本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
Machine Learning（ML）和人工智能（AI）
AWS 透過最全面的套裝機器學習服務和專門建置的基礎架構，協助您在 ML 採用過程的每個階段。我們的預先訓練 AI 服務可為您的應用程式和工作流程提供現成的智慧。
每個服務在圖表之後進行描述。若要協助您決定哪種服務最符合您的需求，請參閱選擇服務 AWS 機器學習服務，選擇生成 AI 服務以及 Amazon 基岩還是 Amazon？ SageMaker 。如需一般資訊，請參閱下一波 AI 創新的建置和擴展 AWS.
返回AWS 服務。
Amazon 增強版 AI
Amazon Augmented AI (Amazon A2I) 是一種 ML 服務，可讓您輕鬆建立人工審核所需的工作流程。Amazon A2I 將人工審查帶給所有開發人員，消除了與建立人工審核系統或管理大量人工審核者相關的無差別繁重工作，無論是否在執行 AWS 或不。
Amazon Bedrock
Amazon 基岩是一項全受管服務，可透過. FMs API 透過 Amazon Bedrock 無伺服器體驗，您可以快速開始使用、試驗和使用FMs自己的資料進行私人自訂，並無縫整合和部署到您的 FMs AWS 應用程式。
您可以從各種基礎模型中進行選擇，包括 Amazon 泰坦，人為的克勞德 2，來自 Cohere 的命令和嵌入，AI21工作室的 Jurassic-2 以及穩定性 AI 的穩定擴散。
Amazon CodeGuru
Amazon CodeGuru 是開發人員工具，可提供智慧型建議，以改善程式碼品質並識別應用程式最昂貴的程式碼行。整合 CodeGuru 至您現有的軟體開發工作流程，以便在應用程式開發期間自動執行程式碼檢閱，並持續監控應用程式在生產環境中的效能，並提供如何改善程式碼品質、應用程式效能以及降低整體成本的建議和
Amazon CodeGuru Reviewer 使用機器學習和自動推理來識別應用程式開發期間的關鍵問題、安全漏洞和 hard-to-find 錯誤，並提供改善程式碼品質的建議。
Amazon CodeGuru Profiler 可協助開發人員瞭解應用程式的執行階段行為、識別和移除效率低下的程式碼、改善效能並大幅降低運算成本，協助開發人員找到應用程式中最昂貴的程式碼行。
Amazon Comprehend
Amazon Comprehend 使用機器學習和自然語言處理 (NLP) 來協助您發掘非結構化資料中的深入解析和關係。此服務可識別文字的語言；擷取關鍵片語、地點、人物、品牌或事件；瞭解文字的正面或負面程度；使用標記化和語音部分分析文字；以及依主題自動組織文字檔案集合。您也可以使用 Amazon Comprehend 中的 AutoML 功能來建立一組自訂的實體或文字分類模型，這些模型是根據您組織的需求量身打造的。
若要從非結構化文字擷取複雜的醫療資訊，您可以使用 Amazon Comprehend M edical。該服務可以從各種來源（例如醫生筆記，臨床試驗報告和患者健康記錄）中識別醫療信息，例如醫療狀況，藥物，劑量，優勢和頻率。Amazon Comprehend Medical 療還可識別提取的藥物以及測試、治療和程序資訊之間的關係，以便於分析。例如，該服務從非結構化臨床註釋中識別與特定藥物相關的特定劑量，強度和頻率。
Amazon DevOps 大師
Amazon DevOps Guru 是由 ML 提供支援的服務，可輕鬆改善應用程式的操作效能和可用性。Amazon DevOps Guru 可偵測偏離正常操作模式的行為，以便您在操作問題影響客戶之前就能識別出操作問題。
Amazon DevOps 大師使用 ML 模型通知多年亞馬遜網站和 AWS 卓越的營運能力，以識別異常的應用程式行為 (例如延遲增加、錯誤率、資源限制等)，並顯示可能導致潛在中斷或服務中斷的重大問題。當 Amazon DevOps Guru 識別出重大問題時，它會自動傳送警示，並提供相關異常、可能的根本原因，以及問題發生時間和地點的背景資訊摘要。如果可能的話，Amazon DevOps Guru 也會提供有關如何解決問題的建議。
Amazon DevOps 大師自動從您的操作數據導入 AWS 應用程式並提供單一儀表板，可視化操作資料中的問題。您可以通過啟用 Amazon DevOps 大師在您的所有資源開始 AWS 帳戶，您的資源 AWS CloudFormation 堆棧或資源分組在一起 AWS 標籤，無需手動設置或 ML 專業知識。
Amazon Forecast
Amazon Forec ast 是一項全受管服務，使用機器學習提供高度準確的預測。
如今，公司使用從簡單的試算表到複雜的財務規劃軟體的所有內容，試圖準確預測 future 的業務成果，例如產品需求、資源需求或財務績效。這些工具透過查看一系列歷史資料 (稱為時間序列資料) 來建立預測。例如，這些工具可能會嘗試通過查看其先前的銷售數據來預測雨衣的 future 銷售情況，並且基本假設 future 是由過去決定的。這種方法可能很難為具有不規則趨勢的大量數據產生準確的預測。此外，它無法輕鬆地將隨時間變化的數據系列（例如價格，折扣，網絡流量和員工人數）與相關的獨立變量（例如產品功能和商店位置）結合起來。
