Benutzerdefinierte Labels von Amazon Rekognition bieten Unterstützung für KMS-Verschlüsselung von Trainingsdaten für benutzerdefinierte Modelle

Benutzerdefinierte Labels von Amazon Rekognition unterstützen die Möglichkeit, einen AWS-Key-Management-Service-(KMS)-Schlüssel zu verwenden, um die an den Service für benutzerdefinierte Labels von Rekognition gelieferten Bilddaten zu verschlüsseln, um Ihr benutzerdefiniertes Modell für Machine Learning zu trainieren. Standardmäßig verschlüsseln benutzerdefinierte Labels von Amazon Rekognition die Bilddaten im Ruhezustand mit serverseitiger Verschlüsselung. Wenn Sie in dieser Version benutzerdefinierte Labels von Amazon Rekognition mit Ihrem KMS-Schlüssel oder Alias-ARN bereitstellen, verwenden die benutzerdefinierten Labels von Amazon Rekognition stattdessen diesen KMS-Schlüssel, um Ihre Trainings- und Testbilder zu verschlüsseln.
Quelle: aws.amazon.com

Amazon Neptune unterstützt jetzt das Kopieren von DB-Cluster-Ressourcen-Tags in DB-Snapshots

Sie können Amazon-Neptune-Ressourcen-Tags verwenden, um Metadaten hinzuzufügen und Zugriffsrichtlinien auf Ihre Amazon-Neptune-Ressourcen anzuwenden. Jetzt können Sie zulassen, dass auf Ihren Neptune-Clustern festgelegte Ressourcen-Tags automatisch in alle automatisierten oder manuellen Datenbank-Snapshots kopiert werden, die aus Ihren Clustern erstellt werden. Tags können mit AWS-Identity-and-Access-Management(IAM)-Richtlinien verwendet werden, um den Zugriff auf Neptune-Ressourcen zu verwalten und zu steuern, welche Aktionen auf diese Ressourcen angewendet werden können.
Quelle: aws.amazon.com

Amazon-EC2-Inf1-Instances – Neue Funktionen, verbesserte Leistung und niedrigere Preise

Amazon-EC2-Inf1-Instances und AWS Neuron unterstützen jetzt YOLOv5- und ResNext-Deep-Learning-Modelle sowie die neuesten Open-Source-Hugging-Face-Transformer. Wir haben auch den Neuron-Compiler optimiert, um die Leistung zu verbessern, und Sie können jetzt standardmäßig einen 12-mal höheren Durchsatz als vergleichbare GPU-basierte Instances für vortrainierte BERT-Basismodelle erzielen. Diese Verbesserungen ermöglichen es Ihnen, Ihre Hochleistungs-Inferenzanforderungen effektiv zu erfüllen und modernste Deep-Learning-Modelle zu geringen Kosten bereitzustellen. 
Quelle: aws.amazon.com