Machine Learning (ML) dan Artificial Intelligence (AI)

AWS membantu Anda di setiap tahap perjalanan adopsi ML Anda dengan layanan ML set terlengkap dan infrastruktur yang dibangun khusus. Layanan AI terlatih kami menyediakan intelijen siap pakai untuk aplikasi dan alur kerja Anda.

Setiap layanan dijelaskan setelah diagram. Untuk membantu Anda memutuskan layanan mana yang paling sesuai dengan kebutuhan Anda, lihat Memilih AWS layanan pembelajaran mesin, Memilih layanan AI generatif, dan Amazon Bedrock atau Amazon? SageMaker . Untuk informasi umum, lihat Membangun dan menskalakan gelombang inovasi AI berikutnya AWS.

Diagram menunjukkan AWS tumpukan kecerdasan buatan

Kembali keAWS layanan.

Amazon Augmented AI

Amazon Augmented AI (Amazon A2I) adalah layanan ML yang memudahkan pembuatan alur kerja yang diperlukan untuk tinjauan manusia. Amazon A2I membawa tinjauan manusia ke semua pengembang, menghapus beban berat yang tidak terdiferensiasi yang terkait dengan membangun sistem tinjauan manusia atau mengelola sejumlah besar pengulas manusia, apakah itu berjalan AWS atau tidak.

Amazon Bedrock

Amazon Bedrock adalah layanan yang dikelola sepenuhnya yang membuat model dasar (FMs) dari Amazon dan startup AI terkemuka tersedia melalui aplikasi. API Dengan pengalaman tanpa server Amazon Bedrock, Anda dapat dengan cepat memulai, bereksperimen, menyesuaikannya secara pribadi dengan data Anda sendiriFMs, dan mengintegrasikan dan menerapkan secara mulus ke dalam FMs AWS aplikasi.

Anda dapat memilih dari berbagai model foundation, termasuk Amazon Titan, Claude 2 dari Anthropic, Command and Embed dari Cohere, Jurassic-2 dari Studio, dan Stable Diffusion dari AI21 Stability AI.

Amazon CodeGuru

Amazon CodeGuru adalah alat pengembang yang memberikan rekomendasi cerdas untuk meningkatkan kualitas kode dan mengidentifikasi baris kode aplikasi yang paling mahal. Integrasikan CodeGuru ke dalam alur kerja pengembangan perangkat lunak Anda yang ada untuk mengotomatiskan tinjauan kode selama pengembangan aplikasi dan terus memantau kinerja aplikasi dalam produksi dan memberikan rekomendasi dan petunjuk visual tentang cara meningkatkan kualitas kode, kinerja aplikasi, dan mengurangi biaya keseluruhan.

Amazon CodeGuru Reviewer menggunakan ML dan penalaran otomatis untuk mengidentifikasi masalah kritis, kerentanan keamanan, dan hard-to-find bug selama pengembangan aplikasi dan memberikan rekomendasi untuk meningkatkan kualitas kode.

Amazon CodeGuru Profiler membantu pengembang menemukan baris kode aplikasi yang paling mahal dengan membantu mereka memahami perilaku runtime aplikasi mereka, mengidentifikasi dan menghapus inefisiensi kode, meningkatkan kinerja, dan secara signifikan mengurangi biaya komputasi.

Amazon Comprehend

Amazon Comprehend menggunakan ML dan natural language NLP processing () untuk membantu Anda menemukan wawasan dan hubungan dalam data tidak terstruktur Anda. Layanan mengidentifikasi bahasa teks; mengekstrak frasa kunci, tempat, orang, merek, atau peristiwa; memahami seberapa positif atau negatif teks itu; menganalisis teks menggunakan tokenisasi dan bagian pidato; dan secara otomatis mengatur kumpulan file teks berdasarkan topik. Anda juga dapat menggunakan kemampuan AutoML di Amazon Comprehend untuk membuat kumpulan entitas kustom atau model klasifikasi teks yang disesuaikan secara unik dengan kebutuhan organisasi Anda.

Untuk mengekstraksi informasi medis yang kompleks dari teks yang tidak terstruktur, Anda dapat menggunakan Amazon Comprehend Medical. Layanan ini dapat mengidentifikasi informasi medis, seperti kondisi medis, obat-obatan, dosis, kekuatan, dan frekuensi dari berbagai sumber seperti catatan dokter, laporan uji klinis, dan catatan kesehatan pasien. Amazon Comprehend Medical juga mengidentifikasi hubungan antara obat yang diekstraksi dan informasi tes, perawatan dan prosedur untuk analisis yang lebih mudah. Misalnya, layanan mengidentifikasi dosis, kekuatan, dan frekuensi tertentu yang terkait dengan obat tertentu dari catatan klinis yang tidak terstruktur.

DevOpsGuru Amazon

Amazon DevOps Guru adalah layanan bertenaga ML yang memudahkan peningkatan kinerja dan ketersediaan operasional aplikasi. Amazon DevOps Guru mendeteksi perilaku yang menyimpang dari pola operasi normal sehingga Anda dapat mengidentifikasi masalah operasional jauh sebelum berdampak pada pelanggan Anda.

Amazon DevOps Guru menggunakan model ML yang diinformasikan oleh tahun Amazon.com dan AWS keunggulan operasional untuk mengidentifikasi perilaku aplikasi anomali (seperti peningkatan latensi, tingkat kesalahan, kendala sumber daya, dll.) dan memunculkan masalah kritis yang dapat menyebabkan potensi pemadaman atau gangguan layanan. Saat Amazon DevOps Guru mengidentifikasi masalah kritis, Amazon Guru secara otomatis mengirimkan peringatan dan memberikan ringkasan anomali terkait, kemungkinan akar penyebab, dan konteks tentang kapan dan di mana masalah terjadi. Jika memungkinkan, Amazon DevOps Guru juga memberikan rekomendasi tentang cara memperbaiki masalah tersebut.

Amazon DevOps Guru secara otomatis menyerap data operasional dari Anda AWS aplikasi dan menyediakan dasbor tunggal untuk memvisualisasikan masalah dalam data operasional Anda. Anda dapat memulai dengan mengaktifkan Amazon DevOps Guru untuk semua sumber daya di AWS akun, sumber daya di Anda AWS CloudFormation Tumpukan, atau sumber daya yang dikelompokkan bersama berdasarkan AWS tag, tanpa pengaturan manual atau keahlian ML. diperlukan.

Amazon Forecast

Amazon Forecast adalah layanan yang dikelola sepenuhnya yang menggunakan ML untuk memberikan perkiraan yang sangat akurat.

Perusahaan saat ini menggunakan segala sesuatu mulai dari spreadsheet sederhana hingga perangkat lunak perencanaan keuangan yang kompleks untuk mencoba memperkirakan hasil bisnis masa depan secara akurat seperti permintaan produk, kebutuhan sumber daya, atau kinerja keuangan. Alat-alat ini membangun prakiraan dengan melihat serangkaian data historis, yang disebut data deret waktu. Misalnya, alat tersebut dapat mencoba memprediksi penjualan jas hujan di masa depan dengan hanya melihat data penjualan sebelumnya dengan asumsi mendasar bahwa masa depan ditentukan oleh masa lalu. Pendekatan ini dapat berjuang untuk menghasilkan perkiraan yang akurat untuk kumpulan data besar yang memiliki tren tidak teratur. Juga, gagal untuk dengan mudah menggabungkan seri data yang berubah dari waktu ke waktu (seperti harga, diskon, lalu lintas web, dan jumlah karyawan) dengan variabel independen yang relevan seperti fitur produk dan lokasi toko.

