Machine Learning (ML) 和人工智能 (AI)

AWS 通过最全面的机器学习服务和专门构建的基础架构，在机器学习采用过程的每个阶段为您提供帮助。我们经过预先训练的 AI 服务为您的应用程序和工作流程提供现成的智能。

每项服务均在图表后面进行描述。为了帮助您决定哪种服务最能满足您的需求，请参阅选择 AWS 机器学习服务，选择生成式人工智能服务，还有 A mazon Bedrock 还是亚马逊？ SageMaker 。有关一般信息，请参阅构建和扩展下一波人工智能创新 AWS.

返回AWS 服务。

Amazon Augmented AI

A@@ mazon Agumented AI（Amazon A2I）是一项机器学习服务，可以轻松构建人工审核所需的工作流程。Amazon A2I 为所有开发者提供人工审核，消除了与构建人工审核系统或管理大量人工审阅者相关的无差别繁重的工作，无论是持续下去 AWS 或者不是。

Amazon Bedrock

Amazon Bedrock 是一项完全托管的服务，可通过以下方式提供来自亚马逊和领先的人工智能初创公司的基础模型 (FMs)。API借助 Amazon Bedrock 无服务器体验，您可以快速入门、试验FMs、使用自己的数据进行私密自定义，以及无缝集成和部署FMs到您的 AWS 应用程序。

你可以从各种基础模型中进行选择，包括 Amazon Titan、Anthropi c 的 Claude 2、Cohere 的 Command and Embed、Studio 的 Jurassic-2 和 Stability AI 中的 AI21 Stable Diffusion。

Amazon CodeGuru

Amazon CodeGuru 是一款开发者工具，可提供智能建议，以提高代码质量并识别应用程序中最昂贵的代码行。 CodeGuru 集成到您现有的软件开发工作流程中，在应用程序开发期间自动进行代码审查，持续监控应用程序在生产中的性能，并提供有关如何提高代码质量、应用程序性能和降低总体成本的建议和可视化线索。

Amazon CodeGuru Reviewer 使用机器学习和自动推理来识别应用程序开发过程 hard-to-find 中的关键问题、安全漏洞和错误，并提供改善代码质量的建议。

Amazon CodeGuru Profiler 通过帮助开发人员了解应用程序的运行时行为、识别和消除代码效率低下、提高性能并显著降低计算成本，帮助他们找到应用程序中最昂贵的代码行。

Amazon Comprehend

Amazon C omprehend 使用机器学习和自然语言NLP处理 () 来帮助您发现非结构化数据中的见解和关系。该服务识别文本的语言；提取关键短语、地点、人物、品牌或事件；了解文本的正面或负面程度；使用分词和语音部分分析文本；并按主题自动整理文本文件集。您还可以使用 Amazon Comprehend 中的 AutoML 功能来构建一组专为您的组织需求量身定制的自定义实体或文本分类模型。

要从非结构化文本中提取复杂的医疗信息，您可以使用 Amazon Comprehend Medical。该服务可以从各种来源（例如医生笔记、临床试验报告和患者健康记录）中识别医疗信息，例如医疗状况、药物、剂量、优势和频率。为了便于分析，Amazon Comprehend Medical 还会识别提取的药物与检测、治疗和程序信息之间的关系。例如，该服务从非结构化的临床记录中确定与特定药物相关的特定剂量、强度和频率。

Amazon DevOps Guru

Amazon DevOps Guru 是一项基于 ML 的服务，可轻松提高应用程序的运行性能和可用性。Amazon DevOps Guru 可以检测偏离正常操作模式的行为，因此您可以在运营问题影响客户之前很早就将其识别出来。

Amazon DevOps Guru 使用的机器学习模型以亚马逊多年的经验为依据 AWS 卓越运营，以识别异常应用程序行为（例如延迟增加、错误率、资源限制等），并发现可能导致潜在中断或服务中断的关键问题。当 Amazon DevOps Guru 发现严重问题时，它会自动发送警报，并提供相关异常的摘要、可能的根本原因以及问题发生的时间和地点的背景。如有可能，Amazon DevOps Guru 还会就如何修复问题提供建议。

Amazon DevOps Guru 会自动从您那里提取操作数据 AWS 应用程序，并提供单个仪表板来可视化您的运营数据中的问题。首先，您可以为自己的所有资源启用 Amazon DevOps Guru AWS 账户，你中的资源 AWS CloudFormation 堆栈或按以下方式分组的资源 AWS 标签，无需手动设置或机器学习专业知识。

Amazon Forecast

Amazon F orecast 是一项完全托管的服务，它使用机器学习来提供高度准确的预测。

当今的公司使用从简单的电子表格到复杂的财务规划软件的所有内容，试图准确预测未来的业务成果，例如产品需求、资源需求或财务业绩。这些工具通过查看一系列历史数据（称为时间序列数据）来构建预测。例如，此类工具可能试图通过仅查看雨衣之前的销售数据来预测雨衣的未来销量，其基本假设是未来由过去决定。这种方法很难对趋势不规则的大量数据进行准确的预测。此外，它无法轻松地将随时间推移而变化的数据序列（例如价格、折扣、网络流量和员工人数）与相关的自变量（例如产品特征和商店位置）结合起来。

