da Agency

Unterstützung für das Lesen und Schreiben von Daten in Amazon DynamoDB und kontoübergreifenden Amazon-S3-Zugriff mit Amazon EMR Serverless

Amazon EMR Serverless gibt Unterstützung für das Lesen und Schreiben von Daten in Amazon DynamoDB mit Ihren Spark- und Hive-Workflows bekannt. Sie können jetzt Tabellen in Amazon DynamoDB direkt von Ihren Anwendungen in EMR Serverless Spark und/oder Hive aus exportieren, importieren, abfragen und zusammenfügen. Amazon DynamoDB ist eine vollständig verwaltete NoSQL-Datenbank, die die Latenz- und Durchsatzanforderungen äußerst anspruchsvoller Anwendungen erfüllt, indem sie Latenz im einstelligen Millisekundenbereich und vorhersagbare Leistung mit nahtloser Durchsatz- und Speicherskalierbarkeit bietet. 
Quelle: aws.amazon.com

da Agency

Beim Ausführen von Flink-Workloads in Amazon EMR Tabellen-Metadaten im Glue-Datenkatalog verwalten

Amazon-EMR-Kunden können jetzt den AWS-Glue-Datenkatalog von ihren Streaming- und Batch-SQL-Workflows in Flink aus verwenden. Der AWS-Glue-Datenkatalog ist mit dem Apache Hive Metastore kompatibel. Sie können Ihre Flink-Aufgaben in Amazon EMR so konfigurieren, dass sie den Datenkatalog als einen externen Apache Hive Metastore verwenden. Mit diesem Release können Sie dann Flink-SQL-Abfragen direkt an im Datenkatalog gespeicherten Tabellen ausführen.
Quelle: aws.amazon.com

da Agency

Experimente von Amazon SageMaker Autopilot, die im „Ensemble“-Trainingsmodus ausgeführt werden, bieten zusätzliche Metriken und Sichtbarkeit zum AutoML-Workflow

Amazon SageMaker Autopilot bietet jetzt Erkenntnisse zum zugrunde liegenden Workflow für jeden Test in einem SageMaker-Autopilot-Experiment, das im „Ensemble“-Trainingsmodus gestartet wurde. SageMaker Autopilot stuft eine Liste von ML (Machine Learning)-Modellen nach Inferenzlatenz ein, d. h. wie lange es dauert, um ein Vorhersageergebnis von einem Echtzeit-Endpunkt, an dem das Modell bereitgestellt wird, zu erhalten, sowie nach objektiven Metriken wie Genauigkeit, Präzision, Rückruf und Fläche unter der Kurve (AUC) im Modell-Leaderboard. SageMaker Autopilot erstellt, trainiert und optimiert automatisch die besten ML-Modelle basierend auf Ihren Daten und ermöglicht gleichzeitig die vollständige Kontrolle und Sichtbarkeit. 
Quelle: aws.amazon.com

da Agency

Amazon EMR in EKS fügt Support für die Konfiguration von Spark-Eigenschaften in EMR Studio Jupyter Notebooks hinzu

Wir freuen uns, für interaktive Spark-Workloads die Unterstützung für die Konfiguration von Spark-Eigenschaften in Sitzungen von EMR Studio Jupyter Notebook bekannt zu geben. Amazon EMR in EKS ermöglicht Kunden die effiziente Ausführung von Open-Source-Big-Data-Frameworks wie Apache Spark auf Amazon EKS. Kunden von Amazon EMR in EKS richten einen verwalteten Endpunkt (in der Vorschau verfügbar) ein und verwenden ihn, um interaktive Workloads mit integrierten Entwicklungsumgebungen (IDE) wie EMR Studio auszuführen.
Quelle: aws.amazon.com