根據 Amazon.com 使用的相同技術，Amazon Forecast 使用 ML 將時間序列資料與其他變數結合起來，以建立預測。Amazon Forecast 不需要 ML 經驗即可開始使用。您只需要提供歷史資料，再加上任何您認為可能會影響預測的其他資料。例如，對襯衫特定顏色的需求可能會隨季節和商店位置而改變。這種複雜的關係很難自行確定，但 ML 非常適合識別它。一旦您提供資料，Amazon Forecast Production 就會自動檢查資料、識別有意義的內容，並產生預測模型，這種預測模型比單獨查看時間序列資料的準確度高出 50%。
Amazon Forecast 是全受管服務，因此無需佈建伺服器，也不需要建置、訓練或部署機器學習模型。您只需按使用量付費，也沒有最低費用，也沒有前期承諾。
Amazon Fraud Detector
Amazon Fraud Detector 是一項全受管服務，使用機器學習和 Amazon 超過 20 年的詐騙偵測專業知識，來識別潛在的詐騙活動，以便客戶更快地發現更多線上詐騙。Amazon Fraud Detector 可將耗時且昂貴的步驟自動建置、訓練和部署機器學習模型以進行詐騙偵測，讓客戶更輕鬆地利用這項技術。Amazon Fraud Detector 會針對客戶自己的資料集自訂其建立的每個模型，讓模型的準確度高於目前的單一尺寸，適合所有機器學習解決方案。而且，由於您只需為使用量付費，因此可以避免大量的前期開支。
Amazon Comprehend Medical
在過去的十年中，目睹AWS了健康的數字化轉型，組織每天都會捕獲大量患者信息。但是這些數據通常是非結構化的，提取這些信息的過程是勞動密集型且容易出錯的。Amazon Comprehend Medical 是符合資HIPAA格的自然語言處理 (NLP) 服務，使用經過預先訓練的機器學習來了解和擷取醫療文字中的健康資料，例如處方、程序或診斷。Amazon Comprehend Medical 可透過 ICD -10-CM 和 CT 等醫療本體，協助您準確快速地從非結構化醫療文字擷取資訊，進而加速保險理賠處理 RxNorm、改善人口健康狀況並加速藥物警SNOMED戒。
Amazon Kendra
Amazon Kendra 是由 ML 提供支持的智能搜索服務。Amazon Kendra 針對您的網站和應用程式重新構想企業搜尋，讓您的員工和客戶可以輕鬆找到所需的內容，即使內容分散在組織內的多個位置和內容儲存庫也是如此。
使用 Amazon Kendra，您可以停止搜尋大量非結構化資料，並在需要時探索問題的正確答案。Amazon Kendra 是全受管服務，因此無需佈建伺服器，也不需要建置、訓練或部署機器學習模型。
Amazon Lex
Amazon Lex 是全受管的人工智慧 (AI) 服務，可使用語音和文字設計、建置、測試交談界面並將其部署到任何應用程式中。Lex 提供自動語音辨識 (ASR) 的進階深度學習功能，可將語音轉換為文字，並提供自然語言理解 (NLU) 以辨識文字意圖，讓您能夠建置具有高度吸引力的使用者體驗和逼真的對話互動的應用程式，並建立新的產品類別。透過 Amazon Lex，任何開發人員現在都可以使用支援 Amazon Alexa 的相同深度學習技術，讓您能夠快速輕鬆地建置複雜的自然語言、交談機器人 (「聊天機器人」) 和具備語音功能的互動式語音回應 (IVR) 系統。
Amazon Lex 可讓開發人員快速建置交談式聊天機器人。有了 Amazon Lex，就不需要深度學習專業知識 — 若要建立機器人，只要在 Amazon Lex 主控台中指定基本的對話流程即可。Amazon Lex 會管理對話並動態調整交談中的回應。利用主控台，您可以建置、測試和發佈您的文字或語音聊天機器人。而後，您可將對話式介面加入到行動裝置、Web 應用程式和聊天平台 (例如 Facebook Messenger) 上的機器人。使用 Amazon Lex 無需預付費用或最低費用，只需為發出的文字或語音請求付費。定 pay-as-you-go價和每個請求的低成本使服務成為構建對話界面的具有成本效益的方式。使用 Amazon Lex 免費方案，您可以輕鬆試用 Amazon Lex，無需任何初始投資。
Amazon Lookout for Equipment
Amazon Lookout for Devices 會分析設備上感測器的資料 (例如產生器中的壓力、壓縮機的流量、風扇每分鐘轉數)，以便僅根據您的設備資料自動訓練機器學習模型，完全不需要機器學習專業知識。Lookout for Devices 使用您獨特的機器學習模型，即時分析傳入的感測器資料，並準確識別可能導致機器故障的預警標誌。這表示您可以快速且精準地偵測設備異常情況、快速診斷問題、採取行動以減少昂貴的停機時間，並減少錯誤警示。
Amazon Lookout for Metrics