Berdasarkan teknologi yang sama yang digunakan di Amazon.com, Amazon Forecast menggunakan ML untuk menggabungkan data deret waktu dengan variabel tambahan untuk membangun prakiraan. Amazon Forecast tidak memerlukan pengalaman ML untuk memulai. Anda hanya perlu memberikan data historis, ditambah data tambahan apa pun yang Anda yakini dapat memengaruhi perkiraan Anda. Misalnya, permintaan untuk warna kemeja tertentu dapat berubah dengan musim dan lokasi toko. Hubungan kompleks ini sulit ditentukan sendiri, tetapi ML sangat cocok untuk mengenalinya. Setelah Anda memberikan data Anda, Amazon Forecast akan secara otomatis memeriksanya, mengidentifikasi apa yang berarti, dan menghasilkan model peramalan yang mampu membuat prediksi yang hingga 50% lebih akurat daripada melihat data deret waktu saja.

Amazon Forecast adalah layanan yang dikelola sepenuhnya, sehingga tidak ada server untuk disediakan, dan tidak ada model ML untuk dibuat, dilatih, atau diterapkan. Anda hanya membayar untuk apa yang Anda gunakan, dan tidak ada biaya minimum dan tidak ada komitmen di muka.

Amazon Fraud Detector

Amazon Fraud Detector adalah layanan yang dikelola sepenuhnya yang menggunakan ML dan lebih dari 20 tahun keahlian deteksi penipuan dari Amazon, untuk mengidentifikasi aktivitas yang berpotensi penipuan sehingga pelanggan dapat menangkap lebih banyak penipuan online lebih cepat. Amazon Fraud Detector mengotomatiskan langkah-langkah yang memakan waktu dan mahal untuk membangun, melatih, dan menerapkan model ML untuk deteksi penipuan, sehingga memudahkan pelanggan untuk memanfaatkan teknologi. Amazon Fraud Detector menyesuaikan setiap model yang dibuatnya ke kumpulan data pelanggan sendiri, membuat akurasi model lebih tinggi daripada satu ukuran saat ini cocok untuk semua solusi ML. Dan, karena Anda hanya membayar untuk apa yang Anda gunakan, Anda menghindari pengeluaran di muka yang besar.

Amazon Comprehend Medical

Selama dekade terakhir, AWS telah menyaksikan transformasi digital dalam kesehatan, dengan organisasi menangkap volume besar informasi pasien setiap hari. Tetapi data ini seringkali tidak terstruktur dan proses untuk mengekstrak informasi ini padat karya dan rawan kesalahan. Amazon Comprehend Medical adalah layanan pemrosesan NLP bahasa alami HIPAA yang memenuhi syarat yang menggunakan pembelajaran mesin yang telah dilatih sebelumnya untuk memahami dan mengekstrak data kesehatan dari teks medis, seperti resep, prosedur, atau diagnosis. Amazon Comprehend Medical dapat membantu Anda mengekstrak informasi dari teks medis tidak terstruktur secara akurat dan cepat dengan ontologi medis ICD seperti -10-CM RxNorm,, dan CT dan pada gilirannya mempercepat pemrosesan klaim asuransi, meningkatkan kesehatan SNOMED populasi, dan mempercepat farmakovigilans.

Amazon Kendra

Amazon Kendra adalah layanan pencarian cerdas yang didukung oleh ML. Amazon Kendra menata ulang pencarian perusahaan untuk situs web dan aplikasi Anda sehingga karyawan dan pelanggan Anda dapat dengan mudah menemukan konten yang mereka cari, bahkan ketika itu tersebar di beberapa lokasi dan repositori konten dalam organisasi Anda.

Menggunakan Amazon Kendra, Anda dapat berhenti mencari melalui kumpulan data tidak terstruktur dan menemukan jawaban yang tepat untuk pertanyaan Anda, saat Anda membutuhkannya. Amazon Kendra adalah layanan yang dikelola sepenuhnya, jadi tidak ada server untuk disediakan, dan tidak ada model ML untuk dibangun, dilatih, atau diterapkan.

Amazon Lex

Amazon Lex adalah layanan kecerdasan buatan (AI) yang dikelola sepenuhnya untuk merancang, membangun, menguji, dan menyebarkan antarmuka percakapan ke dalam aplikasi apa pun menggunakan suara dan teks. Lex menyediakan fungsi pembelajaran mendalam lanjutan dari pengenalan ucapan otomatis (ASR) untuk mengubah ucapan menjadi teks, dan pemahaman bahasa alami (NLU) untuk mengenali maksud teks, untuk memungkinkan Anda membangun aplikasi dengan pengalaman pengguna yang sangat menarik dan interaksi percakapan yang hidup, dan membuat kategori produk baru. Dengan Amazon Lex, teknologi pembelajaran mendalam yang sama yang mendukung Amazon Alexa sekarang tersedia untuk pengembang mana pun, memungkinkan Anda untuk dengan cepat dan mudah membangun bahasa alami yang canggih, bot percakapan (“chatbots”) dan sistem respons suara interaktif yang diaktifkan suara (). IVR

Amazon Lex memungkinkan pengembang untuk membangun chatbots percakapan dengan cepat. Dengan Amazon Lex, tidak diperlukan keahlian pembelajaran mendalam — untuk membuat bot, Anda cukup menentukan alur percakapan dasar di konsol Amazon Lex. Amazon Lex mengelola dialog dan secara dinamis menyesuaikan respons dalam percakapan. Dengan menggunakan konsol, Anda dapat membuat, menguji, dan mempublikasikan chatbot teks atau suara Anda. Anda kemudian dapat menambahkan antarmuka percakapan ke bot di perangkat seluler, aplikasi web, dan platform obrolan (misalnya, Facebook Messenger). Tidak ada biaya di muka atau biaya minimum untuk menggunakan Amazon Lex - Anda hanya dikenakan biaya untuk permintaan teks atau ucapan yang dibuat. pay-as-you-goHarga dan biaya rendah per permintaan membuat layanan menjadi cara yang hemat biaya untuk membangun antarmuka percakapan. Dengan tingkat gratis Amazon Lex, Anda dapat dengan mudah mencoba Amazon Lex tanpa investasi awal.

Amazon Lookout for Equipment

Amazon Lookout for Equipment menganalisis data dari sensor pada peralatan Anda (seperti tekanan pada generator, laju aliran kompresor, putaran per menit kipas), untuk secara otomatis melatih model ML hanya berdasarkan data Anda, untuk peralatan Anda — tanpa keahlian ML yang diperlukan. Lookout for Equipment menggunakan model ML unik Anda untuk menganalisis data sensor yang masuk secara real-time dan secara akurat mengidentifikasi tanda-tanda peringatan dini yang dapat menyebabkan kegagalan alat berat. Ini berarti Anda dapat mendeteksi kelainan peralatan dengan kecepatan dan presisi, mendiagnosis masalah dengan cepat, mengambil tindakan untuk mengurangi waktu henti yang mahal, dan mengurangi peringatan palsu.