基于亚马逊使用的相同技术，Amazon Forecast 使用机器学习将时间序列数据与其他变量相结合，以建立预测。Amazon Forecast 不需要任何机器学习经验即可开始使用。您只需要提供历史数据，以及您认为可能影响预测的任何其他数据。例如，对特定颜色的衬衫的需求可能会随着季节和商店位置的变化而变化。这种复杂的关系很难单独确定，但是机器学习非常适合识别这种关系。在您提供数据后，Amazon Forecast 将自动对其进行检查，确定哪些内容有意义，并生成一个预测模型，该模型能够做出比单独查看时间序列数据高出 50% 的预测准确性。

Amazon Forecast 是一项完全托管的服务，因此无需配置服务器，也无需构建、训练或部署机器学习模型。您只需按实际用量付费，没有最低费用，也没有预先承诺。

Amazon Fraud Detector

Amazon Fraud Detec tor 是一项完全托管的服务，它使用机器学习和亚马逊 20 多年的欺诈检测专业知识来识别潜在的欺诈活动，以便客户可以更快地发现更多的在线欺诈行为。Amazon Fraud Detector 可自动执行构建、训练和部署用于欺诈检测的机器学习模型的耗时且昂贵的步骤，从而使客户更容易利用该技术。Amazon Fraud Detector 会根据客户自己的数据集对其创建的每个模型进行自定义，从而使模型的准确性高于当前的 “一刀切” 的机器学习解决方案。而且，由于您只需为实际用量付费，因此可以避免大量的前期开支。

Amazon Comprehend Medical

在过去的十年中，我们见证AWS了健康领域的数字化转型，各组织每天都会捕获大量的患者信息。但是这些数据通常是非结构化的，提取这些信息的过程是劳动密集型的，而且容易出错。Amazon Comprehend Medical HIPAA 是一项符合条件的自然语言处理 NLP () 服务，它使用经过预先训练的机器学习，可以理解和提取医学文本（例如处方、手术或诊断）中的健康数据。Amazon Comprehend Medical 可以帮助您使用-10-CM RxNorm、和 CT ICD 等医学本体准确、快速地从非结构化医学文本中提取信息，进而加快保险索赔处理、SNOMED改善人群健康状况并加快药物警戒。

Amazon Kendra

Amazon Kendra 是一项由机器学习提供支持的智能搜索服务。Amazon Kendra 重新构想了您的网站和应用程序的企业搜索，因此您的员工和客户可以轻松找到他们要查找的内容，即使这些内容分散在组织内的多个位置和内容存储库中。

使用 Amazon Kendra，您可以停止搜索大量非结构化数据，并在需要时找到问题的正确答案。Amazon Kendra 是一项完全托管的服务，因此无需配置服务器，也无需构建、训练或部署机器学习模型。

Amazon Lex

Amazon Lex 是一项完全托管的人工智能 (AI) 服务，用于使用语音和文本设计、构建、测试对话界面并将其部署到任何应用程序中。Lex 提供了高级深度学习功能，即自动语音识别 (ASR) 用于将语音转换为文本，以及用于识别文本意图的自然语言理解 (NLU)，使您能够构建具有高度吸引力的用户体验和逼真的对话交互的应用程序，并创建新的产品类别。借助 Amazon Lex，任何开发者现在都可以使用支持 Amazon Alexa 的深度学习技术，使您能够快速轻松地构建复杂的自然语言对话机器人（“聊天机器人”）和支持语音的交互式语音应答 (IVR) 系统。

Amazon Lex 使开发人员能够快速构建对话聊天机器人。借助 Amazon Lex，无需深度学习专业知识，您只需在 Amazon Lex 控制台中指定基本对话流程即可创建机器人。Amazon Lex 管理对话并在对话中动态调整响应。借助此控制台，您可构建、测试和发布您的文本或语音聊天自动程序。随后，您可将对话接口添加到移动设备、Web 应用程序和聊天平台 (例如，Facebook Messenger) 上的自动程序。使用 Amazon Lex 没有预付费用或最低费用，您只需为提出的短信或语音请求付费。定 pay-as-you-go价和每个请求的低成本使该服务成为构建对话界面的经济实惠的方式。通过 Amazon Lex 免费套餐，您可轻松试用 Amazon Lex，无需任何初期投资。

Amazon Lookout for Equipment

Amazon Lookout for Equipment 会分析来自设备上传感器的数据（例如发电机中的压力、压缩机的流量、风扇每分钟转数），从而仅根据您的数据自动为您的设备训练机器学习模型，无需机器学习专业知识。Lookout for Equipment 使用您独特的机器学习模型来实时分析传入的传感器数据，并准确识别可能导致机器故障的预警信号。这意味着您可以快速而精确地检测设备异常，快速诊断问题，采取措施减少代价高昂的停机时间，并减少错误警报。