Amazon Lookout for Metrics 使用 ML 來自動偵測和診斷業務和營運資料中的異常情況 (來自常態的異常值)，例如銷售收入突然下降或客戶獲取率。只要按幾下滑鼠，您就可以將 Amazon Lookout for Metrics 連線到熱門的資料存放區，例如 Amazon S3、Amazon Redshift 和 Amazon Relational Database Service 服務 (亞馬遜RDS)，以及第三方軟體即服務 (SaaS) 應用程式 (例如 Salesforce、Servicenow、Zendesk 和 Marketo)，然後開始監控對您的業務很重要的指標。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的速度和準確性偵測異常。您也可以針對偵測到的異常提供意見反應，以調整結果並隨時間改善準確度。Amazon Lookout for Metrics 可讓您輕鬆診斷偵測到的異常，方法是將與相同事件相關的異常分組在一起，並傳送包含潛在根本原因摘要的警示。它還會按嚴重性對異常進行排名，以便您可以優先考慮注意對業務最重要的事情。
Amazon Lookout for Vision
Amazon Lookout for Vision 是一種 ML 服務，可使用電腦視覺 (CV) 在視覺表示中發現缺陷和異常。使用 Amazon Lookout for Vision，製造公司可以快速識別大規模物件影像的差異，從而提高品質並降低營運成本。例如，Amazon Lookout for Vision 可用於識別產品中遺失的元件、車輛或結構損壞、生產線中的不規則性、矽晶圓中的微小瑕疵以及其他類似問題。Amazon Lookout for Vision 使用機器學習來查看和理解任何相機中的圖像，就像一個人一樣，但具有更高的準確度和更大的規模。Amazon Lookout for Vision 可讓客戶免除昂貴且不一致的手動檢測的需求，同時改善品質控制、瑕疵和損壞評估以及合規性。只要幾分鐘，您就可以開始使用 Amazon Lookout for Vision 行影像和物件的自動化檢查，完全不需要機器學習專業知識。
Amazon Monitron
Amazon Monitron 是一種使用 ML 偵測工業機械中異常行為的 end-to-end 系統，可讓您實作預測性維護並減少意外停機時間。
為資料連線、儲存、分析和警示安裝感測器和必要的基礎架構是實現預測性維護的基礎要素。但是，為了使其發揮作用，公司歷史上需要熟練的技術人員和數據科學家從頭開始拼湊出複雜的解決方案。這包括為其使用案例識別和採購正確類型的感測器，並將它們與 IoT 閘道（聚合和傳輸資料的裝置）連接在一起。因此，很少有公司能夠成功實施預測性維護。
Amazon Monitron 包含可從設備擷取振動和溫度資料的感應器，以及用於將資料安全地傳輸到的閘道裝置 AWS、可使用 ML 分析資料是否有異常機器模式的 Amazon Monitron 服務，以及搭配行動應用程式來設定裝置並接收有關操作行為的報告，以及機器中潛在故障的警示。您可以在幾分鐘內開始監控設備健康狀態，無需任何開發工作或 ML 經驗，並使用與 Amazon 配送中心中用於監控設備相同的技術來啟用預測性維護。
Amazon PartyRock
Amazon 透過實作、無程式碼的應用程式建置器， PartyRock讓學習生成 AI 變得簡單。在建立和探索有趣的應用程式時，嘗試迅速的工程技術、檢閱產生的回應，並發展生成 AI 的直覺。 PartyRock 透過 Amazon Bdrock (一項全受管服務的服務FMs)，提供 Amazon 和領先 AI 公司的基礎模型 () 存取。
Amazon Personalize
Amazon Personalize 是一種機器學習服務，可讓開發人員輕鬆為使用其應用程式的客戶建立個人化建議。
ML 越來越多地被用於提高客戶參與度，通過支持個性化的產品和內容推薦，量身定制的搜索結果和針對性的營銷促銷 但是，由於開發 ML 功能的複雜性，因此開發產生這些複雜的推薦系統所需的 ML 功能已經超出了當今大多數組織的範圍。Amazon Personalize 讓沒有 ML 經驗的開發人員可以使用在 Amazon.com 上使用多年來完善的 ML 技術，輕鬆地在應用程式中建置複雜的個人化功能。
使用 Amazon Personalize，您可以從應用程式提供活動串流 (頁面檢視、註冊、購買等)，以及您想要推薦的項目清單，例如文章、產品、影片或音樂。您也可以選擇向 Amazon Personalize 提供來自使用者的其他人口統計資訊，例如年齡或地理位置。Amazon Personalize 會處理和檢查資料、識別有意義的內容、選擇正確的演算法，以及訓練和最佳化專為您的資料量身打造的個人化模型。
Amazon Personalize 為零售、媒體和娛樂提供最佳化的推薦工具，讓您更快、更輕鬆地提供高效能的個人化使用者體驗。Amazon Personalize 還提供智慧型使用者細分功能，讓您可以透過行銷管道執行更有效的潛在客戶宣傳活動。借助我們的兩種新食譜，您可以根據用戶對不同產品類別，品牌等的興趣自動劃分用戶。
Amazon Personalize 分析的所有資料均保持私密且安全，僅用於您的自訂建議。您可以從服務維護的虛擬私有雲中通過簡單的API呼叫開始提供個性化預測。您只需按使用量付費，也沒有最低費用，也沒有前期承諾。
Amazon Personalize 化就像擁有自己的亞馬遜 ML 個性化團隊在您的處置, 24 一天小時.