Amazon Lookout for Metrics

Amazon Lookout for Metrics menggunakan ML untuk secara otomatis mendeteksi dan mendiagnosis anomali (outlier dari norma) dalam data bisnis dan operasional, seperti penurunan mendadak dalam pendapatan penjualan atau tingkat akuisisi pelanggan. Dalam beberapa klik, Anda dapat menghubungkan Amazon Lookout for Metrics ke penyimpanan data populer seperti Amazon S3, Amazon Redshift, dan Amazon Relational Database Service (Amazon), serta aplikasi Perangkat Lunak sebagai RDS Layanan (SaaS) pihak ketiga, seperti Salesforce, Servicenow, Zendesk, dan Marketo, dan mulailah memantau metrik yang penting bagi bisnis Anda. Amazon Lookout for Metrics secara otomatis memeriksa dan menyiapkan data dari sumber-sumber ini untuk mendeteksi anomali dengan kecepatan dan akurasi yang lebih besar daripada metode tradisional yang digunakan untuk deteksi anomali. Anda juga dapat memberikan umpan balik tentang anomali yang terdeteksi untuk menyetel hasil dan meningkatkan akurasi dari waktu ke waktu. Amazon Lookout for Metrics memudahkan untuk mendiagnosis anomali yang terdeteksi dengan mengelompokkan anomali yang terkait dengan peristiwa yang sama dan mengirimkan peringatan yang mencakup ringkasan akar penyebab potensial. Ini juga memberi peringkat anomali dalam urutan keparahan sehingga Anda dapat memprioritaskan perhatian Anda pada apa yang paling penting bagi bisnis Anda.

Amazon Lookout for Vision

Amazon Lookout for Vision adalah layanan ML yang mendeteksi cacat dan anomali dalam representasi visual menggunakan visi komputer (CV). Dengan Amazon Lookout for Vision, perusahaan manufaktur dapat meningkatkan kualitas dan mengurangi biaya operasional dengan cepat mengidentifikasi perbedaan gambar objek dalam skala besar. Misalnya, Amazon Lookout for Vision dapat digunakan untuk mengidentifikasi komponen yang hilang dalam produk, kerusakan kendaraan atau struktur, penyimpangan di jalur produksi, cacat kecil pada wafer silikon, dan masalah serupa lainnya. Amazon Lookout for Vision menggunakan ML untuk melihat dan memahami gambar dari kamera apa pun seperti yang dilakukan seseorang, tetapi dengan tingkat akurasi yang lebih tinggi dan pada skala yang jauh lebih besar. Amazon Lookout for Vision memungkinkan pelanggan untuk menghilangkan kebutuhan akan pemeriksaan manual yang mahal dan tidak konsisten, sekaligus meningkatkan kontrol kualitas, penilaian cacat dan kerusakan, serta kepatuhan. Dalam hitungan menit, Anda dapat mulai menggunakan Amazon Lookout for Vision untuk mengotomatiskan pemeriksaan gambar dan objek — tanpa memerlukan keahlian ML.

Amazon Monitron

Amazon Monitron adalah end-to-end sistem yang menggunakan ML untuk mendeteksi perilaku abnormal pada mesin industri, memungkinkan Anda menerapkan pemeliharaan prediktif dan mengurangi waktu henti yang tidak direncanakan.

Memasang sensor dan infrastruktur yang diperlukan untuk konektivitas data, penyimpanan, analitik, dan peringatan adalah elemen dasar untuk memungkinkan pemeliharaan prediktif. Namun, untuk membuatnya bekerja, perusahaan secara historis membutuhkan teknisi terampil dan ilmuwan data untuk mengumpulkan solusi kompleks dari awal. Ini termasuk mengidentifikasi dan mendapatkan jenis sensor yang tepat untuk kasus penggunaannya dan menghubungkannya bersama dengan gateway IoT (perangkat yang mengumpulkan dan mentransmisikan data). Akibatnya, hanya sedikit perusahaan yang berhasil menerapkan pemeliharaan prediktif.

Amazon Monitron menyertakan sensor untuk menangkap data getaran dan suhu dari peralatan, perangkat gateway untuk mentransfer data dengan aman AWS, layanan Amazon Monitron yang menganalisis data untuk pola mesin abnormal menggunakan ML, dan aplikasi seluler pendamping untuk menyiapkan perangkat dan menerima laporan tentang perilaku pengoperasian dan peringatan potensi kegagalan pada mesin Anda. Anda dapat mulai memantau kesehatan peralatan dalam hitungan menit tanpa memerlukan pekerjaan pengembangan atau pengalaman ML, dan mengaktifkan pemeliharaan prediktif dengan teknologi yang sama yang digunakan untuk memantau peralatan di Pusat Pemenuhan Amazon.

Amazon PartyRock

Amazon PartyRock mempermudah pembelajaran AI generatif dengan pembuat aplikasi hands-on dan bebas kode. Bereksperimenlah dengan teknik rekayasa yang cepat, tinjau respons yang dihasilkan, dan kembangkan intuisi untuk AI generatif sambil membuat dan menjelajahi aplikasi yang menyenangkan. PartyRock menyediakan akses ke model foundation (FMs) dari Amazon dan perusahaan AI terkemuka melalui Amazon Bedrock, layanan layanan yang dikelola sepenuhnya.

Amazon Personalize

Amazon Personalize adalah layanan ML yang memudahkan pengembang untuk membuat rekomendasi individual bagi pelanggan yang menggunakan aplikasi mereka.

ML semakin banyak digunakan untuk meningkatkan keterlibatan pelanggan dengan mendukung rekomendasi produk dan konten yang dipersonalisasi, hasil pencarian yang disesuaikan, dan promosi pemasaran yang ditargetkan. Namun, mengembangkan kemampuan ML yang diperlukan untuk menghasilkan sistem rekomendasi canggih ini telah berada di luar jangkauan sebagian besar organisasi saat ini karena kompleksitas pengembangan fungsionalitas ML. Amazon Personalize memungkinkan pengembang tanpa pengalaman sebelumnya untuk dengan mudah membangun kemampuan personalisasi canggih ke dalam aplikasi mereka, menggunakan teknologi ML yang disempurnakan dari penggunaan bertahun-tahun di Amazon.com.

Dengan Amazon Personalize, Anda menyediakan aliran aktivitas dari aplikasi Anda — tampilan halaman, pendaftaran, pembelian, dan sebagainya — serta inventaris item yang ingin Anda rekomendasikan, seperti artikel, produk, video, atau musik. Anda juga dapat memilih untuk memberikan Amazon Personalize dengan informasi demografis tambahan dari pengguna Anda seperti usia, atau lokasi geografis. Amazon Personalisasi memproses dan memeriksa data, mengidentifikasi apa yang bermakna, memilih algoritme yang tepat, serta melatih serta mengoptimalkan model personalisasi yang disesuaikan untuk data Anda.

Amazon Personalize menawarkan rekomendasi yang dioptimalkan untuk ritel dan media serta hiburan yang membuatnya lebih cepat dan lebih mudah untuk menghadirkan pengalaman pengguna yang dipersonalisasi dengan kinerja tinggi. Amazon Personalize juga menawarkan segmentasi pengguna yang cerdas sehingga Anda dapat menjalankan kampanye prospek yang lebih efektif melalui saluran pemasaran Anda. Dengan dua resep baru kami, Anda dapat secara otomatis mengelompokkan pengguna berdasarkan minat mereka pada berbagai kategori produk, merek, dan lainnya.

