Amazon Lookout for Equipment 會分析設備上感應器的資料 （例如產生器中的壓力、壓縮器的流量、每分鐘風扇轉數），以根據您的資料自動訓練設備 ML 模型，而不需要 ML 專業知識。Lookout for Equipment 使用您唯一的 ML 模型即時分析傳入的感應器資料，並準確識別可能導致機器故障的早期警告訊號。這表示您可以快速且精確地偵測設備異常、快速診斷問題、採取動作來減少昂貴的停機時間，以及減少錯誤警示。
Amazon Lookout for Metrics
Amazon Lookout for Metrics 使用 ML 自動偵測和診斷業務和營運資料中的異常 （異常值），例如銷售收入或客戶取得率突然下降。只需按幾下，您就可以將 Amazon Lookout for Metrics 連接到熱門的資料存放區，例如 Amazon S3、Amazon Redshift 和 Amazon Relational Database Service (Amazon RDS)，以及第三方軟體即服務 (SaaS) 應用程式，例如 Salesforce、Servicenow、Zendesk 和 Marketo，並開始監控對您業務重要的指標。Amazon Lookout for Metrics 會自動檢查並準備來自這些來源的資料，以比用於異常偵測的傳統方法更快速且更準確地偵測異常。您也可以提供有關偵測到異常的意見回饋，以調校結果並隨著時間改善準確性。Amazon Lookout for Metrics 可將與相同事件相關的異常分組，並傳送包含潛在根本原因摘要的提醒，讓您輕鬆診斷偵測到的異常。它也會依嚴重性排序異常，讓您可以優先考慮對業務最重要的事項。
Amazon Lookout for Vision
Amazon Lookout for Vision 是一項 ML 服務，使用電腦視覺 (CV) 在視覺呈現中找出瑕疵和異常。使用 Amazon Lookout for Vision，製造公司可以透過快速識別大規模物件影像的差異，來提高品質並降低營運成本。例如，Amazon Lookout for Vision 可用於識別產品中缺少的元件、車輛或結構損壞、生產線不規則、矽晶片中的微型瑕疵，以及其他類似問題。Amazon Lookout for Vision 使用 ML 以個人身分查看和了解任何攝影機的影像，但準確度更高，規模更大。Amazon Lookout for Vision 可讓客戶消除對昂貴和不一致的手動檢查的需求，同時改善品質控制、瑕疵和損壞評估以及合規。在幾分鐘內，您可以開始使用 Amazon Lookout for Vision 來自動檢查影像和物件，而不需要 ML 專業知識。
Amazon Monitron
Amazon Monitron 是一種 end-to-end使用 ML 偵測工業機器中異常行為的系統，可讓您實作預測性維護並減少意外停機時間。
ML 透過提供個人化產品和內容建議、量身訂做的搜尋結果和目標行銷促銷，越來越多地用於改善客戶參與度。不過，由於開發 ML 功能的複雜性，因此開發產生這些複雜建議系統所需的 ML 功能，已超過現今大多數組織所能觸及的範圍。Amazon Personalize 可讓沒有 ML 先前經驗的開發人員輕鬆在其應用程式中建置複雜的個人化功能，使用從 Amazon.com 上多年的使用中完美的 ML 技術。
Amazon Q Business 可以根據企業系統中的資料和資訊回答問題、提供摘要、產生內容，以及安全地完成任務。它可讓員工更具創意、以資料為導向、更有效率、做好準備且更具生產力。
Amazon Rekognition
Amazon Rekognition 可讓您使用經過驗證、高度可擴展的深度學習技術，輕鬆地將映像和影片分析新增至應用程式，無需 ML 專業知識。透過 Amazon Rekognition，您可以識別影像和影片中的物件、人物、文字、場景和活動，以及偵測任何不適當的內容。Amazon Rekognition 也提供高度準確的臉部分析和臉部搜尋功能，可用於偵測、分析和比較各種使用者驗證、人員計數和公共安全使用案例的臉部。
使用 Amazon Rekognition 自訂標籤，您可以識別影像中的物件和場景，以滿足您的業務需求。例如，您可以建置模型來分類組裝線上的特定機器零件，或偵測運作狀態不佳的工廠。Amazon Rekognition 自訂標籤會為您處理模型開發的繁重工作，因此不需要 ML 體驗。您只需要提供要識別的物件或場景的影像，而服務會處理其餘項目。