Amazon Lookout for Metrics

Amazon Lookout for Metrics 使用机器学习来自动检测和诊断业务和运营数据中的异常值（与常态的异常值），例如销售收入或客户获取率的突然下降。只需点击几下，您就可以将亚马逊Lookout for Metrics连接到流行的数据存储，例如亚马逊S3、Amazon Redshift和亚马逊关系数据库服务（RDS亚马逊），以及第三方软件即服务（SaaS）应用程序，例如Salesforce、Servicenow、Zendesk和Marketo，并开始监控对您的业务很重要的指标。与用于异常检测的传统方法相比，Amazon Lookout for Metrics 会自动检查和准备来自这些来源的数据，以更快的速度和准确度检测异常。您还可以提供有关检测到的异常的反馈，以调整结果并随着时间的推移提高准确性。Amazon Lookout for Metrics 通过将与同一事件相关的异常汇总在一起，并发送包含潜在根本原因摘要的警报，可以轻松诊断检测到的异常。它还按严重程度对异常进行排名，以便您可以将注意力优先放在对业务最重要的事情上。

Amazon Lookout for Vision

Amazon Lookout for Vision 是一项机器学习服务，它使用计算机视觉 (CV) 发现视觉表示中的缺陷和异常。借助 Amazon Lookout for Vision，制造公司可以通过快速识别大规模物体图像的差异来提高质量并降低运营成本。例如，Amazon Lookout for Vision 可用于识别产品中缺失的组件、车辆或结构的损坏、生产线的不规则性、硅片中的微小缺陷以及其他类似问题。Amazon Lookout for Vision 使用机器学习来像人一样查看和理解来自任何相机的图像，但精度更高，比例也要大得多。借助 Amazon Lookout for Vision，客户无需进行昂贵且不一致的人工检查，同时改善质量控制、缺陷和损坏评估以及合规性。几分钟后，您就可以开始使用 Amazon Lookout for Vision 自动检查图像和物体，无需机器学习专业知识。

Amazon Monitron

Amazon Monitron 是一个使用机器学习来检测工业机械异常行为的 end-to-end 系统，使您能够实施预测性维护并减少计划外停机时间。

安装传感器以及用于数据连接、存储、分析和警报的必要基础设施是实现预测性维护的基本要素。但是，为了使其发挥作用，各公司历来需要熟练的技术人员和数据科学家来从头开始拼凑出复杂的解决方案。这包括识别和采购适合其用例的传感器类型，并将它们与物联网网关（一种聚合和传输数据的设备）连接在一起。因此，很少有公司能够成功实施预测性维护。

Amazon Monitron 包括用于捕获设备振动和温度数据的传感器，以及用于安全地将数据传输到的网关设备 AWS，Amazon Monitron 服务，可使用机器学习分析异常机器模式数据，以及配套的移动应用程序，用于设置设备并接收操作行为报告和机器潜在故障警报。无需任何开发工作或机器学习经验，即可在几分钟内开始监控设备运行状况，并使用与监控亚马逊运营中心设备相同的技术实现预测性维护。

Amazon PartyRock

Amazon 通过动手操作、无需代码的应用程序生成器 PartyRock让学习生成式 AI 变得轻而易举。在创建和探索有趣的应用程序的同时，尝试快速的工程技术，查看生成的响应，培养生成式 AI 的直觉。 PartyRock 通过完全托管的服务服务 Amazon Bedrock，提供对来自亚马逊和领先的人工智能公司的基础模型 (FMs) 的访问权限。

Amazon Personalize

Amazon Personalize 是一项机器学习服务，可让开发人员轻松为使用其应用程序的客户创建个性化推荐。

机器学习越来越多地用于通过提供个性化的产品和内容推荐、量身定制的搜索结果和有针对性的营销促销来提高客户参与度。但是，由于开发机器学习功能的复杂性，开发制作这些复杂的推荐系统所必需的机器学习能力已超出了当今大多数组织的能力。Amazon Personalize 允许以前没有机器学习经验的开发者使用经过多年在 Amazon.com 上使用而完善的机器学习技术，轻松地在其应用程序中构建复杂的个性化功能。

借助 Amazon Personalize，您可以提供应用程序中的活动流（页面浏览量、注册次数、购买次数等）以及您想要推荐的商品（例如文章、产品、视频或音乐）的清单。您也可以选择向 Amazon Personalize 提供来自用户的其他人口统计信息，例如年龄或地理位置。Amazon Personalize 处理和检查数据，确定有意义的内容，选择正确的算法，训练和优化针对您的数据定制的个性化模型。

Amazon Personalize 为零售、媒体和娱乐提供经过优化的推荐工具，可更快、更轻松地提供高性能的个性化用户体验。Amazon Personalize 还提供智能用户细分，因此您可以通过营销渠道开展更有效的潜在客户活动。借助我们的两个新配方，您可以根据用户对不同产品类别、品牌等的兴趣自动对其进行细分。

Amazon Personalize 分析的所有数据都是保密和安全的，并且仅用于您的定制推荐。通过从服务维护的虚拟私有云内部进行简单API调用，即可开始提供个性化预测。您只需按实际用量付费，没有最低费用，也没有预先承诺。