Semua data yang dianalisis oleh Amazon Personalize dijaga kerahasiaan dan aman, dan hanya digunakan untuk rekomendasi khusus Anda. Anda dapat mulai menyajikan prediksi pribadi Anda melalui API panggilan sederhana dari dalam cloud pribadi virtual yang dikelola layanan. Anda hanya membayar untuk apa yang Anda gunakan, dan tidak ada biaya minimum dan tidak ada komitmen di muka.

Amazon Personalize seperti memiliki tim personalisasi Amazon.com ML Anda sendiri yang Anda inginkan, 24 jam sehari.

Amazon Polly

Amazon Polly adalah layanan yang mengubah teks menjadi ucapan yang hidup. Amazon Polly memungkinkan Anda membuat aplikasi yang berbicara, memungkinkan Anda membangun kategori produk yang mendukung ucapan yang sama sekali baru. Amazon Polly adalah layanan kecerdasan buatan Amazon (AI) yang menggunakan teknologi pembelajaran mendalam canggih untuk mensintesis ucapan yang terdengar seperti suara manusia. Amazon Polly menyertakan berbagai pilihan suara hidup yang tersebar di lusinan bahasa, sehingga Anda dapat memilih suara yang ideal dan membangun aplikasi yang mendukung ucapan yang berfungsi di berbagai negara.

Amazon Polly memberikan waktu respons cepat secara konsisten yang diperlukan untuk mendukung dialog interaktif real-time. Anda dapat menyimpan cache dan menyimpan audio ucapan Amazon Polly untuk diputar ulang secara offline atau didistribusikan ulang. Dan Amazon Polly mudah digunakan. Anda cukup mengirim teks yang ingin Anda ubah menjadi ucapan ke Amazon PollyAPI, dan Amazon Polly segera mengembalikan aliran audio ke aplikasi Anda sehingga aplikasi Anda dapat memutarnya secara langsung atau menyimpannya dalam format file audio standar, seperti. MP3

Selain suara Standar, Amazon Polly menawarkan TTS suara Neural Text-to-Speech NTTS () yang memberikan peningkatan lanjutan dalam kualitas ucapan melalui pendekatan pembelajaran mesin baru. TTSTeknologi Neural Polly juga mendukung gaya berbicara Newscaster yang disesuaikan dengan kasus penggunaan narasi berita. Terakhir, Amazon Polly Brand Voice dapat membuat suara khusus untuk organisasi Anda. Ini adalah keterlibatan khusus di mana Anda akan bekerja dengan tim Amazon Polly untuk membangun NTTS suara untuk penggunaan eksklusif organisasi Anda.

Dengan Amazon Polly, Anda hanya membayar untuk jumlah karakter yang Anda konversi menjadi ucapan, dan Anda dapat menyimpan dan memutar ulang ucapan yang dihasilkan Amazon Polly. Amazon Polly biaya rendah per karakter dikonversi, dan kurangnya pembatasan penyimpanan dan penggunaan kembali output suara, menjadikannya cara yang hemat biaya untuk mengaktifkan Text-to-Speech di mana-mana.

Amazon Q

Amazon Q adalah asisten generatif yang didukung AI untuk mempercepat pengembangan perangkat lunak dan memanfaatkan data internal Anda.

Amazon Rekognition

Amazon Rekognition memudahkan untuk menambahkan analisis gambar dan video ke aplikasi Anda menggunakan teknologi pembelajaran mendalam yang terbukti, sangat skalabel, dan tidak memerlukan keahlian MS untuk digunakan. Dengan Amazon Rekognition, Anda dapat mengidentifikasi objek, orang, teks, adegan, dan aktivitas dalam gambar dan video, serta mendeteksi konten yang tidak pantas. Amazon Rekognition juga menyediakan analisis wajah dan kemampuan pencarian wajah yang sangat akurat yang dapat Anda gunakan untuk mendeteksi, menganalisis, dan membandingkan wajah untuk berbagai macam verifikasi pengguna, penghitungan orang, dan kasus penggunaan keselamatan publik.

Dengan Label Kustom Amazon Rekognition, Anda dapat mengidentifikasi objek dan pemandangan dalam gambar yang spesifik untuk kebutuhan bisnis Anda. Misalnya, Anda dapat membuat model untuk mengklasifikasikan suku cadang mesin tertentu di jalur perakitan Anda atau untuk mendeteksi tanaman yang tidak sehat. Amazon Rekognition Custom Labels menangani peningkatan berat pengembangan model untuk Anda, jadi tidak diperlukan pengalaman MS. Anda hanya perlu menyediakan gambar objek atau adegan yang ingin Anda identifikasi, dan layanan menangani sisanya.

Amazon SageMaker

Dengan Amazon SageMaker, Anda dapat membuat, melatih, dan menerapkan model ML untuk kasus penggunaan apa pun dengan infrastruktur, alat, dan alur kerja yang dikelola sepenuhnya. SageMakermenghilangkan pengangkatan berat dari setiap langkah proses ML untuk membuatnya lebih mudah untuk mengembangkan model berkualitas tinggi. SageMaker menyediakan semua komponen yang digunakan untuk ML dalam satu toolset sehingga model dapat berproduksi lebih cepat dengan usaha yang jauh lebih sedikit dan dengan biaya lebih rendah.

SageMaker Autopilot Amazon

Amazon SageMaker Autopilot secara otomatis membuat, melatih, dan menyetel model ML terbaik berdasarkan data Anda, sekaligus memungkinkan Anda mempertahankan kontrol dan visibilitas penuh. Dengan SageMaker Autopilot, Anda cukup menyediakan dataset tabular dan memilih kolom target untuk diprediksi, yang dapat berupa angka (seperti harga rumah, disebut regresi), atau kategori (seperti spam/bukan spam, disebut klasifikasi). SageMaker Autopilot akan secara otomatis mengeksplorasi berbagai solusi untuk menemukan model terbaik. Anda kemudian dapat langsung menerapkan model ke produksi hanya dengan satu klik, atau mengulangi solusi yang direkomendasikan dengan Amazon SageMaker Studio untuk lebih meningkatkan kualitas model.

SageMaker Kanvas Amazon

Amazon SageMaker Canvas memperluas akses ke ML dengan menyediakan point-and-click antarmuka visual bagi analis bisnis yang memungkinkan mereka menghasilkan prediksi ML yang akurat sendiri - tanpa memerlukan pengalaman ML atau harus menulis satu baris kode pun.

Amazon SageMaker Klarifikasi

Amazon SageMaker Clarify memberi pengembang pembelajaran mesin visibilitas yang lebih besar ke dalam data dan model pelatihan mereka sehingga mereka dapat mengidentifikasi dan membatasi bias dan menjelaskan prediksi. Amazon SageMaker Clarify mendeteksi potensi bias selama persiapan data, setelah pelatihan model, dan dalam model yang diterapkan dengan memeriksa atribut yang Anda tentukan. SageMaker Clarify juga mencakup grafik penting fitur yang membantu Anda menjelaskan prediksi model dan menghasilkan laporan yang dapat digunakan untuk mendukung presentasi internal atau untuk mengidentifikasi masalah dengan model Anda yang dapat Anda ambil langkah-langkah untuk memperbaiki.