Amazon Polly
Amazon Polly 是一種將文本轉換為逼真演講的服務。Amazon Polly 可讓您建立可通話的應用程式，讓您建立全新的啟用語音產品類別。Amazon Polly 是 Amazon 人工智慧 (AI) 服務，使用進階深度學習技術來合成聽起來像人類聲音的語音。Amazon Polly 提供多種逼真的聲音選擇，橫跨數十種語言，因此您可以選擇理想的語音並建立在許多不同國家/地區運作的啟用語音應用程式。
Amazon Polly 提供支援即時互動式對話方塊所需的一致快速回應時間。您可以快取並儲存 Amazon Polly 語音音訊，以便離線重播或重新分發。而 Amazon Polly 是易於使用。只要將想要轉換成語音的文字傳送到 Amazon PollyAPI，Amazon Polly 就會立即將音訊串流傳回到您的應用程式，讓您的應用程式可以直接播放或以標準音訊檔案格式儲存，例如。MP3
除了標準語TTS音之外，Amazon Polly 還提供神經文字轉語音 (NTTS) 語音，透過全新的機器學習方法在語音品質方面提供進階改善。Polly 的神經TTS技術還支持針對新聞敘述用例量身定制的 Newscaster 演講風格。最後，Amazon Polly 品牌語音可以為您的組織創建自定義語音。這是一種自訂參與，您將與 Amazon Polly 團隊合作，為組織獨家使用建立NTTS聲音。
使用 Amazon Polly 時，您只需為轉換為語音的字元數付費，而且可以儲存和重播 Amazon Polly 產生的語音。Amazon Polly 每個字元轉換成本低廉，而且對語音輸出的儲存和重複使用沒有限制，因此能在任何地方啟用文字轉語音，成為符合成本效益的方式。
Amazon Q
Amazon Q 是採用 AI 技術的生成助理，可加速軟體開發並利用您的內部資料。
- Amazon Q Business
-
Amazon Q Business 可以回答問題、提供摘要、產生內容，以及根據企業系統中的資料和資訊安全地完成任務。它使員工能夠更具創造力，數據驅動，高效，準備和生產力。
- Amazon Q Developer
-
Amazon Q 開發人員 (前稱為 Amazon CodeWhisperer) 協助開發人員和 IT 專業人員完成工作，從程式碼撰寫、測試和升級應用程式，到診斷錯誤、執行安全掃描和修正，以及最佳化 AWS 的費用。Amazon Q 具有進階的多步驟規劃和推理功能，可轉換現有程式碼 (例如，執行 Java 版本升級)，並實作從開發人員請求產生的新功能。
Amazon Rekognition
Amazon Rekognition 使用經過驗證、可高度擴展的深度學習技術，輕鬆地將影像和視訊分析新增至您的應用程式，而且不需要使用機器學習專業知識。使用 Amazon Rekognition，您可以識別影像和視訊中的物件、人物、文字、場景和活動，以及偵測任何不適當的內容。Amazon Rekognition 還提供高度準確的臉部分析和臉部搜尋功能，您可以使用這些功能偵測、分析和比較人臉，以進行各種使用者驗證、人流量統計和公共安全使用案例。
使用 Amazon Rekognition 自訂標籤，您可以識別特定於您業務需求的影像中的物件和場景。例如，您可以建立模型來分類組裝線上的特定機器零件，或偵測不健康的工廠。Amazon Rekognition 自訂標籤會為您處理繁重的模型開發工作，因此不需要 ML 經驗。您只需要提供您想要識別的物件或場景的影像，其餘的服務就會處理。
Amazon SageMaker
使用 Amazon SageMaker，您可以使用全受管的基礎設施、工具和工作流程，為任何使用案例建立、訓練和部署機器學習模型。 SageMaker消除 ML 過程中每個步驟的繁重工作，以便更輕鬆地開發高品質模型。 SageMaker 在單一工具集中提供用於 ML 的所有元件，讓模型以更少的精力和更低的成本更快地投入生產。
Amazon SageMaker 自動駕駛
Amazon SageMaker Autopilot 自動輔助駕駛會根據您的資料自動建置、訓練和調整最佳機器學習模型，同時讓您保持完整的控制和能見度。使用 SageMaker Autopilot，您只需提供表格數據集，然後選擇要預測的目標列，該列可以是一個數字（例如房價，稱為回歸）或類別（例如垃圾郵件/非垃圾郵件，稱為分類）。 SageMaker Autopilot 自動輔助儀將自動探索不同的解決方案以找到最佳型號。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 Studio 重複執行建議的解決方案，以進一步改善模型品質。
