关于人工智能:月度文章集锦2020年10月AWS人工智能精华内容一文速览

44次阅读

共计 2296 个字符,预计需要花费 6 分钟才能阅读完成。

邻近年底,又到了盘点这一年工作、学习成绩,顺便展望未来的时候了。

十月期间,咱们仍然与大家分享了大量无关 AWS 的 AI、机器学习等内容的技术文章,无妨顺便一起来回顾一下。

Amazon SageMaker

命名实体辨认(NER)的外围,在于筛选文本数据以查找名词短语(即命名实体),并应用人、组织或品牌等标签对其进行分类。但实际上,构建精确的外部自定义实体识别器往往非常复杂,须要筹备大量手动正文的训练文档,同时抉择正确的算法与参数以实现模型训练。其实咱们能够通过端到端管道,应用 Amazon SageMaker Ground Truth 与 Amazon Comprehend 构建自定义 NER 模型。其中,Amazon SageMaker Ground Truth 能够帮忙咱们高效、精确地标记训练机器学习零碎所必须的数据集;Ground Truth 提供内置标记工作流,帮忙人类标记员逐渐实现数据正文工作。理解具体做法:疾速构建 NER 模型,Amazon SageMaker Ground Truth 与 Amazon Comprehend 给你支招了。

人工智能

Raspberry Pi 设施以灵便的性能、弱小的个性和简略上手的开发反对,帮忙很多人学习 AI、IoT 等相干技术。而咱们将借助 Amazon Transcribe 这个弱小的语音到文本转换服务,将不同语言的语音转录为文本内容,以供进一步解决。借此,咱们能够将该服务与物联网设施配合应用,构建一套可能反对多种语言的语音到文本告诉零碎,并将其用作「对讲门铃」的补充。构建实现后,当传感器检测到指定范畴内的人员时,接入 Raspberry Pi 的扬声器会播放初始问候语,并提醒用户录制一条语音音讯。该录音将被发送至 Amazon S3,由后者触发 Lambda 函数以应用 Amazon Transcribe 将语音转录为文本。转录实现之后,用户将从 Amazon SNS 处接管转录的文本告诉。一起试试看吧:几步操作,轻松构建多语种语音到文本告诉零碎。

DevOps 是软件开发畛域一种十分热门的实际,而相似的机制也同样实用于机器学习畛域。与 DevOps 模型相似,机器学习中的 MLOps 模型同样有助于跨机器学习工具与框架构建代码与集成。借此,咱们能够对数据管道进行自动化、经营以及监控,且齐全无需重写自定义代码或者从新设计现有基础设施。MLOps 帮忙咱们扩大了现有分布式存储与解决基础设施,让机器学习模型的大规模部署与治理更加简单易行。此外,MLOps 还能立足繁多地方地位跟踪并可视化组织内所有模型随工夫漂移的状况,同时实现主动数据验证策略。一起理解一下如何创立无服务器架构的机器学习经营(MLOps)管道,并借此开发及可视化由 Amazon Forecast 构建的预测模型。欢送浏览:MLOps 体系驱动的预测自动化到底是怎么炼成的?

Amazon Rekognition 是一项基于机器学习(ML)技术的图像与视觉剖析服务,可帮忙用户辨认图像及视频中的对象、人物、文本、场景及流动,并同步检测出是否存在不当内容。Amazon Rekognition 文本检测性能则可能从图像及视频中辨认并提取出文本内容。例如,在图像共享与社交媒体利用中,咱们能够应用图像内文本所蕴含的关键字实现图像索引以及可视化搜寻。想不想晓得该服务到底有多弱小?欢送浏览:案例分享:用 AI 取代「人工审核」,疾速搞定图像的合规审查。

机器学习

很多敌人喜爱在业余时间观看足球比赛,而且可能疾速依据以后球员射门的地位与角度,判断出这一脚有多大机会命中球门。如果是在电视上观看较量,再配合上主持人的讲解与充斥情绪的疏导,大家简直可能预测出这临门一脚会有怎么的成果了。但以往,这样的判断只能通过肉眼察看实现,同时联合以后防守球员的数量(例如守门员所在位置,或者射门球员位于球门侧面还是侧面)做出假如。当初,应用 xGoals(即「预期进球」的缩写)技术,AWS 得认为德甲联赛提供弱小的技术支持,充分发挥数据与洞见的弱小力量,帮忙球迷们即时判断在球场各个地位射门得分的确切概率。看看他们是怎么做的:案例分享:德甲 X AWS,进球「神预言」到底是如何做到的?

主动驾驶车辆(AV)厂商通常应用 LiDAR 传感器生成对车辆周边环境的 3D 成像后果。例如,他们会将 LiDAR 装置在车辆顶端,借此间断捕获周边 3D 环境的工夫点快照。LiDAR 传感器输入的是一系列 3D 点云图像帧,为了建设起可能主动跟踪车辆周边重点对象(例如其余车辆及行人)的感知零碎,主动驾驶厂商往往首先在 3D 点云图像帧中手动标记对象,而后应用标记后的 3D 图像帧训练机器学习(ML)模型。那么,咱们该如何借助 Amazon SageMaker Ground Truth 对 3D 点云数据进行标记的能力对 3D 点云数据执行数据转换,从而应用 SageMaker Ground Truth 来标记 3D 对象跟踪?欢送浏览:打造自主行驶汽车的第一步:3D 对象跟踪和传感器交融。

置信你对各大网站和利用的「个性化举荐」零碎曾经再相熟不过了。不过这所有都必须基于一个前提:这些举荐零碎真的能充沛理解你的爱好,并精确举荐你真的会喜爱须要的货色!要想做到这一点可并不容易。对商家来说,如果举荐零碎提供的举荐内容准确率低,此类举荐可能影响用户情绪,导致用户参与度升高,最终引发业务营收损失。因而很多企业会编写自定义代码解决此类问题,即通过代码将个性化零碎针对每位用户存储在数据库内的数据进行比拟,借此提供更为精确的举荐内容,同时删除举荐中用户曾经购买过的条目。但诚实说,这一实现过程相当耗时且极易出错。试试看更简略无效的办法吧:「猜你喜爱」猜得更精确,这到底是如何做到的?

正文完
 0