Pelabelan SageMaker Data Amazon

Amazon SageMaker menyediakan penawaran pelabelan data untuk mengidentifikasi data mentah, seperti gambar, file teks, dan video, serta menambahkan label informatif untuk membuat kumpulan data pelatihan berkualitas tinggi untuk model ML Anda.

Amazon SageMaker Data Wrangler

Amazon SageMaker Data Wrangler mengurangi waktu yang dibutuhkan untuk mengumpulkan dan menyiapkan data untuk ML dari minggu ke menit. Dengan SageMaker Data Wrangler, Anda dapat menyederhanakan proses persiapan data dan rekayasa fitur, dan menyelesaikan setiap langkah alur kerja persiapan data, termasuk pemilihan data, pembersihan, eksplorasi, dan visualisasi dari satu antarmuka visual.

SageMaker Tepi Amazon

Amazon SageMaker Edge memungkinkan pembelajaran mesin pada perangkat edge dengan mengoptimalkan, mengamankan, dan menerapkan model ke tepi, dan kemudian memantau model ini di armada perangkat Anda, seperti kamera pintar, robot, dan elektronik pintar lainnya, untuk mengurangi biaya operasional yang sedang berlangsung. SageMaker Edge Compiler mengoptimalkan model terlatih agar dapat dijalankan pada perangkat edge. SageMaker Edge menyertakan mekanisme penyebaran over-the-air (OTA) yang membantu Anda menerapkan model pada armada independen dari aplikasi atau firmware perangkat. SageMaker Edge Agent memungkinkan Anda menjalankan beberapa model pada perangkat yang sama. Agen mengumpulkan data prediksi berdasarkan logika yang Anda kontrol, seperti interval, dan mengunggahnya ke cloud sehingga Anda dapat melatih ulang model secara berkala dari waktu ke waktu.

Toko SageMaker Fitur Amazon

Amazon SageMaker Feature Store adalah repositori yang dibuat khusus tempat Anda dapat menyimpan dan mengakses fitur sehingga lebih mudah untuk memberi nama, mengatur, dan menggunakannya kembali di seluruh tim. SageMaker Feature Store menyediakan toko terpadu untuk fitur selama pelatihan dan inferensi waktu nyata tanpa perlu menulis kode tambahan atau membuat proses manual untuk menjaga fitur tetap konsisten. SageMaker Toko Fitur melacak metadata fitur yang disimpan (seperti nama fitur atau nomor versi) sehingga Anda dapat menanyakan fitur untuk atribut yang tepat dalam batch atau secara real time menggunakan Amazon Athena, layanan kueri interaktif. SageMaker Feature Store juga terus memperbarui fitur, karena ketika data baru dihasilkan selama inferensi, repositori tunggal diperbarui sehingga fitur baru selalu tersedia untuk model untuk digunakan selama pelatihan dan inferensi.

Kemampuan SageMaker geospasial Amazon

Kemampuan SageMaker geospasial Amazon memudahkan ilmuwan data dan insinyur pembelajaran mesin (ML) untuk membangun, melatih, dan menerapkan model ML lebih cepat menggunakan data geospasial. Anda memiliki akses ke data (sumber terbuka dan pihak ketiga), alat pemrosesan, dan visualisasi untuk membuatnya lebih efisien dalam menyiapkan data geospasial untuk ML. Anda dapat meningkatkan produktivitas Anda dengan menggunakan algoritme yang dibuat khusus dan model ML yang telah dilatih sebelumnya untuk mempercepat pembuatan dan pelatihan model, serta menggunakan alat visualisasi bawaan untuk mengeksplorasi output prediksi pada peta interaktif dan kemudian berkolaborasi di seluruh tim dalam wawasan dan hasil.

Amazon SageMaker HyperPod

Amazon SageMaker HyperPod menghilangkan beban berat yang tidak berdiferensiasi yang terlibat dalam membangun dan mengoptimalkan infrastruktur pembelajaran mesin (ML) untuk model bahasa besar (LLMs), model difusi, dan model pondasi (). FMs SageMaker HyperPod telah dikonfigurasi sebelumnya dengan pustaka pelatihan terdistribusi yang memungkinkan pelanggan untuk secara otomatis membagi beban kerja pelatihan di ribuan akselerator, seperti AWS Trainium, dan Unit Pemrosesan Grafis NVIDIA A100 dan H100 ()GPUs.

SageMaker HyperPod juga membantu memastikan bahwa Anda dapat melanjutkan pelatihan tanpa gangguan dengan menyimpan pos pemeriksaan secara berkala. Ketika kegagalan perangkat keras terjadi, cluster penyembuhan diri secara otomatis mendeteksi kegagalan, memperbaiki atau mengganti instance yang salah, dan melanjutkan pelatihan dari pos pemeriksaan terakhir yang disimpan, menghilangkan kebutuhan bagi Anda untuk mengelola proses ini secara manual dan membantu Anda berlatih selama berminggu-minggu atau berbulan-bulan dalam pengaturan terdistribusi tanpa gangguan. Anda dapat menyesuaikan lingkungan komputasi agar sesuai dengan kebutuhan Anda dan mengonfigurasinya dengan perpustakaan pelatihan SageMaker terdistribusi Amazon untuk mencapai kinerja optimal AWS.

Amazon SageMaker JumpStart

Amazon SageMaker JumpStart membantu Anda dengan cepat dan mudah memulai dengan ML. Untuk membuatnya lebih mudah untuk memulai, SageMaker JumpStart menyediakan serangkaian solusi untuk kasus penggunaan paling umum yang dapat digunakan dengan mudah hanya dengan beberapa klik. Solusi sepenuhnya dapat disesuaikan dan menampilkan penggunaan AWS CloudFormation template dan arsitektur referensi sehingga Anda dapat mempercepat perjalanan ML Anda. Amazon SageMaker JumpStart juga mendukung penerapan satu klik dan fine-tuning lebih dari 150 model open-source populer seperti pemrosesan bahasa alami, deteksi objek, dan model klasifikasi gambar.

Bangunan SageMaker Model Amazon

Amazon SageMaker menyediakan semua alat dan pustaka yang Anda butuhkan untuk membangun model ML, proses mencoba algoritme yang berbeda secara berulang, dan mengevaluasi keakuratannya untuk menemukan yang terbaik untuk kasus penggunaan Anda. Di Amazon SageMaker Anda dapat memilih algoritme yang berbeda, termasuk lebih dari 15 yang built-in dan dioptimalkan SageMaker, dan menggunakan lebih dari 750 model pra-bangun dari kebun binatang model populer yang tersedia dengan beberapa klik. SageMaker juga menawarkan berbagai alat pembuatan model, termasuk Notebook Amazon SageMaker Studio,, JupyterLabRStudio, dan Editor Kode berdasarkan Kode- OSS (Virtual Studio Code Open Source), di mana Anda dapat menjalankan model ML dalam skala kecil untuk melihat hasil dan melihat laporan kinerjanya sehingga Anda dapat menghasilkan prototipe kerja berkualitas tinggi.

