จัดการประชุม Women in Data Science Sydney กับมหาวิทยาลัยสแตนฟอร์ด Wendy ยังให้คำปรึกษาแก่ Qantas, Westpac, รัฐบาล, Lendlease, ธุรกิจขนาดเล็ก, สตาร์ทอัพ และหน่วยงานภาครัฐ
Jones เป็นบุคลากรด้านนักพัฒนาสัมพันธ์ที่ Freshworks และ AWS Community Builder (แบบไม่ต้องใช้เซิร์ฟเวอร์) จากนักพัฒนาฟูลสแต็กสู่ Cloud Architect for Serverless ซึ่งไม่เพียงแต่เผยแพร่ Serverless กับเพื่อนร่วมทีมเท่านั้น แต่ยังช่วยให้ลูกค้าแก้ปัญหาความต้องการของตนโดยใช้สแต็กเทคโนโลยี AWS Serverless อีกด้วย เขาทำงานอยู่ในชุมชน AWS ในอินเดีย อาเซียน และ Colomb นอกจากนี้เขายังช่วยเผยแพร่ Serverless ใน UG Meetups, AWS Community Day, AWS Summit India และ APAC Community Summit ต่าง ๆ
Faizal เป็นผู้ประกอบการด้านเทคโนโลยีซึ่งปัจจุบันเป็นผู้ก่อตั้งและซีอีโอของ Ecomm.in และ Xite Logic ทั้งสองเป็นสตาร์ทอัพที่เกิดในระบบคลาวด์ที่แนะนำองค์กรด้วยการเปลี่ยนผ่านสู่ระบบดิจิทัลใน AWS Cloud ซึ่งให้บริการโซลูชันแพลตฟอร์มอีคอมเมิร์ซสำหรับแพลตฟอร์มการจัดการชุมชนและการมีส่วนร่วม Faizal เป็นผู้สนับสนุนที่กระตือรือร้นต่อชุมชน AWS ในฐานะผู้จัดงาน AWS Hyderabad User Group เขาได้ช่วยจัดระเบียบ AWS Hackathons, AWS meetups, re:Invent recaps, การสัมมนาผ่านเว็บ และ AWS certification bootcamps ทั้งยังเป็นวิทยากรในกิจกรรมเหล่านี้มากมายซึ่งครอบคลุมระบบเครือข่าย, IoT, ที่เก็บข้อมูล และการประมวลผล VPC Masterclass ของเขาบน YouTube มีผู้เข้าชมมากกว่าห้าแสนครั้ง เขาเป็นสมาชิกหลักและเป็นเจ้าภาพสำหรับงาน AWS Community Day South Asia 2021 Online ซึ่งดึงดูดผู้ชมมากกว่า 24,000 คน และยังเป็นสมาชิก AWS Community Builder มาตั้งแต่ปี 2020 และได้สร้างฟอรัมสนทนาถามตอบของ AWS สำหรับชุมชน
Dipali เป็นรองประธานฝ่ายวิศวกรรมข้อมูลที่ Natwest Group ด้วยประสบการณ์ด้านไอทีกว่า 18 ปีที่เชี่ยวชาญด้านสถาปัตยกรรมโซลูชันและความทันสมัยของแอปพลิเคชัน และมุ่งเน้นไปที่แอปพลิเคชันที่เน้นข้อมูล เธอหลงใหลในการสร้างโซลูชันที่ใช้งานง่ายและง่ายต่อการบำรุงรักษาสำหรับปัญหาทางธุรกิจที่ซับซ้อน Dipali ได้รับการรับรอง AWS Solution Architect - Professional Dipali หลงใหลในการแบ่งปันความรู้และประสบการณ์ของเธอกับชุมชน เธอยังเป็น Hero สำหรับชุมชน AWS และผู้สอน LinkedIn Learning สำหรับ AWS Cloud ด้วย
Salvian ทำงานเป็นวิศวกรซอฟต์แวร์ให้กับทีมโครงสร้างพื้นฐานแบ็กเอนด์ใน Traveloka และรับผิดชอบในการปรับปรุงประสิทธิภาพของทีมวิศวกรรมพัฒนาผลิตภัณฑ์แบ็กเอนด์ และมีหน้าที่รับผิดชอบปรับปรุงกระบวนการพัฒนาและแพลตฟอร์ม (CI/CD) ของทีมโครงสร้างพื้นฐานแบ็กเอนด์ให้ทันสมัยโดยเฉพาะ
Chetan เป็นรองประธานฝ่ายวิศวกรรมคลาวด์ของ Biofourmis ด้วยประสบการณ์มากกว่า 18 ปีในการสร้างและจัดการทีมผลิตภัณฑ์ระดับองค์กรทั่วโลก เขาได้สร้างทีม R&D ของวิศวกรมากกว่า 60 คนโดยมุ่งเน้นที่การส่งมอบโซลูชัน SaaS ที่ปลอดภัยและพร้อมใช้งานสูงโดยการสร้าง DevSecOps และทีมวิศวกรรมลูกค้าในสายผลิตภัณฑ์ นอกจากนี้ยังได้จัดตั้งทีม DevOps เพื่อสร้างไปป์ไลน์ CI/CD และสร้างแนวทางปฏิบัติที่ดีที่สุดเกี่ยวกับการจัดการโครงการที่คล่องตัวในสายผลิตภัณฑ์
Ali เป็นผู้นำด้านวิศวกรรมซอฟต์แวร์ที่อาศัยอยู่ในโอ๊คแลนด์ ประเทศนิวซีแลนด์ ที่เน้นการแก้ปัญหาในโลกแห่งความเป็นจริงด้วยเทคโนโลยี Ali มีประสบการณ์มากมายในวงจรการพัฒนาซอฟต์แวร์ โดยมุ่งเน้นที่การสร้างซอฟต์แวร์โดยใช้ JS/TS และบริการของ AWS Ali เชื่อว่าซอฟต์แวร์ที่ดีสร้างขึ้นจากการทำงานร่วมกัน เขายังให้คำปรึกษาและโค้ชนักพัฒนาและผู้สร้างเพื่อเรียนรู้และประสบความสำเร็จในอาชีพการงาน
Kristine มีประสบการณ์ยี่สิบปีในการช่วยบริษัทต่าง ๆ สร้างผลงานในฐานะวิศวกรซอฟต์แวร์ นักวิเคราะห์ธุรกิจ และผู้อำนวยการทีม เธอเป็นวิทยากรประจำในงานเทคโนโลยีและการพบปะรวมถึง AWS Summits และ TEDx Melbourne Kristine ทุ่มเทให้กับการประชุมและทำงานร่วมกับนักพัฒนาทั่วทั้งภูมิภาค และตอนนี้เป็นหัวหน้าฝ่ายนักพัฒนาสัมพันธ์ให้กับ AWS ในภูมิภาค APJ