Amazon Personalize 就像拥有自己的 Amazon.com 机器学习个性化团队，每天 24 小时随时为您服务。

Amazon Polly

Amazon Polly 是一项将文本转换为逼真语音的服务。Amazon Polly 允许您创建会说话的应用程序，使您能够构建全新的支持语音的产品。Amazon Polly 是一项亚马逊人工智能 (AI) 服务，它使用先进的深度学习技术来合成听起来像人声的语音。Amazon Polly 包括各种各样的逼真语音，分布在数十种语言中，因此您可以选择理想的语音并构建可在许多不同国家/地区运行的支持语音的应用程序。

Amazon Polly 提供支持实时交互式对话所需的持续快速响应时间。您可以缓存并保存 Amazon Polly 语音音频，以便离线重播或重新分发。而且 Amazon Polly 很容易使用。您只需将要转换为语音的文本发送到 Amazon PollyAPI，Amazon Polly 就会立即将音频流返回到您的应用程序，这样您的应用程序就可以直接播放或将其存储为标准音频文件格式，例如。MP3

除了标准语TTS音外，Amazon Polly 还提供神经文本转语音 (NTTS) 语音，通过新的机器学习方法实现语音质量的高级改进。Polly's Neural TTS 技术还支持专为新闻叙事用例量身定制的新闻播音风格。最后，Amazon Polly Brand Voice 可以为您的组织创建自定义语音。这是一项定制活动，您将与 Amazon Polly 团队合作，建立专供组织使用的NTTS声音。

使用 Amazon Polly，您只需为转换为语音的字符数付费，并且可以保存和重播 Amazon Polly 生成的语音。Amazon Polly 每字符转换成本低，而且对语音输出的存储和重复使用没有限制，使其成为一种经济实惠的方式，可以在任何地方实现文字转语音。

Amazon Q

Amazon Q 是一款由 AI 驱动的生成式助手，用于加速软件开发并利用您的内部数据。

Amazon Rekognition

Amazon Re kognition 使用久经考验、高度可扩展的深度学习技术，无需机器学习专业知识即可轻松地将图像和视频分析添加到应用程序中。借助 Amazon Rekognition，您可以识别图像和视频中的物体、人物、文本、场景和活动，还可以检测任何不当内容。Amazon Rekognition 还提供高度准确的面部分析和面部搜索功能，您可以使用这些功能来检测、分析和比较人脸，用于各种用户验证、人数统计和公共安全用例。

借助 Amazon Rekognition 自定义标签，您可以识别图像中特定于您的业务需求的对象和场景。例如，您可以构建一个模型来对装配线上的特定机器零件进行分类或检测不健康的工厂。Amazon Rekognition Custom Labels 负责模型开发的繁重工作，因此无需任何机器学习经验。您只需要提供要识别的物体或场景的图像，剩下的交给服务即可。

Amazon SageMaker

借助 Amazon SageMaker，您可以使用完全托管的基础架构、工具和工作流程为任何用例构建、训练和部署机器学习模型。 SageMaker消除了机器学习流程每个步骤的繁重工作，从而更轻松地开发高质量的模型。 SageMaker 在单个工具集中提供用于机器学习的所有组件，因此模型可以更少的工作量和更低的成本更快地投入生产。

Amazon SageMaker 自动驾驶仪

Amazon A SageMaker utopilot 会根据您的数据自动构建、训练和调整最佳机器学习模型，同时允许您保持完全的控制和可见性。使用 SageMaker Autopilot，您只需提供一个表格数据集并选择要预测的目标列，该列可以是一个数字（例如房价，称为回归），也可以是一个类别（例如垃圾邮件/非垃圾邮件，称为分类）。 SageMaker Autopilot 将自动探索不同的解决方案以找到最佳模型。然后，您只需点击一下即可将模型直接部署到生产环境中，或者使用 Amazon SageMaker Studio 迭代推荐的解决方案，以进一步提高模型质量。

亚马逊 SageMaker Canvas

Amazon SageMaker Canvas 通过为业务分析师提供可视化 point-and-click 界面，使他们无需任何机器学习经验或编写一行代码，即可自行生成准确的机器学习预测，从而扩大了对机器学习的访问权限。

亚马逊 SageMaker 澄清

Amazon Clarify 让机器学习开发人员能够更 SageMaker 清楚地了解他们的训练数据和模型，这样他们就可以识别和限制偏见并解释预测。Ama SageMaker zon Clarify 通过检查您指定的属性来检测数据准备期间、模型训练之后以及部署的模型中的潜在偏差。 SageMaker Clarify 还包括特征重要性图表，可帮助您解释模型预测并生成报告，这些报告可用于支持内部演示或识别模型中存在的问题，您可以采取措施纠正这些问题。

亚马逊 SageMaker 数据标签

Amazon SageMaker 提供数据标签产品来识别图像、文本文件和视频等原始数据，并添加信息标签，为您的机器学习模型创建高质量的训练数据集。

Amazon SageMaker Data Wrangler

Amazon SageMaker Data Wrangler 将汇总和准备机器学习数据所需的时间从几周缩短到几分钟。借 SageMaker助 Data Wrangler，您可以简化数据准备和特征工程的流程，并通过单个可视化界面完成数据准备工作流程的每个步骤，包括数据选择、清理、探索和可视化。