Pelatihan SageMaker Model Amazon

Amazon SageMaker mengurangi waktu dan biaya untuk melatih dan menyetel model ML dalam skala besar tanpa perlu mengelola infrastruktur. Anda dapat memanfaatkan infrastruktur komputasi ML berkinerja tertinggi yang tersedia saat ini, dan SageMaker dapat secara otomatis menskalakan infrastruktur naik atau turun, dari satu hingga ribuan infrastruktur. GPUs Karena Anda hanya membayar untuk apa yang Anda gunakan, Anda dapat mengelola biaya pelatihan Anda dengan lebih efektif. Untuk melatih model pembelajaran mendalam lebih cepat, Anda dapat menggunakan perpustakaan pelatihan SageMaker terdistribusi Amazon untuk kinerja yang lebih baik atau menggunakan perpustakaan pihak ketiga seperti DeepSpeed, Horovod, atau Megatron.

Penyebaran SageMaker Model Amazon

Amazon SageMaker mempermudah penerapan model ML untuk membuat prediksi (juga dikenal sebagai inferensi) dengan performa harga terbaik untuk kasus penggunaan apa pun. Ini menyediakan berbagai pilihan infrastruktur ML dan opsi penerapan model untuk membantu memenuhi semua kebutuhan inferensi ML Anda. Ini adalah layanan yang dikelola sepenuhnya dan terintegrasi dengan MLOps alat, sehingga Anda dapat menskalakan penerapan model Anda, mengurangi biaya inferensi, mengelola model secara lebih efektif dalam produksi, dan mengurangi beban operasional.

SageMaker Saluran Pipa Amazon

Amazon SageMaker Pipelines adalah layanan pertama yang dibangun khusus, integrasi easy-to-use berkelanjutan dan pengiriman berkelanjutan (CI/CD) untuk ML. Dengan SageMaker Pipelines, Anda dapat membuat, mengotomatisasi, dan mengelola alur kerja end-to-end ML dalam skala besar.

Lab SageMaker Studio Amazon

Amazon SageMaker Studio Lab adalah lingkungan pengembangan ML gratis yang menyediakan komputasi, penyimpanan (hingga 15GB), dan keamanan—semuanya tanpa biaya—bagi siapa pun untuk belajar dan bereksperimen dengan ML. Yang Anda butuhkan untuk memulai adalah alamat email yang valid — Anda tidak perlu mengonfigurasi infrastruktur atau mengelola identitas dan akses atau bahkan mendaftar AWS akun. SageMaker Studio Lab mempercepat pembuatan model melalui GitHub integrasi, dan dilengkapi dengan alat, kerangka kerja, dan pustaka ML paling populer untuk membantu Anda segera memulai. SageMaker Studio Lab secara otomatis menyimpan pekerjaan Anda sehingga Anda tidak perlu memulai ulang di antara sesi. Ini semudah menutup laptop Anda dan kembali lagi nanti.

Apache MXNet di AWS

Apache MXNet adalah kerangka pelatihan dan inferensi yang cepat dan dapat diskalakan dengan easy-to-use, ringkas API untuk ML. MXNetmencakup antarmuka Gluon yang memungkinkan pengembang dari semua tingkat keahlian untuk memulai pembelajaran mendalam di cloud, perangkat tepi, dan di aplikasi seluler. Hanya dalam beberapa baris kode Gluon, Anda dapat membangun regresi linier, jaringan konvolusional, dan berulang LSTMs untuk deteksi objek, pengenalan suara, rekomendasi, dan personalisasi. Anda dapat memulai dengan MxNet di AWS dengan pengalaman yang dikelola sepenuhnya menggunakan Amazon SageMaker, platform untuk membangun, melatih, dan menerapkan model ML dalam skala besar. Atau, Anda dapat menggunakan AWS Deep Learning AMIs s untuk membangun lingkungan dan alur kerja khusus dengan MxNet serta kerangka kerja lainnya termasuk TensorFlow,, Chainer, Keras, Caffe PyTorch, Caffe2, dan Microsoft Cognitive Toolkit.

AWS Deep Learning AMIs detik

Sebuah AWS Deep Learning AMIsmenyediakan praktisi dan peneliti MLM infrastruktur dan alat untuk mempercepat pembelajaran mendalam di cloud, pada skala apa pun. Anda dapat dengan cepat meluncurkan EC2 instans Amazon yang sudah diinstal sebelumnya dengan kerangka kerja dan antarmuka pembelajaran mendalam yang populer seperti TensorFlow,, Apache PyTorch, Chainer, GluonMXNet, Horovod, dan Keras untuk melatih model AI khusus yang canggih, bereksperimen dengan algoritme baru, atau mempelajari keterampilan dan teknik baru. Apakah Anda memerlukan Amazon EC2 GPU atau CPU instans, tidak ada biaya tambahan untuk Deep Learning AMIs — Anda hanya membayar AWS sumber daya yang dibutuhkan untuk menyimpan dan menjalankan aplikasi Anda.

AWS Deep Learning Containers

AWS Deep Learning Containers (AWS DL Containers) adalah gambar Docker yang sudah diinstal sebelumnya dengan kerangka kerja pembelajaran mendalam untuk memudahkan penerapan lingkungan pembelajaran mesin kustom (ML) dengan cepat dengan membiarkan Anda melewati proses rumit membangun dan mengoptimalkan lingkungan Anda dari awal. AWS Dukungan DL Containers TensorFlow, PyTorch, MXNet Apache. Anda dapat menyebarkan AWS Wadah DL di Amazon SageMaker, Amazon Elastic Kubernetes Service EKS (Amazon), Kubernetes yang dikelola sendiri di Amazon, Amazon Elastic Container Service (EC2Amazon). ECS Wadah tersedia melalui Amazon Elastic Container Registry (AmazonECR) dan AWS Marketplacetanpa biaya — Anda hanya membayar untuk sumber daya yang Anda gunakan.

Geospasial MS dengan Amazon SageMaker

Kemampuan SageMaker geospasial Amazon memungkinkan ilmuwan data dan insinyur ML untuk membangun, melatih, dan menerapkan model ML menggunakan data geospasial lebih cepat dan dalam skala besar. Anda dapat mengakses sumber data geospasial yang tersedia, secara efisien mengubah atau memperkaya kumpulan data geospasial skala besar dengan operasi yang dibuat khusus, dan mempercepat pembangunan model dengan memilih model ML yang telah dilatih sebelumnya. Anda juga dapat menganalisis data geospasial dan mengeksplorasi prediksi model pada peta interaktif menggunakan grafik akselerasi 3D dengan alat visualisasi bawaan. SageMaker Kemampuan geospasial runtime dapat digunakan untuk berbagai kasus penggunaan, seperti memaksimalkan hasil panen dan ketahanan pangan, menilai risiko dan klaim asuransi, mendukung pembangunan perkotaan yang berkelanjutan, dan memperkirakan pemanfaatan lokasi ritel.

Hugging Face di AWS

Dengan Hugging Face di SageMaker Amazon, Anda dapat menerapkan dan menyempurnakan model pra-terlatih dari Hugging Face, penyedia open-source model NLP pemrosesan bahasa alami () yang dikenal sebagai Transformers, mengurangi waktu yang diperlukan untuk menyiapkan dan menggunakan model ini dari minggu ke menit. NLP NLPmengacu pada algoritma ML yang membantu komputer memahami bahasa manusia. Mereka membantu dengan terjemahan, pencarian cerdas, analisis teks, dan banyak lagi. Namun, NLP model bisa besar dan kompleks (terkadang terdiri dari ratusan juta parameter model), dan pelatihan serta pengoptimalannya membutuhkan waktu, sumber daya, dan keterampilan. AWSberkolaborasi dengan Hugging Face untuk membuat Hugging Face AWS Deep Learning Containers (DLCs), yang memberikan pengalaman yang dikelola sepenuhnya oleh para ilmuwan data dan pengembang ML untuk membangun, melatih, dan menerapkan state-of-the-art NLP model di Amazon SageMaker.