Amazon SageMaker AI
使用 Amazon SageMaker AI，您可以為任何使用案例建置、訓練和部署 ML 模型，並搭配全受管的基礎設施、工具和工作流程。 SageMaker AI 會從 ML 程序的每個步驟移除繁重負載，以更輕鬆地開發高品質模型。 SageMaker AI 提供用於 ML 的所有元件，因此模型可以用更少的精力和更低的成本更快地進入生產環境。
Amazon SageMaker AI Autopilot
Amazon SageMaker AI Autopilot 會根據您的資料自動建置、訓練和調校最佳的 ML 模型，同時讓您維持完整的控制和可見性。使用 SageMaker AI Autopilot，您只需提供表格式資料集，然後選擇要預測的目標欄，可以是數字 （例如房屋價格，稱為迴歸） 或類別 （例如垃圾郵件，而非垃圾郵件，稱為分類）。 SageMaker AI Autopilot 會自動探索不同的解決方案，以尋找最佳模型。然後，您只需按一下，即可將模型直接部署到生產環境，或使用 Amazon SageMaker AI Studio 反覆執行建議的解決方案，進一步改善模型品質。
Amazon SageMaker AI Canvas
Amazon SageMaker AI Canvas 為業務分析師提供視覺化 point-and-click界面，讓他們能夠自行產生準確的 ML 預測，而不需要任何 ML 體驗或編寫單行程式碼，即可擴展對 ML 的存取。
Amazon SageMaker AI Clarify
Amazon SageMaker AI Clarify 可讓機器學習開發人員更清楚自己的訓練資料和模型，以便識別和限制偏差並解釋預測。Amazon SageMaker AI Clarify 透過檢查您指定的屬性，在資料準備期間、模型訓練後和部署模型中偵測潛在的偏差。 SageMaker AI Clarify 也包含特徵重要性圖表，可協助您解釋模型預測，並產生報告，用於支援內部簡報或識別模型的問題，您可以採取步驟來修正。
Amazon SageMaker AI 資料標籤
Amazon SageMaker AI 提供資料標籤服務，以識別原始資料，例如影像、文字檔案和影片，並新增資訊性標籤，為您的 ML 模型建立高品質的訓練資料集。
Amazon SageMaker AI Data Wrangler
Amazon SageMaker AI Data Wrangler 會將彙總和準備 ML 資料所需的時間從數週縮短為幾分鐘。透過 SageMaker AI Data Wrangler，您可以簡化資料準備和特徵工程的程序，並完成資料準備工作流程的每個步驟，包括從單一視覺化界面選擇、清除、探索和視覺化。
Amazon SageMaker AI Edge
Amazon SageMaker AI Edge 透過最佳化、 保護、 並將模型部署到邊緣 然後在您的裝置機群上監控這些模型， 例如智慧攝影機、 機器人、 和其他智慧電子 以降低持續的營運成本。 SageMaker AI Edge Compiler 會將訓練模型最佳化，以便在邊緣裝置上執行。 SageMaker AI Edge 包含 over-the-air(OTA) 部署機制，可協助您在機群上部署模型，不受應用程式或裝置韌體影響。 SageMaker AI Edge Agent 可讓您在相同裝置上執行多個模型。代理程式會根據您控制的邏輯收集預測資料，例如間隔，並將其上傳至雲端，以便您可以隨著時間定期重新訓練模型。
Amazon SageMaker AI 功能商店
Amazon SageMaker AI Feature Store 是專門建置的儲存庫，您可以在其中存放和存取功能，以便更輕鬆地命名、 整理、 並跨團隊重複使用這些功能。 SageMaker AI Feature Store 在訓練和即時推論期間為功能提供統一的存放區，而不需要撰寫額外的程式碼或建立手動程序來保持一致功能。 SageMaker AI Feature Store 會追蹤已儲存功能的中繼資料 （例如功能名稱或版本編號），以便您可以批次或使用 Amazon Athena 即時查詢功能，以尋找正確的屬性。 互動式查詢服務。 SageMaker AI Feature Store 也會更新功能， 因為在推論期間產生新資料時， 單一儲存庫會更新，因此新功能一律可供模型在訓練和推論期間使用。