亚马逊 SageMaker Edge

Amazon SageMaker E dge 通过优化、保护模型并将其部署到边缘，然后在您的设备群（例如智能相机、机器人和其他智能电子设备）上监控这些模型，从而在边缘设备上实现机器学习，从而降低持续运营成本。 SageMaker Edge Compiler 对经过训练的模型进行了优化，使其可在边缘设备上运行。 SageMaker Edge 包括一个 over-the-air (OTA) 部署机制，可帮助您独立于应用程序或设备固件在队列上部署模型。 SageMaker Edge Agent 允许您在同一台设备上运行多个模型。代理根据您控制的逻辑（例如间隔）收集预测数据，然后将其上传到云端，以便您可以随着时间的推移定期重新训练模型。

Amazon SageMaker 专题商店

Amazon F SageMaker eature Store 是一个专门构建的存储库，您可以在其中存储和访问功能，因此可以更轻松地在团队中命名、整理和重复使用这些功能。 SageMaker Feature Store 为训练和实时推理期间的功能提供了统一存储，无需编写其他代码或创建手动流程即可保持功能一致。 SageMaker Feature Store 会跟踪所存储功能的元数据（例如功能名称或版本号），以便您可以使用交互式查询服务 Amazon Athena（一种交互式查询服务）批量或实时查询要素的正确属性。 SageMaker Feature Store 还会保持功能的更新，因为在推理期间生成新数据时，单个存储库会更新，因此模型在训练和推理期间始终可以使用新功能。

Amazon SageMaker 地理空间功能

Amazon SageMaker 的地理空间功能使数据科学家和机器学习 (ML) 工程师可以更轻松地使用地理空间数据更快地构建、训练和部署 ML 模型。您可以访问数据（开源和第三方）、处理和可视化工具，从而更有效地为机器学习准备地理空间数据。您可以通过使用专用算法和预训练的 ML 模型来加快模型构建和训练速度，从而提高工作效率；还可以使用内置的可视化工具在交互式地图上探索预测输出，然后就洞察力和结果进行跨团队协作。

Amazon SageMaker HyperPod

Amazon SageMaker HyperPod 消除了为大型语言模型 ()、扩散模型和基础模型 () 构建和优化机器学习 (MLLLMs) 基础设施所涉及的无差别繁重的工作。FMs SageMaker HyperPod 预先配置了分布式训练库，使客户能够自动将训练工作负载分配给数千个加速器，例如 AWS Trainium，以及 NVIDIA A100 和 H100 图形处理单元 () GPUs。

SageMaker HyperPod 还有助于通过定期保存检查点来确保您可以不间断地继续训练。发生硬件故障时，自我修复集群会自动检测故障，修复或更换故障实例，并从上次保存的检查点恢复训练，无需您手动管理此过程，并帮助您在分布式环境中进行数周或数月的训练，而不会中断。您可以自定义您的计算环境以最好地满足您的需求，并使用 Amazon SageMaker 分布式训练库对其进行配置，以实现最佳性能 AWS.

Amazon SageMaker JumpStart

Amazon SageMaker JumpStart 可帮助您快速轻松地开始使用机器学习。为了便于入门， SageMaker JumpStart为最常见的用例提供了一组解决方案，只需点击几下即可轻松部署。这些解决方案是完全可定制的，并展示了其用法 AWS CloudFormation 模板和参考架构，因此您可以加快机器学习之旅。Amazon SageMaker JumpStart 还支持一键部署和微调 150 多种常用开源模型，例如自然语言处理、对象检测和图像分类模型。

亚马逊 SageMaker 模型构建

Amazon SageMaker 提供了构建机器学习模型所需的所有工具和库、迭代尝试不同算法并评估其准确性以找到最适合您的用例的算法的过程。在Amazon中， SageMaker 您可以选择不同的算法，包括内置并针对其进行了优化的超过15种算法 SageMaker，并且只需点击几下即可使用来自热门模型动物园的750多个预建模型。 SageMaker 还提供各种模型构建工具，包括 Amazon SageMaker Studio Notebook JupyterLab RStudio、、以及基于代码-OSS（Virtual Studio 代码开源）的代码编辑器，您可以在其中小规模运行机器学习模型，以查看结果并查看其性能报告，这样您就可以想出高质量的工作原型。

亚马逊 SageMaker 模型训练

Amazon 无需管理基础设施即可缩 SageMaker 短大规模训练和调整机器学习模型的时间和成本。您可以利用目前可用的最高性能的机器学习计算基础架构，并且 SageMaker可以自动向上或向下扩展基础架构，从一个扩展到数千个。GPUs由于您只需为实际用量付费，因此可以更有效地管理培训成本。要更快地训练深度学习模型，您可以使用 Amazon SageMaker 分布式训练库来提高性能，也可以使用第三方库 DeepSpeed，例如 Horovod 或 Megatron。