PyTorch pada AWS

PyTorchadalah kerangka pembelajaran mendalam sumber terbuka yang memudahkan untuk mengembangkan model pembelajaran mesin dan menerapkannya ke produksi. Menggunakan perpustakaan penyajian model TorchServe, PyTorch yang dibangun dan dipelihara oleh AWS Dalam kemitraan dengan Facebook, PyTorch pengembang dapat dengan cepat dan mudah menyebarkan model untuk produksi. PyTorch juga menyediakan grafik komputasi dinamis dan pustaka untuk pelatihan terdistribusi, yang disetel untuk kinerja tinggi AWS. Anda dapat memulai dengan PyTorch di AWS menggunakan Amazon SageMaker, layanan ML yang dikelola sepenuhnya yang memudahkan dan hemat biaya untuk membuat, melatih, dan menerapkan PyTorch model dalam skala besar. Jika Anda lebih suka mengelola infrastruktur sendiri, Anda dapat menggunakan AWS Deep Learning AMIs s atau AWS Deep Learning Containers, yang dibuat dari sumber dan dioptimalkan untuk kinerja dengan versi terbaru PyTorch untuk menerapkan lingkungan pembelajaran mesin khusus dengan cepat.

TensorFlow pada AWS

TensorFlowadalah salah satu dari banyak kerangka pembelajaran mendalam yang tersedia bagi para peneliti dan pengembang untuk meningkatkan aplikasi mereka dengan pembelajaran mesin. AWS memberikan dukungan luas untuk TensorFlow, memungkinkan pelanggan untuk mengembangkan dan melayani model mereka sendiri di seluruh visi komputer, pemrosesan bahasa alami, terjemahan ucapan, dan banyak lagi. Anda dapat memulai dengan TensorFlow di AWS menggunakan Amazon SageMaker, layanan ML yang dikelola sepenuhnya yang memudahkan dan hemat biaya untuk membuat, melatih, dan menerapkan TensorFlow model dalam skala besar. Jika Anda lebih suka mengelola infrastruktur sendiri, Anda dapat menggunakan AWS Deep Learning AMIs s atau AWS Deep Learning Containers, yang dibuat dari sumber dan dioptimalkan untuk kinerja dengan versi terbaru TensorFlow untuk menerapkan lingkungan HTML kustom dengan cepat.

Amazon Textract

Amazon Textract adalah layanan yang secara otomatis mengekstrak teks dan data dari dokumen yang dipindai. Amazon Textract melampaui pengenalan karakter optik sederhana (OCR) untuk juga mengidentifikasi isi bidang dalam bentuk dan informasi yang disimpan dalam tabel.

Saat ini, banyak perusahaan secara manual mengekstrak data dari dokumen yang dipindai sepertiPDFs, gambar, tabel, dan formulir, atau melalui OCR perangkat lunak sederhana yang memerlukan konfigurasi manual (yang sering harus diperbarui ketika formulir berubah). Untuk mengatasi proses manual dan mahal ini, Amazon Textract menggunakan ML untuk membaca dan memproses semua jenis dokumen, secara akurat mengekstraksi teks, tulisan tangan, tabel, dan data lainnya tanpa upaya manual. Amazon Textract memberi Anda fleksibilitas untuk menentukan data yang perlu Anda ekstrak dari dokumen menggunakan kueri. Anda dapat menentukan informasi yang Anda butuhkan dalam bentuk pertanyaan bahasa alami (seperti “Apa nama pelanggan”). Anda tidak perlu mengetahui struktur data dalam dokumen (tabel, formulir, bidang tersirat, data bersarang) atau khawatir tentang variasi di seluruh versi dan format dokumen. Amazon Textract Queries telah dilatih sebelumnya pada berbagai macam dokumen termasuk paystub, laporan bank, W-2, formulir aplikasi pinjaman, catatan hipotek, dokumen klaim, dan kartu asuransi.

Dengan Amazon Textract, Anda dapat dengan cepat mengotomatiskan pemrosesan dokumen dan menindaklanjuti informasi yang diekstraksi, baik Anda mengotomatiskan pemrosesan pinjaman atau mengekstraksi informasi dari faktur dan tanda terima. Amazon Textract dapat mengekstrak data dalam hitungan menit, bukan jam atau hari. Selain itu, Anda dapat menambahkan ulasan manusia dengan Amazon Augmented AI untuk memberikan pengawasan terhadap model Anda dan memeriksa data sensitif.

Amazon Transcribe

Amazon Transcribe adalah layanan pengenalan suara otomatis (ASR) yang memudahkan pelanggan untuk mengonversi ucapan menjadi teks secara otomatis. Layanan ini dapat menyalin file audio yang disimpan dalam format umum, seperti WAV danMP3, dengan stempel waktu untuk setiap kata sehingga Anda dapat dengan mudah menemukan audio di sumber aslinya dengan mencari teks. Anda juga dapat mengirim streaming audio langsung ke Amazon Transcribe dan menerima aliran transkrip secara real time. Amazon Transcribe dirancang untuk menangani berbagai karakteristik bicara dan akustik, termasuk variasi volume, nada, dan kecepatan berbicara. Kualitas dan konten sinyal audio (termasuk namun tidak terbatas pada faktor-faktor seperti kebisingan latar belakang, speaker yang tumpang tindih, ucapan beraksen, atau beralih antar bahasa dalam satu file audio) dapat mempengaruhi keakuratan output layanan. Pelanggan dapat memilih untuk menggunakan Amazon Transcribe untuk berbagai aplikasi bisnis, termasuk transkripsi panggilan layanan pelanggan berbasis suara, pembuatan subtitle pada konten audio/video, dan melakukan analisis konten (berbasis teks) pada konten audio/video.

Dua layanan yang sangat penting yang berasal dari Amazon Transcribe termasuk Amazon Transcribe Medical dan Amazon Transcribe Call Analytics.

Amazon Transcribe Medical menggunakan model ML canggih untuk secara akurat mentranskripsikan ucapan medis ke dalam teks. Amazon Transcribe Medical dapat menghasilkan transkrip teks yang dapat digunakan untuk mendukung berbagai kasus penggunaan, mencakup alur kerja dokumentasi klinis dan pemantauan keamanan obat (pharmacovigilance) hingga subtitle untuk telemedicine dan bahkan analisis pusat kontak dalam domain perawatan kesehatan dan ilmu kehidupan.

Amazon Transcribe Call Analytics adalah perangkat AI API yang menyediakan transkrip panggilan kaya dan wawasan percakapan yang dapat ditindaklanjuti yang dapat Anda tambahkan ke aplikasi panggilan mereka untuk meningkatkan pengalaman pelanggan dan produktivitas agen. Ini menggabungkan model pemrosesan bahasa alami yang kuat speech-to-text dan kustom (NLP) yang dilatih secara khusus untuk memahami layanan pelanggan dan panggilan penjualan keluar. Sebagai bagian dari solusi AWS Contact Center Intelligence (CCI), ini API adalah pusat kontak agnostik dan memudahkan pelanggan dan ISVs menambahkan kemampuan analitik panggilan ke dalam aplikasi mereka.