Amazon SageMaker 帆布
Amazon SageMaker Canvas 透過為商業分析師提供視覺化 point-and-click 介面，讓他們能夠自行產生精確的 ML 預測，而不需要任何 ML 經驗或撰寫單行程式碼，從而擴展了 ML 的存取權限。
Amazon SageMaker 澄清
Amazon Cres SageMaker ent 為機器學習開發人員提供更好的訓練資料和模型可見性，以便他們能夠識別和限制偏差並解釋預測。Amazon Cle SageMaker ven 透過檢查您指定的屬性，在資料準備期間、模型訓練後以及部署模型中偵測潛在的偏差。 SageMaker 澄清還包括功能重要性圖表，可幫助您解釋模型預測並產生報告，這些報告可用於支持內部簡報或識別模型中的問題，您可以採取措施糾正這些問題。
Amazon SageMaker 數據標籤
Amazon SageMaker 提供資料標籤產品來識別原始資料 (例如影像、文字檔和影片)，並新增資訊標籤，以便為 ML 模型建立高品質的訓練資料集。
Amazon SageMaker 數據牧馬人
Amazon SageMaker 資料牧馬人將彙總和準備 ML 資料所需的時間從數週縮短到幾分鐘。使用 SageMaker Data Wrangler，您可以簡化資料準備和特徵工程的過程，並透過單一視覺化介面完成資料準備工作流程的每個步驟，包括資料選取、清理、探索和視覺化。
Amazon SageMaker 邊緣
Amazon SageMaker Edge 透過最佳化、保護並將模型部署到邊緣，進而在邊緣裝置上實現機器學習，然後在智慧相機、機器人和其他智慧電子裝置等裝置叢集上監控這些模型，以降低持續的營運成本。 SageMaker 邊緣編譯器會將訓練過的模型最佳化，以便在邊緣裝置上執行。 SageMaker Edge 包含 over-the-air (OTA) 部署機制，可協助您在叢集上部署模型，而不受應用程式或裝置韌體影響。 SageMaker Edge Agent 可讓您在同一個裝置上執行多個模型。代理程式會根據您控制的邏輯 (例如間隔) 收集預測資料，並將其上傳到雲端，以便您可以隨時間定期重新訓練模型。
Amazon SageMaker 功能商店
Amazon SageMaker 功能商店是專門建置的儲存庫，您可以在其中存放和存取功能，讓您更輕鬆地跨團隊命名、組織和重複使用這些功能。 SageMaker 功能商店為訓練期間的功能和即時推論提供統一的存放區，無需編寫額外的程式碼或建立手動程序來保持功能一致性。 SageMaker 功能商店會追蹤已儲存功能的中繼資料 (例如功能名稱或版本號碼)，以便您可以批次或使用互動式查詢服務 Amazon Athena 即時查詢功能的正確屬性。 SageMaker 功能存放區也會持續更新功能，因為在推論期間產生新資料時，會更新單一儲存庫，以便在訓練和推論期間，模型永遠可以使用新功能。
Amazon SageMaker 地理空間
Amazon SageMaker 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地建置、訓練和部署機器學習模型。您可以存取資料 (開放原始碼和協力廠商)、處理和視覺化工具，以更有效率地為 ML 準備地理空間資料。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。
Amazon SageMaker HyperPod
Amazon SageMaker HyperPod 免除了為大型語言模型 ()、擴散模型和基礎模型 () 建置和最佳化機器學習 (MLLLMs) 基礎設施所涉及的無差別繁重工作。FMs SageMaker HyperPod 已預先設定分散式訓練程式庫，讓客戶能夠自動將訓練工作負載分割給數千個加速器，例如 AWS Trainium和 NVIDIA A100 和 H100 圖形處理單元 () GPUs。
SageMaker HyperPod 還可以定期儲存檢查點，確保您可以不間斷地繼續訓練。發生硬體故障時，自我修復叢集會自動偵測故障、修復或更換有問題的執行個體，並從上次儲存的檢查點繼續訓練，免除您手動管理此程序的需求，並協助您在分散式設定中訓練數週或數月，而不會中斷。您可以自訂最符合您需求的運算環境，並使用 Amazon SageMaker 分散式訓練程式庫進行設定，以達到最佳效能 AWS.