Amazon SageMaker AI 地理空間功能
Amazon SageMaker AI 地理空間功能可讓資料科學家和機器學習 (ML) 工程師更輕鬆地使用地理空間資料更快速地建置、訓練和部署 ML 模型。您可以存取資料 （開放原始碼和第三方）、處理和視覺化工具，讓準備 ML 的地理空間資料更有效率。您可以使用專門建置的演算法和預先訓練的機器學習 (ML) 模型來加速模型建立和訓練，並使用內建的視覺化工具在互動式地圖上探索預測輸出，然後跨團隊協作獲得深入分析和結果來提高生產力。
SageMaker AI HyperPod 也有助於確保您可以定期儲存檢查點，繼續不間斷地訓練。發生硬體故障時，自我修復叢集會自動偵測故障、修復或取代故障的執行個體，並從上次儲存的檢查點繼續訓練，讓您不再需要手動管理此程序，並協助您在分散式環境中訓練數週或數月，而不會中斷。您可以自訂您的運算環境，使其最符合您的需求，並使用 Amazon SageMaker AI 分散式訓練程式庫進行設定，以獲得最佳效能 AWS。
Amazon SageMaker AI JumpStart
Amazon SageMaker AI JumpStart 可協助您快速輕鬆地開始使用 ML。為了讓您更輕鬆地開始使用， SageMaker AI JumpStart 為最常見的使用案例提供了一組解決方案，只需按幾下滑鼠即可輕鬆部署。這些解決方案可完全自訂，並展示 AWS CloudFormation 範本和參考架構的使用，讓您可以加速 ML 旅程。Amazon SageMaker AI JumpStart 也支援一鍵式部署和微調超過 150 種熱門的開放原始碼模型，例如自然語言處理、物件偵測和影像分類模型。
Amazon SageMaker AI 模型建置
Amazon SageMaker AI 提供建置 ML 模型所需的所有工具和程式庫、反覆嘗試不同演算法的程序，以及評估其準確性，以尋找最適合您使用案例的演算法。在 Amazon SageMaker AI 中，您可以挑選不同的演算法，包括超過 15 個內建且針對 SageMaker AI 最佳化的演算法，以及使用來自熱門模型區域的 750 個預先建置模型。 SageMaker AI 也提供多種模型建置工具，包括以 Code-OSS （虛擬 Studio Code Open Source) 為基礎的 Amazon SageMaker AI Studio JupyterLabNotebooks、RStudio、 和 Code Editor，您可以在其中以小規模執行 ML 模型，以查看其效能的結果和檢視報告，因此您可以獲得高品質的工作原型。
Amazon SageMaker AI 模型訓練
Amazon SageMaker AI 可減少訓練和調整大規模 ML 模型所需的時間和成本，而不需要管理基礎設施。您可以利用目前可用的最高效能 ML 運算基礎設施，而 SageMaker AI 可以自動擴展或縮減基礎設施，從 1 到數千個 GPUs。由於您只需支付使用的費用，因此您可以更有效地管理訓練成本。若要更快速地訓練深度學習模型，您可以使用 Amazon SageMaker AI 分散式訓練程式庫來提升效能，或使用第三方程式庫 DeepSpeed，例如 Horovod 或 Megatron。
Amazon SageMaker AI 模型部署
Amazon SageMaker AI 可讓您輕鬆地部署 ML 模型，以最佳價格效能針對任何使用案例進行預測 （也稱為推論）。它提供廣泛的 ML 基礎設施和模型部署選項，以協助滿足您的所有 ML 推論需求。它是一種全受管服務，並與 MLOps工具整合，因此您可以擴展模型部署、降低推論成本、更有效地管理生產中的模型，以及減輕營運負擔。
Amazon SageMaker AI 管道
Amazon SageMaker AI Pipelines 是 ML 的第一個專門建置的 easy-to-use持續整合和持續交付 (CI/CD) 服務。透過 SageMaker AI 管道，您可以大規模建立、自動化和管理 end-to-end ML 工作流程。
Amazon SageMaker AI Studio Lab
