Блог Amazon Web Services

Category: Artificial Intelligence

Amazon Personalize запускает новые рецепты, поддерживающие более крупные каталоги товаров с меньшей задержкой

Amazon Personalize позволяет легко персонализировать ваш веб-сайт, приложение, электронные письма и многое другое, используя ту же технологию машинного обучения (ML), которую использует Amazon, при этом не требуя специальных знаний в области ML. Сегодня мы рады сообщить об общедоступности двух усовершенствованных рецептов в Amazon Personalize, User-Personalization-v2 и Personalized-Ranking-v2 (рецепты v2), которые построены на передовой Трансформерной архитектуре и поддерживают большие каталоги товаров с меньшей задержкой.

Тонкая настройка и хостинг Hugging Face BERT моделей на Amazon SageMaker

Ранее в этом году было объявлено о сотрудничестве между Hugging Face и AWS, чтобы компаниям было проще использовать модели машинного обучения (ML) и быстрее получать модели с современными возможностями обработки текстов. В этом посте мы покажем вам, как использовать DLC SageMaker Hugging Face, сделать тонкую настройку предварительно обученной модели BERT и развернуть её в SageMaker как управляемую конечную точку HTTP для инференса.

Обновления Amazon CodeGuru Reviewer: новые детекторы для Java и интеграция с CI/CD GitHub Actions

Amazon CodeGuru позволяет вам автоматизировать процесс ревизии кода (code review) и улучшить качество исходного кода вашего приложения. Мы рады объявить о том, что теперь CodeGuru Reviewer штатным образом поддерживает интеграцию с инструментами, которыми вы регулярно пользуетесь для упаковки и развёртывания исходного кода. Мы также выпустили 20 новых детекторов безопасности для Java, чтобы помочь вам выявить ещё больше потенциальных проблем, связанных с безопасностью и соответствием лучшим практикам AWS.

Способы обработки данных для AI/ML

В рамках статьи, мы посмотрим на основные варианты обработки данных для ML, и дадим рекомендации как выбрать тот из них, который подходит и для ваших задач, и для команд, предпочитающих работать с Python, Spark, SQL и другим инструментарием.
Важными факторами для выбора способа обработки данных могут быть уровень опыта команды, и ее склонность к написанию кода или управлению инфраструктурой. Чем меньше уровень опыта, тем предпочтительнее использование управляемых сервисов, вместо подхода «настрой всё сам».