Amazon SageMaker JumpStart
Amazon 可以 SageMaker JumpStart幫助您快速輕鬆地開始使用 ML。為了更容易上手，請針對最常見的使用案例 SageMaker JumpStart提供一組解決方案，只需按幾下滑鼠即可輕鬆部署。該解決方案是完全可定制的，並展示了使用 AWS CloudFormation 範本和參考架構，讓您加速 ML 旅程。Amazon SageMaker JumpStart 還支援一鍵式部署和微調 150 多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 模型建設
Amazon SageMaker 提供建置機器學習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，以找出最適合您使用案例的最佳演算法。在 Amazon 中， SageMaker 您可以選擇不同的算法，包括針對內置和優化的 15 種以上的算法 SageMaker，只需單擊幾下即可使用熱門模型動物園中的 750 多種預構建模型。 SageMaker 此外，還提供各種模型建置工具，包括 Amazon SageMaker Studio Notebook、 JupyterLabRStudio、以及以程式碼 OSS (虛擬工作室程式碼開放原始碼) 為基礎的程式碼編輯器，您可以在其中小規模執行機器學習模型，以查看結果並檢視效能報告，以便建立高品質的工作原型。
Amazon SageMaker 模型培訓
Amazon SageMaker 可減少大規模訓練和調整機器學習模型的時間和成本，而無需管理基礎設施。您可以利用目前效能最高的機器學習運算基礎架構，並且 SageMaker可以自動將基礎架構從一個擴展或縮減到數千個。GPUs由於您只需為使用量付費，因此可以更有效地管理培訓成本。若要更快地訓練深度學習模型，您可以使用 Amazon SageMaker 分散式訓練程式庫獲得更好的效能，或使用第三方程式庫 DeepSpeed，例如 Horovod 或威震天。
Amazon SageMaker 模型部署
Amazon 可 SageMaker 讓您輕鬆部署機器學習模型，以最佳的價格為任何使用案例進行預測 (也稱為推論)。它提供廣泛的機器學習基礎架構和模型部署選項，以協助滿足您所有的機器學習推論需求。這是一項完全受控的服務，並與MLOps工具整合，因此您可以擴展模型部署、降低推論成本、更有效地在生產環境中管理模型，並減輕操作負擔。
Amazon SageMaker 管道
Amazon SageMaker 管道是第一個針對機器學習打造的 easy-to-use 持續整合和持續交付 (CI/CD) 服務。使用 P SageMaker ipeline，您可以大規模建立、自動化和管理機器學 end-to-end 習工作流程。
Amazon 實驗 SageMaker 室
Amazon SageMaker Studio Lab 是一個免費的機器學習開發環境，提供運算、儲存 (最高 15GB) 和安全性 (完全免費)，讓任何人都可以學習和實驗 ML。您只需要一個有效的電子郵件地址即可開始使用，不需要設定基礎結構、管理身分和存取權，甚至不需要註冊 AWS 帳戶。 SageMaker Studio Lab 透過 GitHub 整合加速模型建置，並且已預先設定最熱門的 ML 工具、架構和程式庫，讓您立即開始使用。 SageMaker 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。就像關閉筆記本電腦並稍後再回來一樣簡單。
阿帕奇 MXNet AWS
Apache MXNet 是一個快速且可擴展的培訓和推論框架 easy-to-use，具有簡潔API的 ML。MXNet包含 Gluon 介面，可讓所有技能等級的開發人員在雲端、邊緣裝置和行動應用程式上開始使用深度學習。只需幾行 Gluon 程式碼，您就可以建立線性迴歸、卷積網路和復發LSTMs物件偵測、語音辨識、建議和個人化。您可以開始使 MxNet 用AWS 使用 Amazon 的全受管體驗 SageMaker，這是一個大規模建置、訓練和部署機器學習模型的平台。或者，您可以使用 AWS 深度學習 AMIs s 構建自定義環境和工作流程，以及其他框架 TensorFlow，包括 PyTorch，Chainer，Keras，咖啡，Caffe2 和 Microsoft 認知工具 MxNet 包。
AWS 深度學習 AMIs s
AWS 深度學習 AMIs為 ML 從業人員和研究人員提供基礎架構和工具，以加速雲端中任何規模的深度學習。您可以快速啟動預先安裝了熱門深度學習架構和界面 (例如 Apache TensorFlow PyTorch、Chainer MXNet、Gluon、Horovod 和 Keras) 的 Amazon EC2 執行個體，以訓練複雜的自訂 AI 模型、試驗新演算法，或學習新技能和技巧。無論您需要 Amazon EC2 GPU 還是CPU執行個體，深度學習AMIs都不需要額外付費，只需支付 AWS 儲存和執行應用程式所需的資源。
AWS Deep Learning 容器
AWS Deep Learning Containers (AWS DL 容器) 是預先安裝了深度學習架構的 Docker 映像檔，可讓您略過從頭開始建置和最佳化環境的複雜程序，輕鬆快速部署自訂機器學習 (ML) 環境。 AWS DL 容器支援 TensorFlow、 PyTorch、阿帕奇MXNet。您可以部署 AWS Amazon 上的 DL 容器 SageMaker，Amazon Elastic Kubernetes Service（AmazonEKS），Amazon 上的自我管理 Kubernetes，Amazon 彈性容器服務（AmazonEC2）。ECS這些容器可通過 Amazon 彈性容器註冊表（AmazonECR）和 AWS Marketplace免費 — 您只需為使用的資源付費。