亚马逊 SageMaker 模型部署

Amazon SageMaker 可以轻松部署机器学习模型，从而针对任何用例以最佳性价比进行预测（也称为推理）。它提供了多种机器学习基础架构和模型部署选项，以帮助满足您的所有机器学习推理需求。它是一项完全托管的服务，并与MLOps工具集成，因此您可以扩展模型部署，降低推理成本，在生产中更有效地管理模型，并减轻运营负担。

亚马逊 SageMaker 管道

Ama SageMaker zon Pipelines 是第一个专门为机器学习构建的 easy-to-use 持续集成和持续交付 (CI/CD) 服务。借 SageMaker 助 Pipelines，您可以大规模创建、自动化和管理 end-to-end 机器学习工作流程。

亚马逊 SageMaker Studio 实验室

Amazon SageMaker Studio Lab 是一个免费的机器学习开发环境，它免费提供计算、存储（最大 15GB）和安全性，供任何人学习和尝试机器学习。首先，您只需要一个有效的电子邮件地址即可，您无需配置基础架构、管理身份和访问权限，甚至无需注册 AWS 账户。 SageMaker Studio Lab 通过 GitHub 集成加快模型构建，并且预先配置了最流行的机器学习工具、框架和库，可让您立即入门。 SageMaker Studio Lab 会自动保存您的工作，因此您无需在会话之间重新启动。这就像关闭笔记本电脑然后稍后再回来一样简单。

Apache 开启 MXNet AWS

Apache MXNet 是一个快速且可扩展的训练和推理框架 easy-to-use，其机器学习简洁明了API。MXNet包括 Gluon 界面，允许所有技能水平的开发者开始在云端、边缘设备和移动应用程序上进行深度学习。只需几行 Gluon 代码，您就可以构建线性回归、卷积网络和循环网络，LSTMs用于物体检测、语音识别、推荐和个性化。你可以开始使用 MxNet on AWS 使用 Amazon 提供完全托管的体验 SageMaker，这是一个大规模构建、训练和部署机器学习模型的平台。或者，你可以使用 AWS Deep Learning AMIs s 用于构建自定义环境和工作流程 MxNet 以及其他框架，包括TensorFlow、、Chainer、Keras、Caffe PyTorch、Caffe、Caffe2 和 Microsoft 认知工具包。

AWS Deep Learning AMIs s

这些区域有：AWS Deep Learning AMIs为机器学习从业者和研究人员提供基础架构和工具，以加速任何规模的云端深度学习。您可以快速启动预装了常用深度学习框架和接口（例如、、Apache、Chainer TensorFlow PyTorch、Gluon MXNet、Horovod 和 Keras）的 Amazon 实EC2例，以训练复杂的自定义 AI 模型、尝试新算法或学习新的技能和技术。无论您需要的是 Amazon EC2 GPU 还是CPU实例，深度学习AMIs都不会额外收费，您只需支付费用即可 AWS 存储和运行应用程序所需的资源。

AWS Deep Learning Containers

AWS 深度学习容器 (AWS DL Containers）是预先安装了深度学习框架的 Docker 镜像，可让您跳过从头开始构建和优化环境的复杂过程，从而轻松快速部署自定义机器学习 (ML) 环境。 AWS 深度学习容器支持 TensorFlow、 PyTorch、Apache MXNet。你可以部署 AWS 亚马逊上的 DL 容器 SageMaker、亚马逊 Elastic Kubernetes Servic EKS e（亚马逊）、亚马逊上的自管理 Kubernetes EC2、亚马逊弹性容器服务（亚马逊）。ECS这些容器可通过亚马逊弹性容器注册表 (AmazonECR) 获得 AWS Marketplace不收取任何费用，您只需为所使用的资源付费。

使用 Amazon 进行地理空间机器学习 SageMaker

Amazon SageMaker 地理空间功能使数据科学家和机器学习工程师能够更快、更大规模地使用地理空间数据构建、训练和部署机器学习模型。您可以访问随时可用的地理空间数据源，通过专门构建的操作高效转换或丰富大规模的地理空间数据集，并通过选择预训练的机器学习模型来加快模型构建。您还可以使用带有内置可视化工具的 3D 加速图形分析地理空间数据并在交互式地图上浏览模型预测。 SageMaker Runtime 地理空间功能可用于各种用例，例如最大限度地提高收获量和粮食安全、评估风险和保险索赔、支持可持续城市发展以及预测零售场地利用率。

Hugging Face on AWS

借助 SageMaker亚马逊上的 Hugging Fac e，你可以部署和微调来自名为《变形金刚》的自然语言处理 NLP () 模型的开源提供商 Hugging Face 的预训练模型，从而将设置和使用NLP这些模型所需的时间从几周缩短到几分钟。NLP指帮助计算机理解人类语言的机器学习算法。它们有助于翻译、智能搜索、文本分析等。但是，NLP模型可能既庞大又复杂（有时由数亿个模型参数组成），训练和优化它们需要时间、资源和技能。AWS与 Hugging Face 合作创作了 Hugging Face AWS Deep Learning Containers (DLCs)，它为数据科学家和机器学习开发人员提供了在亚马逊上构建、训练和部署 state-of-the-art NLP模型的完全托管体验 SageMaker。