Cara termudah untuk memulai Amazon Transcribe adalah dengan mengirimkan pekerjaan menggunakan konsol untuk mentranskripsikan file audio. Anda juga dapat menghubungi layanan langsung dari AWS Command Line Interface, atau gunakan salah satu yang didukung SDKs pilihan Anda untuk berintegrasi dengan aplikasi Anda.

Amazon Translate

Amazon Translate adalah layanan terjemahan mesin neural yang memberikan terjemahan bahasa yang cepat, berkualitas tinggi, dan terjangkau. Terjemahan mesin saraf adalah bentuk otomatisasi terjemahan bahasa yang menggunakan model pembelajaran mendalam untuk memberikan terjemahan yang terdengar lebih akurat dan lebih alami daripada algoritma terjemahan berbasis statistik dan aturan tradisional. Amazon Translate memungkinkan Anda melokalisasi konten seperti situs web dan aplikasi untuk beragam pengguna, menerjemahkan teks dalam jumlah besar dengan mudah untuk dianalisis, dan memungkinkan komunikasi lintas bahasa antar pengguna secara efisien.

AWS DeepComposer

AWS DeepComposeradalah keyboard musik pertama di dunia yang didukung oleh ML untuk memungkinkan pengembang dari semua tingkat keahlian untuk mempelajari Generative AI sambil membuat output musik orisinal. DeepComposer terdiri dari USB keyboard yang terhubung ke komputer pengembang, dan DeepComposer layanan, diakses melalui AWS Management Console. DeepComposer mencakup tutorial, kode sampel, dan data pelatihan yang dapat digunakan untuk mulai membangun model generatif.

AWS DeepRacer

AWS DeepRaceradalah mobil balap skala ^1/18 yang memberi Anda cara yang menarik dan menyenangkan untuk memulai pembelajaran penguatan (RL). RL adalah teknik ML canggih yang mengambil pendekatan yang sangat berbeda untuk model pelatihan dibandingkan metode ML lainnya. Kekuatan supernya adalah mempelajari perilaku yang sangat kompleks tanpa memerlukan data pelatihan berlabel, dan dapat membuat keputusan jangka pendek sambil mengoptimalkan untuk tujuan jangka panjang.

Dengan AWS DeepRacer, Anda sekarang memiliki cara untuk langsung menggunakan RL, bereksperimen, dan belajar melalui mengemudi otonom. Anda dapat memulai dengan mobil virtual dan trek di simulator balap 3D berbasis cloud, dan untuk pengalaman dunia nyata, Anda dapat menerapkan model terlatih Anda ke AWS DeepRacer dan balapan teman Anda, atau ambil bagian dalam global AWS DeepRacer Liga. Pengembang, balapan sedang berlangsung.

AWS HealthLake

AWS HealthLakeadalah layanan HIPAA yang memenuhi syarat yang dapat digunakan oleh penyedia layanan kesehatan, perusahaan asuransi kesehatan, dan perusahaan farmasi untuk menyimpan, mengubah, menanyakan, dan menganalisis data kesehatan skala besar.

Data Kesehatan seringkali tidak lengkap dan tidak konsisten. Ini juga sering tidak terstruktur, dengan informasi yang terkandung dalam catatan klinis, laporan laboratorium, klaim asuransi, gambar medis, percakapan yang direkam, dan data deret waktu (misalnya, EEG jejak jantung ECG atau otak).

Penyedia layanan kesehatan dapat menggunakan HealthLake untuk menyimpan, mengubah, menanyakan, dan menganalisis data di AWS Cloud. Dengan menggunakan kemampuan pemrosesan bahasa alami medis HealthLake terintegrasi (NLP), Anda dapat menganalisis teks klinis yang tidak terstruktur dari berbagai sumber. HealthLake mengubah data tidak terstruktur menggunakan model pemrosesan bahasa alami, dan menyediakan kemampuan kueri dan pencarian yang kuat. Anda dapat menggunakannya HealthLake untuk mengatur, mengindeks, dan menyusun informasi pasien dengan cara yang aman, patuh, dan dapat diaudit.

AWS HealthScribe

AWS HealthScribeadalah layanan HIPAA yang memenuhi syarat yang memungkinkan vendor perangkat lunak perawatan kesehatan untuk secara otomatis menghasilkan catatan klinis dengan menganalisis percakapan pasien-dokter. AWS HealthScribe menggabungkan pengenalan suara dengan AI generatif untuk mengurangi beban dokumentasi klinis dengan menyalin percakapan dan dengan cepat menghasilkan catatan klinis. Percakapan tersegmentasi untuk mengidentifikasi peran pembicara untuk pasien dan dokter, mengekstrak istilah medis, dan menghasilkan catatan klinis awal. Untuk melindungi data pasien yang sensitif, keamanan dan privasi terpasang untuk memastikan bahwa audio input dan teks keluaran tidak disimpan di AWS HealthScribe.

AWS Panorama

AWS Panoramaadalah kumpulan perangkat ML dan kit pengembangan perangkat lunak (SDK) yang membawa visi komputer (CV) ke kamera protokol internet (IP) lokal. Dengan AWS Panorama, Anda dapat mengotomatiskan tugas yang secara tradisional memerlukan inspeksi manusia untuk meningkatkan visibilitas ke masalah potensial.

Visi komputer dapat mengotomatiskan inspeksi visual untuk tugas-tugas seperti melacak aset untuk mengoptimalkan operasi rantai pasokan, memantau jalur lalu lintas untuk mengoptimalkan manajemen lalu lintas, atau mendeteksi anomali untuk mengevaluasi kualitas manufaktur. Namun, di lingkungan dengan bandwidth jaringan terbatas, atau untuk perusahaan dengan aturan tata kelola data yang memerlukan pemrosesan dan penyimpanan video di tempat, visi komputer di cloud bisa sulit atau tidak mungkin diterapkan. AWS Panorama adalah layanan ML yang memungkinkan organisasi membawa visi komputer ke kamera lokal untuk membuat prediksi secara lokal dengan akurasi tinggi dan latensi rendah.

Bagian AWS Panorama Appliance adalah perangkat keras yang menambahkan visi komputer ke kamera IP Anda yang ada dan menganalisis umpan video dari beberapa kamera dari satu antarmuka manajemen. Ini menghasilkan prediksi di tepi dalam milidetik, yang berarti Anda dapat diberitahu tentang masalah potensial seperti ketika produk yang rusak terdeteksi pada jalur produksi yang bergerak cepat, atau ketika kendaraan telah menyimpang ke zona terlarang yang berbahaya di gudang. Dan, produsen pihak ketiga sedang membangun yang baru AWS Panorama-mengaktifkan kamera dan perangkat untuk menyediakan lebih banyak faktor bentuk untuk kasus penggunaan unik Anda. Dengan AWS Panorama Anda dapat menggunakan model ML dari AWS untuk membangun aplikasi visi komputer Anda sendiri, atau bekerja dengan mitra dari AWS Partner Network untuk membangun aplikasi CV dengan cepat.

Kembali keAWS layanan.

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

IoT

Manajemen dan tata kelola