Amazon SageMaker AI Studio Lab 是免費的 ML 開發環境，提供運算、儲存 （最高 15GB) 和安全性，而且任何人都可以免費學習和實驗 ML。您只需要一個有效的電子郵件地址，就不需要設定基礎設施、管理身分和存取，甚至註冊 AWS 帳戶。 SageMaker AI Studio Lab 透過 GitHub 整合加速模型建置，並預先設定了最熱門的 ML 工具、架構和程式庫，讓您立即開始使用。 SageMaker AI Studio Lab 會自動儲存您的工作，因此您不需要在工作階段之間重新啟動。這就像關閉您的筆記型電腦並稍後再回來一樣簡單。
MXNet 上的 Apache AWS
Apache MXNet 是一種快速且可擴展的訓練和推論架構 easy-to-use，具有 API的簡潔 ML。 MXNet包含 Gluon 介面，可讓所有技能水準的開發人員在雲端、邊緣裝置和行動應用程式上開始使用深度學習。在幾行 Gluon 程式碼中，您可以建置線性迴歸、卷積網路和遞迴，LSTMs以進行物件偵測、語音辨識、建議和個人化。您可以透過使用 Amazon SageMaker AI MxNet AWS 的全受管體驗開始使用 ，Amazon AI 是大規模建置、訓練和部署 ML 模型的平台。或者，您可以使用 來AWS 深度學習 AMIs建置自訂環境和工作流程 MxNet ，以及包含 TensorFlow、Chainer PyTorch、Keras、Caffe、Caffe2 和 Microsoft Cognitive Toolkit 等其他架構。
Amazon SageMaker AI 地理空間功能可讓資料科學家和 ML 工程師使用地理空間資料更快速且大規模地建置、訓練和部署 ML 模型。您可以存取隨時可用的地理空間資料來源、使用專用操作有效率地轉換或豐富大規模地理空間資料集，以及選取預先訓練的 ML 模型來加速模型建置。您也可以使用內建視覺化工具的 3D 加速圖形，在互動式地圖上分析地理空間資料並探索模型預測。 SageMaker Runtime 地理空間功能可用於各種使用案例，例如最大化收成量和食物安全、評估風險和保險宣告、支援永續城市開發，以及預測零售據點使用率。
上的擁抱人臉 AWS
使用 Amazon SageMaker AI 上的 Hugging Face，您可以從 Hugging Face 部署和微調預先訓練的模型，Hugging Face 是自然語言處理 (NLP) 模型的開放原始碼供應商，稱為轉換器，可將設定和使用這些NLP模型所需的時間從數週縮短為幾分鐘。 NLP是指協助電腦了解人類語言的 ML 演算法。它們有助於翻譯、智慧型搜尋、文字分析等。不過，NLP模型可能很大且複雜 （有時由數億個模型參數組成），而且訓練和最佳化這些模型需要時間、資源和技能。 與 Hugging Face AWS合作建立 Hugging Face AWS Deep Learning Containers (DLCs)，為資料科學家和 ML 開發人員提供在 Amazon SageMaker AI 上建置、訓練和部署 state-of-the-artNLP模型的完整受管體驗。
Amazon Transcribe Medical 使用進階 ML 模型，將醫學語音準確轉錄為文字。Amazon Transcribe Medical 可以產生文字文字記錄，用於支援各種使用案例，範圍涵蓋臨床文件工作流程和藥物安全監控 （藥物安全監視），以替代醫療保健和生命科學領域中的遠端醫療，甚至是聯絡中心分析。
Amazon Transcribe Call Analytics 是一種採用 AI 的 API AI，可提供豐富的通話文字記錄和可行的對話洞見，您可以將其新增至其通話應用程式，以提高客戶體驗和客服人員生產力。它結合了功能強大 speech-to-text且自訂的自然語言處理 (NLP) 模型，這些模型經過專門訓練，可了解客戶服務和對外銷售通話。作為AWS聯絡中心智慧 (CCI) 解決方案的一部分，API這是聯絡中心無關的，可讓客戶輕鬆ISVs將通話分析功能新增至其應用程式。
開始使用 Amazon Transcribe 的最簡單方法是使用主控台提交任務來轉錄音訊檔案。您也可以直接從 呼叫 服務 AWS Command Line Interface，或使用SDKs您選擇的其中一個支援來與您的應用程式整合。
Machine Learning (ML) 和人工智慧 (AI)