PyTorch on AWS

PyTorch是一个开源深度学习框架，可轻松开发机器学习模型并将其部署到生产环境。使用TorchServe、 PyTorch的模型服务库由构建和维护 AWS 通过与 Facebook 合作， PyTorch 开发人员可以快速轻松地将模型部署到生产中。 PyTorch 还为分布式训练提供了动态计算图和库，这些图和库经过调整以提高性能 AWS。你可以开始使用 PyTorch on AWS 使用 Amazon SageMaker，这是一项完全托管的机器学习服务，可以轻松且经济高效地大规模构建、训练和部署 PyTorch模型。如果您更喜欢自己管理基础架构，则可以使用 AWS Deep Learning AMIs s 或 the AWS Deep Le arning Containers，它从源代码构建，并使用最新版本进行了性能优化， PyTorch 可快速部署自定义机器学习环境。

TensorFlow on AWS

TensorFlow是可供研究人员和开发人员使用的众多深度学习框架之一，可通过机器学习增强其应用程序。 AWS 为客户提供广泛的支持 TensorFlow，使他们能够在计算机视觉、自然语言处理、语音翻译等领域开发和提供自己的模型。你可以开始使用 TensorFlow on AWS 使用 Amazon SageMaker，这是一项完全托管的机器学习服务，可以轻松且经济高效地大规模构建、训练和部署 TensorFlow 模型。如果您更喜欢自己管理基础架构，则可以使用 AWS Deep Learning AMIs s 或 the AWS Deep Le arning Containers 从源代码构建，并使用最新版本的进行了性能优化 TensorFlow ，可快速部署自定义 ML 环境。

Amazon Textract

Amazon Textrac t 是一项自动从扫描文档中提取文本和数据的服务。Amazon Textract 不仅仅是简单的光学字符识别 (OCR)，还能识别表单中字段的内容和表格中存储的信息。

如今，许多公司从扫描的文档（例如图像PDFs、表格和表单）中手动提取数据，或者通过需要手动配置的简单OCR软件（表单更改时通常必须更新）来提取数据。为了克服这些昂贵的手动流程，Amazon Textract 使用机器学习来读取和处理任何类型的文档，无需手动操作即可准确提取文本、笔迹、表格和其他数据。Amazon Textract 让您能够灵活地指定需要使用查询从文档中提取的数据。您可以以自然语言问题的形式指定所需的信息（例如 “客户名称是什么”）。您无需知道文档中的数据结构（表格、表单、隐含字段、嵌套数据），也不必担心文档版本和格式之间的差异。Amazon Textract Queries 已预先对各种文件进行了培训，包括工资单、银行对账单、W-2、贷款申请表、抵押贷款票据、索赔文件和保险卡。

借助 Amazon Textract，无论是自动处理贷款还是从发票和收据中提取信息，您都可以快速自动处理文件并根据提取的信息采取行动。Amazon Textract 可以在几分钟内提取数据，而不是几小时或几天。此外，您可以使用 Amazon Agumented AI 添加人工评论，以监督您的模型并检查敏感数据。

Amazon Transcribe

Amazon T ranscribe 是一项自动语音识别 (ASR) 服务，可让客户轻松地将语音自动转换为文本。该服务可以转录以常见格式（如WAV和）存储的音频文件MP3，每个单词都有时间戳，这样您就可以通过搜索文本轻松地在原始来源中找到音频。您还可以向 Amazon Transcribe 发送直播音频流，并实时接收笔录流。Amazon Transcribe 专为处理各种语音和声学特性而设计，包括音量、音高和说话速率的变化。音频信号的质量和内容（包括但不限于背景噪音、扬声器重叠、重音语音或在单个音频文件中切换语言等因素）可能会影响服务输出的准确性。客户可以选择将 Amazon Transcribe 用于各种业务应用程序，包括转录基于语音的客户服务电话、为音频/视频内容生成字幕以及对音频/视频内容进行（基于文本）的内容分析。

源自 Amazon Transcribe 的两项非常重要的服务包括亚马逊 Transcribe Medic al 和 Amazon Tran scribe 呼叫分析。

Amazon Transcribe Medical 使用高级机器学习模型将医学语音准确地转录为文本。Amazon Transcribe Medical 可以生成可用于支持各种用例的文本记录，从临床文档工作流程和药物安全监测（药物警戒）到医疗保健和生命科学领域的远程医疗甚至联络中心分析的字幕。

Amazon Transcribe Call Analytics 是一款由 AI 驱动API的，可提供丰富的通话记录和可行的对话见解，您可以将其添加到他们的呼叫应用程序中，以改善客户体验和客服人员的工作效率。它结合了强大的 speech-to-text 自定义自然语言处理 (NLP) 模型，这些模型经过专门培训，可以理解客户服务和外拨销售电话。作为 Contac AWS t Cent er Intelligence (CCI) 解决方案的一部分，它与联络中心无关，便于客户在应用程序中添加呼叫分析功能。API ISVs