地理空間 ML 與 Amazon SageMaker
Amazon SageMaker 地理空間功能可讓資料科學家和機器學習工程師更快速、大規模地使用地理空間資料建置、訓練和部署機器學習模型。您可以存取隨時可用的地理空間資料來源，透過專門建置的作業有效地轉換或豐富大型地理空間資料集，並透過選取預先訓練的 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 運行時地理空間功能可用於各種用例，例如最大限度地提高收穫產量和糧食安全，評估風險和保險索賠，支持可持續城市發展以及預測零售場所的利用率。
Hugging Face AWS
使用 Amazon 上的 Hugging Face SageMaker，您可以從開放原始碼的自然語言處理 (NLP) 模型提供者 Hugging Face 部署和微調預先訓練的模型，將設定和使用這些模NLP型所需的時間從數週縮短為數分鐘。NLP是指幫助計算機理解人類語言的 ML 算法。他們幫助翻譯，智能搜索，文本分析等。但是，模NLP型可能既龐大又複雜 (有時由數億個模型參數組成)，訓練和最佳化模型需要時間、資源和技能。AWS與 Hugging Face 合作創建 Hugging Face AWS Deep Learning Containers (DLCs) 可為資料科學家和機器學習開發人員提供在 Amazon 上建置、訓練和部署 state-of-the-art NLP模型的全受管體驗 SageMaker。
PyTorch 上 AWS
PyTorch是一種開放原始碼深度學習架構，可讓您輕鬆開發機器學習模型並將其部署至生產環境。使用 TorchServe, PyTorch 的模型服務庫由構建和維護 AWS 與 Facebook 合作， PyTorch 開發人員可以快速輕鬆地將模型部署到生產環境中。 PyTorch 還提供動態計算圖形和庫，用於分佈式培訓，這些圖形和庫經過調整以實現高性能 AWS。 您可以開始使 PyTorch 用 AWS 使用 Amazon SageMaker 這是一種全受管的 ML 服務，可讓您輕鬆且符合成本效益的大規模建置、訓練和部署 PyTorch模型。如果您偏好自行管理基礎結構，可以使用 AWS 深度學習 AMIs s 或 AWS Deep Learning Containers，這些容器是從原始碼建置而成，並透過最新版本的 PyTorch 最佳效能進行最佳化，可快速部署自訂機器學習環境。
TensorFlow 上 AWS
TensorFlow是許多深度學習架構之一，可供研究人員和開發人員使用機器學習來增強其應用程式。 AWS 提供廣泛的支援 TensorFlow，讓客戶能夠在電腦視覺、自然語言處理、語音翻譯等方面開發和提供自己的模型。您可以開始使 TensorFlow 用 AWS 使用 Amazon SageMaker 這是一種全受管的 ML 服務，可讓您輕鬆且符合成本效益的大規模建置、訓練和部署 TensorFlow 模型。如果您偏好自行管理基礎結構，可以使用 AWS 深度學習 AMIs s 或 AWS Deep Learning Containers，這些容器是從原始碼建置而成，並透過最新版本的 TensorFlow 效能進行最佳化，可快速部署自訂機器學習環境。
Amazon Textract 是一項服務，可自動從掃描的文件擷取文字和資料。Amazon Textract 除了簡單的光學字元辨識 (OCR) 之外，還可以識別表單中欄位的內容，以及儲存在表格中的資訊。
如今，許多公司手動從掃描的文檔（例如圖像PDFs，表格和表單）中提取數據，或者通過需要手動配置的簡單OCR軟件（通常必須在表單更改時更新）中手動提取數據。為了克服這些手動且昂貴的流程，Amazon Textract 使用 ML 來讀取和處理任何類型的文件、精確擷取文字、手寫、表格和其他資料，而無需人工操作。Amazon Textract 可讓您彈性地指定使用查詢從文件擷取所需的資料。您可以使用自然語言問題的形式指定所需的資訊 (例如「客戶名稱是什麼」)。您不需要知道文件中的資料結構 (表格、表單、隱含欄位、巢狀資料)，也不需要擔心文件版本和格式的差異。Amazon Textract 查詢已針對各種文件進行預先訓練，包括薪資存根、銀行對帳單、W-2、貸款申請表、抵押票據、索賠文件和保險卡。
使用 Amazon Textract，無論您要自動處理貸款或從發票和收據擷取資訊，都可以快速自動化文件處理並對擷取的資訊採取行動。Amazon Textract 可以在幾分鐘內擷取資料，而不是數小時或數天。此外，您還可以使用 Amazon 增強型 AI 新增人工評論，以監督您的模型並檢查敏感資料。
Amazon Transcribe
Amazon Transcribe 是一種自動語音辨識 (ASR) 服務，可讓客戶輕鬆地將語音自動轉換為文字。該服務可以轉錄以常用格式存儲的音頻文件，例如MP3，WAV並帶有每個單詞的時間戳，以便您可以通過搜索文本輕鬆找到原始源中的音頻。您還可以將實時音頻流發送到 Amazon Transcribe 並實時接收成績單流。Amazon Transcribe 旨在處理廣泛的語音和聲學特性，包括音量、音調和朗讀速度的變化。音訊訊號的品質和內容 (包括但不限於背景雜訊、重疊的喇叭、重音語音或單一音訊檔案中語言之間切換等因素) 可能會影響服務輸出的準確性。客戶可以選擇將 Amazon Transcribe 用於各種商業應用程式，包括以語音為基礎的客戶服務電話轉錄、在音訊/視訊內容上產生字幕，以及對音訊/視訊內容進行 (以文字為基礎) 內容分析。
