da Agency

Einführung in den Amazon SageMaker Neo

Mit Amazon SageMaker Neo können Kunden Modelle einmal trainieren und sie an jedem Ort mit bis zu zweifacher Leistungsverbesserung ausführen. Anwendungen, die auf verbundenen Geräten am Rand ausgeführt werden, sind besonders empfindlich für die Leistung von Machine-Learning-Modellen. Sie erfordern Entscheidungen mit geringer Latenz und werden häufig auf einer großen Anzahl unterschiedlicher Hardwareplattformen eingesetzt. Der Amazon SageMaker Neo stellt Modelle für bestimmte Hardwareplattformen zusammen und optimiert deren Leistung automatisch, sodass sie mit bis zu doppelter Leistung laufen können, ohne dass die Genauigkeit beeinträchtigt wird. Daher müssen Entwickler ihre geschulten Modelle nicht mehr für jede Hardwareplattform manuell abstimmen (Zeit und Kosten sparen). DER SageMaker Neo unterstützt Hardware-Plattformen von NVIDIA, Intel, Xilinx, Cadence und Arm sowie beliebte Frameworks wie Tensorflow, Apache MXNet und PyTorch.
Quelle: aws.amazon.com

da Agency

Einführung der Amazon Quantum Ledger-Datenbank (QLDB)

Amazon QLDB ist eine vollständig verwaltete Ledger-Datenbank, die ein transparentes, unveränderliches und kryptographisch überprüfbares Transaktionsprotokoll bereitstellt, das einer zentralen, vertrauenswürdigen Stelle gehört. Amazon QLDB verfolgt und überprüft jede einzelne Änderung von Anwendungsdaten und pflegt die ganze Zeit über eine vollständige und überprüfbare Änderungshistorie.
Quelle: aws.amazon.com

da Agency

Ankündigung der öffentlichen Vorschau von Amazon RDS auf VMware

Amazon RDS auf VMware ist ein Service, der sich jetzt in der Vorschau befindet und Amazon RDS relational verwaltete relationale Datenbanken in lokalen VMware vSphere-Rechenzentren liefert. RDS auf VMware automatisiert die Bereitstellung von Datenbanken, Patches für Betriebssysteme und Datenbanken, Backups, Zeitpunkt-Wiederherstellung, Skalierung von Speichern und Berechnungen, Überwachung des Zustands von Instanzen und Failover.
Quelle: aws.amazon.com

da Agency

Ankündigung von Amazon Timestream – schnelle, skalierbare, vollständig verwaltete Zeitreihen-Datenbank – Registrieren Sie sich für die Vorschau

Amazon Timestream ist ein zweckerstellter Zeitreihen-Datenbankservice zum Erfassen, Speichern und Verarbeiten von Zeitreihendaten wie Server- und Netzwerkprotokollen, Sensordaten und industriellen Telemetriedaten für IoT und betriebliche Anwendungen. Amazon Timestream verarbeitet pro Tag Billionen von Ereignissen zu einem Zehntel der Kosten relationaler Datenbanken mit einer Abfrageleistung, die bis zu tausend Mal schneller ist als die einer Allzweckdatenbank.
Quelle: aws.amazon.com

da Agency

AWS IoT Greengrass unterstützt ab sofort Amazon SageMaker Neo und ML-Inferenzkonnektoren auf Edge-Geräten.

AWS IoT Greengrass unterstützt ab sofort Amazon SageMaker Neo. Mit Neo können Machine Learning-Modelle einmal trainiert und überall in der Cloud sowie an Edge-Standorten ausgeführt werden. Neo optimiert automatisch TensorFlow-, MXNet-, PyTorch-, ONNX- und XGBoost-Modelle für den Einsatz auf ARM-, Intel- und Nvidia-Prozessoren. Optimierte Modelle laufen bis zu doppelt so schnell und verbrauchen weniger als ein Zehntel des Speicherbedarfs. Neo wird in Kürze auch als Open-Source-Code unter der Apache Softwarelizenz erhältlich sein, so dass Hardware-Anbieter es für ihre Prozessoren und Geräte anpassen können. Wenn Sie Neo mit AWS IoT Greengrass verwenden, können Sie diese Modelle in Amazon SageMaker nachträglich trainieren und die optimierten Modelle schnell aktualisieren, um die Intelligenz auf diesen Edge-Geräten zu verbessern. Sie können eine breite Palette von Geräten verwenden, die auf den Plattformen Nvidia Jetson TX2, Arm v7 (Raspberry Pi) oder Intel Atom basieren.  
Quelle: aws.amazon.com

da Agency

Einführung in AWS DeepRacer

Entwickler, starten Sie Ihre Maschinen. Wir freuen uns, den AWS DeepRacer vorstellen zu können, den schnellsten Einstieg in das Machine Learning im wahrsten Sinne des Wortes. Testen Sie einen vollständig autonomen Rennwagen im Maßstab 1:18 mit Reinforcement Learning in einem 3D-Rennsimulator und einer weltweiten Rennliga. Sie können Ihren AWS DeepRacer jetzt auf amazon.com vorbestellen.
Quelle: aws.amazon.com

da Agency

AWS Lambda unterstützt Python 3.7

Sie können Ihre AWS Lambda-Funktionen jetzt neben den unterstützten Versionen Python 2.7 und 3.6 auch mit der Version 3.7 entwickeln. Python 3.7 ist die neueste Hauptversion der Python-Skriptsprache und enthält viele neue Funktionen wie die Unterstützung für Datenklassen, Anpassung des Zugriffs auf Modulattribute und Verbesserungen für die Codeeingabe. 
Quelle: aws.amazon.com

da Agency

Amazon Lightsail unterstützt jetzt Ressourcen-Tagging

Ab heute können Sie Ihren Lightsail-Ressourcen, einschließlich virtueller Server, verwalteter Datenbanken, Load Balancer, Blockspeicher, Snapshots und DNS-Zonen, Taggings hinzufügen. Mit den Lightsail-Tags können Sie Ihre Projekte einfach organisieren, Berichte zur Kostenverteilung für die Abrechnung erstellen und die Zugriffskontrolle für Ihre Ressourcen aktivieren.
Quelle: aws.amazon.com

da Agency

AWS-optimierter TensorFlow jetzt skaliert auf 256 GPUs

Die AWS Deep Learning-AMIs für Ubuntu und Amazon Linux unterstützen jetzt das verteilte Training von TensorFlow Deep Learning-Modellen mit nahezu linearer Skalierungseffizienz von bis zu 256 GPUs. Die AWS Deep Learning AMIs werden mit einer vor-erstellten verbesserten Version von TensorFlow geliefert, die in eine optimierte Version des verteilten Horovod-Trainingsrahmens integriert ist, um diese Skalierbarkeit zu gewährleisten. Mit dieser Verbesserung können Sie das ResNet50-Modell jetzt mit TensorFlow-Horovod in weniger als 15 Minuten trainieren.
Quelle: aws.amazon.com