开始使用 Amazon Transcribe 的最简单方法是使用控制台提交一份转录音频文件的作业。您也可以直接从以下地址拨打该服务 AWS Command Line Interface，或者使用您选择的支持SDKs方案之一与您的应用程序集成。

Amazon Translate

Amazon Tr anslate 是一项神经机器翻译服务，可提供快速、高质量且经济实惠的语言翻译。神经机器翻译是一种语言翻译自动化形式，与传统的统计和基于规则的翻译算法相比，它使用深度学习模型提供更准确、听起来更自然的翻译。Amazon Translate 允许您为不同的用户本地化网站和应用程序等内容，轻松翻译大量文本以供分析，并有效地实现用户之间的跨语言交流。

AWS DeepComposer

AWS DeepComposer是世界上第一款由机器学习提供支持的音乐键盘，它使所有技能水平的开发者都能在创作原创音乐输出的同时学习生成人工智能。 DeepComposer 由连接到开发者计算机的USB键盘和通过以下方式访问的 DeepComposer 服务组成 AWS Management Console。 DeepComposer 包括可用于开始构建生成模型的教程、示例代码和训练数据。

AWS DeepRacer

AWS DeepRacer是一款 1/18 比例^的赛车，它为你提供了一种有趣而有趣的方式来开始强化学习 (RL)。RL 是一种高级机器学习技术，它采用的训练模型方法与其他机器学习方法截然不同。它的超强之处在于，它无需任何带标签的训练数据即可学习非常复杂的行为，并且可以在针对长期目标进行优化的同时做出短期决策。

随着 AWS DeepRacer，你现在有办法亲身体验 RL，通过自动驾驶进行实验和学习。你可以在基于云的 3D 赛车模拟器中开始使用虚拟汽车和赛道，要获得真实体验，你可以将经过训练的模型部署到 AWS DeepRacer 和你的朋友比赛，或者参加全球比赛 AWS DeepRacer 联赛。开发者，竞赛正在进行中。

AWS HealthLake

AWS HealthLake是一项HIPAA符合条件的服务，医疗保健提供者、健康保险公司和制药公司可以使用它来存储、转换、查询和分析大规模的健康数据。

Health 数据往往不完整且不一致。它通常也是非结构化的，信息包含在临床记录、实验室报告、保险索赔、医疗图像、录制的对话和时间序列数据（例如心脏ECG或大脑EEG痕迹）中。

医疗保健提供者可以 HealthLake 用来存储、转换、查询和分析数据 AWS Cloud。使用 HealthLake 集成的医学自然语言处理 (NLP) 功能，您可以分析来自不同来源的非结构化临床文本。 HealthLake 使用自然语言处理模型转换非结构化数据，并提供强大的查询和搜索功能。您可以使用 HealthLake 以安全、合规和可审计的方式对患者信息进行组织、索引和结构化。

AWS HealthScribe

AWS HealthScribe是一项HIPAA符合条件的服务，它允许医疗保健软件供应商通过分析患者与临床医生的对话来自动生成临床记录。 AWS HealthScribe 将语音识别与生成式 AI 相结合，通过转录对话和快速生成临床记录来减轻临床记录的负担。对对话进行分段，以确定患者和临床医生的演讲者角色，提取医学术语并生成初步的临床笔记。为了保护敏感的患者数据，内置了安全性和隐私性，以确保输入音频和输出文本不会保留在 AWS HealthScribe.

AWS Panorama

AWS Panorama是一组机器学习设备和软件开发套件 (SDK)，可将计算机视觉 (CV) 引入本地互联网协议 (IP) 摄像机。随着 AWS Panorama，您可以自动执行传统上需要人工检查的任务，以提高对潜在问题的可见性。

计算机视觉可以自动对任务进行目视检查，例如跟踪资产以优化供应链运营，监控行车道以优化交通管理，或者检测异常以评估制造质量。但是，在网络带宽有限的环境中，或者对于需要在本地处理和存储视频的数据治理规则的公司来说，云端的计算机视觉可能很难或无法实现。 AWS Panorama 是一项机器学习服务，它允许组织将计算机视觉引入本地摄像头，从而以高精度和低延迟在本地进行预测。

这些区域有： AWS Panorama 设备是一种硬件设备，可将计算机视觉添加到现有的 IP 摄像机中，并通过单个管理界面分析多台摄像机的视频源。它可以在边缘生成以毫秒为单位的预测，这意味着您可以收到有关潜在问题的通知，例如在快速移动的生产线上检测到损坏的产品，或者车辆何时误入仓库中危险的禁区。而且，第三方制造商正在开发新产品 AWS Panorama-支持摄像头和设备，为您的独特用例提供更多外形规格。随着 AWS Panorama 你可以使用来自的 ML 模型 AWS 构建自己的计算机视觉应用程序，或者与来自的合作伙伴合作 AWS Partner Network 快速构建 CV 应用程序。

返回AWS 服务。

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

文档惯例

IoT

管理和治理