從 Amazon Transcribe 衍生的兩個非常重要的服務包括 Amazon Transcribe 醫療和 Amazon Transcribe 呼叫分析。
Amazon Transcribe 醫療使用先進的機器學習模型，將醫學語音準確地轉錄為文本。Amazon Transcribe Medical 可產生文字記錄，用於支援各種使用案例，涵蓋臨床文件工作流程和藥物安全監控 (藥物警戒) 到遠端醫療的字幕，甚至是醫療保健和生命科學領域的聯絡中心分析。
Amazon Transcribe 通話分析是一種 AI 技術，可提供豐富的通話API記錄和可操作的對話洞察，您可以將這些洞察新增到其通話應用程式中，以改善客戶體驗和客服生產力。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，可瞭解客戶服務和對外銷售電話。作為AWS聯絡中心智慧 (CCI) 解決方案的一部分，API這與客服中心無關，可讓客戶輕鬆地將通話分析功能新增ISVs到其應用程式中。
開始使用 Amazon Transcribe 的最簡單方法是使用控制台提交任務以轉錄音訊檔案。您也可以直接從 AWS Command Line Interface，或使用您選擇的其中一SDKs個支援來與您的應用程式整合。
Amazon Translate
Amazon Translate 是一種神經機器翻譯服務，可提供快速、高品質且經濟實惠的語言翻譯。神經機器翻譯是一種語言翻譯自動化形式，它使用深度學習模型來提供比傳統統計和規則式翻譯演算法更準確、更自然的翻譯。Amazon Translate 可讓您為不同的使用者本地化網站和應用程式等內容、輕鬆翻譯大量文字以進行分析，並有效率地在使用者之間進行跨語言通訊。
AWS DeepComposer
AWS DeepComposer是世界上第一個由 ML 驅動的音樂鍵盤，使所有技能水平的開發人員都可以在創建原始音樂輸出的同時學習生成 AI。 DeepComposer 由連接到開發人員的計算機和 DeepComposer 服務的USB鍵盤組成，通過 AWS Management Console。 DeepComposer 包括可用於開始建置生成模型的自學課程、範例程式碼和訓練資料。
AWS DeepRacer
AWS DeepRacer是 1/ 18 的比例賽車，它為您提供了一種有趣而有趣的方式來開始強化學習（RL）。RL 是一種先進的 ML 技術，與其他 ML 方法相比，它對訓練模型採用了非常不同的方法。它的超能力在於它可以學習非常複雜的行為，而無需任何標記的培訓數據，並且可以在優化長期目標的同時做出短期決策。
同 AWS DeepRacer，您現在有了一種動手操作 RL 的方法，進行實驗，並通過自動駕駛學習。您可以在基於雲的 3D 賽車模擬器中開始使用虛擬汽車和賽道，為了獲得真實世界的體驗，您可以將訓練有素的模型部署到 AWS DeepRacer 和比賽你的朋友，或參加全球 AWS DeepRacer
聯賽。開發人員，比賽正在進行。
AWS HealthLake
AWS HealthLake是一項符HIPAA合資格的服務，醫療保健提供者、健康保險公司和製藥公司可用於儲存、轉換、查詢和分析大型健康資料。
Health 資料通常不完整且不一致。它通常是非結構化的，其中包含臨床筆記，實驗室報告，保險索賠，醫療圖像，記錄的對話和時間序列數據（例如，心臟ECG或腦部EEG痕跡）中的信息。
醫療保健提供者可用 HealthLake 來儲存、轉換、查詢和分析 AWS 雲端。 使用 HealthLake 整合式醫療自然語言處理 (NLP) 功能，您可以分析來自不同來源的非結構化臨床文字。 HealthLake 使用自然語言處理模型轉換非結構化資料，並提供強大的查詢和搜尋功能。您可以使 HealthLake 用安全、合規且可稽核的方式來組織、索引和結構病患資訊。
AWS HealthScribe
AWS HealthScribe是一項HIPAA符合條件的服務，允許醫療保健軟件供應商通過分析患者與臨床醫生的對話來自動生成臨床筆記。 AWS HealthScribe 結合語音辨識與生成式 AI，藉由轉錄對話和快速產生臨床筆記，減輕臨床文件的負擔。對話進行細分，以識別患者和臨床醫生的演講者角色，提取醫學術語並生成初步臨床筆記。為了保護敏感的患者資料，內置了安全性和隱私，以確保輸入的音頻和輸出文本不會保留在其中 AWS HealthScribe.
AWS Panorama
AWS Panorama是 ML 裝置和軟體開發套件 () 的集合，可將電腦視覺 (CVSDK) 帶到內部部署網際網路通訊協定 (IP) 攝影機。同 AWS Panorama，您可以將傳統上需要人工檢查的任務自動化，以提高潛在問題的可見性。
電腦視覺可以自動執行任務的視覺檢測，例如追蹤資產以最佳化供應鏈營運、監控交通通道以最佳化流量管理，或偵測異常情況以評估製造品質。然而，在網路頻寬有限的環境中，或者對於需要內部部署處理和儲存視訊的資料控管規則的公司而言，雲端中的電腦視覺可能很困難或不可能實作。 AWS Panorama
是一項 ML 服務，可讓組織將電腦視覺帶到內部部署攝影機，以便在本機進行高準確度和低延遲的預測。
所以此 AWS Panorama 設備是一種硬件設備，可將計算機視覺添加到現有的 IP 攝像機中，並從單個管理界面分析多個攝像機的視頻源。它會在邊緣 (以毫秒為單位) 產生預測結果，這意味著您可以收到潛在問題的通知，例如在快速移動的生產線上偵測到損壞的產品時，或者車輛偏離倉庫中危險的禁區時。而且，第三方製造商正在建設新的 AWS Panorama支援相機和裝置，可為您獨特的使用案例提供更多外形規格。同 AWS Panorama 您可以使用 ML 模型 AWS 建立您自己的電腦視覺應用程式，或與來自 AWS Partner Network 快速構建 CV 應用程序。
返回AWS 服務。
