aws云主机提供免费云主机

财联社2月17日电，亚马逊称，亚马逊云服务(AWS)聊天机器人现已与微软团队整合。（彭博）

日前，在2023AmazonDeepRacer中国系列活动启动会上，亚马逊云科技宣布与中国教育学会科创教育协作体及上海市人工智能行业协会达成战略合作，将以AmazonDeepRacer人工智能学习工具为核心，在课程研发、师资培训、平台支持和以赛促学四个方面投入资源，在未来三年为十万名中国青少年提供相关培训，推动青少年人工智能教育发展。在国际妇女节到来之际，亚马逊云科技还宣布推出“AmazonDeepRacerGirlsinTech”女学生赛手社区，通过定期举办动手实践、技术交流、专家答疑、学业和职业发展经验分享等活动，助力女性青少年持续学习和实践人工智能知识，提高科学素养。同时，亚马逊云科技还将在三月份面向女性青少年、开发者及机器学习爱好者推出免费的系统性学习课程，以AmazonDeepRacer课程为起点，并辅以云计算基础课程，帮助零基础的女性学习者开启人工智能学习之旅，拓展数字技能，解锁更多学业和事业机会。

AmazonDeepRacer是亚马逊云科技在2018年推出的一款由强化学习、3D赛车模拟器驱动的1/18比例的全自动驾驶赛车，具备轻松入门、原理易懂、操作简单的特点，能够在兼顾趣味性的同时让操作者系统地了解强化学习的知识。自2020年起，亚马逊云科技已经在中国成功举办了一系列教育和培训活动，吸引了超过五万人积极参与。2023年，亚马逊云科技计划举办超过100场线上、线下活动、覆盖数十万人。其中包括面向开发者和机器学习爱好者的AmazonDeepRacer中国联赛，面向不同行业、企业的各类DeepRacer行业联赛、企业竞赛与培训，以及与合作伙伴共同举办的面向青少年的系列活动。

亚马逊全球副总裁、亚马逊云科技大中华区执行董事张文翊表示：“亚马逊云科技中国愿景中的一个重要部分就是助力本地人才培养。AmazonDeepRacer门槛低、趣味性强、可操作性高。我们希望利用这一独特的学习工具，开发系统的课程并推出丰富的教育和培训活动，降低大众学习人工智能的门槛，激发他们对机器学习的兴趣与热情，助力各阶段人工智能人才培养。”

亚马逊云科技与中国教育学会科创教育协作体及上海市人工智能行业协会将依托各自资源优势，为教师和学生提供全方位支持：

·在课程研发方面，三方将共同研发适合青少年的人工智能和机器学习课程，引导学生更加自主地学习相关知识，培养创新型思维能力；

·在师资培训方面，三方将共建师资培训体系，通过定期组织区域名师交流会，为教师搭建交流平台，提高教学水平和知识储备，进一步提升教学质量；

·在平台支持方面，亚马逊云科技将面向师生提供长期免费的AmazonDeepRacer学习平台和云资源支持，支持学生进行一站式的学习和训练，巩固所学知识；

·在以赛促学方面，三方将围绕AmazonDeepRacer共同组织丰富多样的实践活动，通过动手操作培养学生的综合能力，激发学生对人工智能的学习兴趣。

中国教育学会科创教育协作体秘书长柯瑞逢（左）、亚马逊云科技大中华区战略业务发展部总经理顾凡（中）、上海市人工智能行业协会秘书长钟俊浩（右），出席战略合作启动仪式

中国教育学会常务副会长杨念鲁表示：“青少年是人才培养的重要一环，而人才培养的教育理念和模式也应该与时俱进。人工智能教育能够培养学生的逻辑思维、创新能力、动手能力，对提升学生的综合素养、激发青少年的‘好奇心、想象力、探求欲’大有助益。希望通过三方的共同努力，能够将青少年人工智能教育以更具普适性的方式带给学生，逐步提升青少年的科学素养，夯实中国科技人才基础。”

上海市人工智能行业协会秘书长钟俊浩表示：“人才是人工智能技术发展的重要基础。在青少年阶段引入人工智能教育对培育创新型人才至关重要。我们很高兴与亚马逊云科技和中国教育学会科创教育协作体携手，以AmazonDeepRacer人工智能学习工具为切入点，让更多学生能够接触并了解这项技术，通过厚植青少年人才沃土，为上海市乃至全国的人工智能产业建设和发展作出贡献。”

为提升青少年在人工智能方面的知识素养和实践能力，亚马逊云科技一直携手本地教育合作伙伴及学校，深入了解学生需求，开发定制化课程并举办专门面向青少年的AmazonDeepRacer活动，为学生提供更多动手实践机会，激发他们对机器学习的兴趣。

亚马逊云科技自2020年起就与中国人民大学附属中学（以下简称“人大附中“）进行深入合作，助力培养青少年科技人才。截至目前，人大附中已有上百名学生学习了相关课程并参与各类AmazonDeepRacer实践活动。

中国人民大学附属中学信息科技教研组组长袁中果表示：“我们深刻体会到人工智能教育在提升学生创新思维和实践应用能力方面的重要作用。同时，在长期的教学实践中，我们也发现理论实践相结合的教学方式更吸引学生的兴趣，促进学生动手能力的提升。借助亚马逊云科技全球教学资源和丰富的实际应用案例，我们能够进一步优化和丰富人工智能课程设计，为教师教学和学生学习提供更多选择。未来，我们将持续丰富教育模式、提升教学体验，进一步激发学生对人工智能学习的兴趣和热情，培养具备国际化视野的创新青少年科技人才。”

钛媒体App4月14日消息，亚马逊CEOJassy发布接班贝佐斯以来第二封年度股东信，坦言宏观经济不佳令企业云支出谨慎，亚马逊AWS去年增长放缓，尽管作出裁员和削减成本等决定，仍看好杂货、医疗保健和卫星互联网的潜力。他称LLM和生成式AI具有变革性，将继续大力投资并加入巨头们的“军备竞赛”。

中关村在线消息，2022年12月5日，亚马逊云科技在2022re:Invent全球大会上宣布，为端到端机器学习服务AmazonSageMaker推出八项新功能。众多开发人员、数据科学家和业务分析师使用AmazonSageMaker提供的全托管基础设施、工具和工作流，轻松快速地构建、训练和部署机器学习模型。客户使用机器学习不断创新，他们创建的模型比以往任何时候都多，因此，他们需要高级功能来有效管理模型的开发、使用和性能。本次发布包括新的AmazonSageMaker治理功能，它可以在整个机器学习生命周期中提供对模型性能的可见性。新的AmazonSageMakerStudioNotebook功能提供了增强的Notebook体验，让客户只需点击几下即可检查和解决数据质量问题，促进数据科学团队之间的实时协作，通过将Notebook代码转变到自动化作业加速机器学习实验到生产的过程。最后，AmazonSageMaker新功能可自动执行模型验证，并且让地理空间数据处理变得更容易。

“当前，数以万计各种规模和各行各业的客户都在使用AmazonSageMaker。亚马逊云科技客户每个月都在构建数百万个模型、训练数十亿参数规模的模型、生成数万亿个预测。许多客户正在以几年前闻所未闻的规模使用机器学习。”亚马逊云科技人工智能和机器学习副总裁BratinSaha表示，“今天发布的AmazonSageMaker新功能让团队能够更轻松地加快机器学习模型的端到端开发和部署。从专门构建的治理工具到下一代Notebook体验和简化的模型测试，再到对地理空间数据的增强支持，我们在AmazonSageMaker的基础上不断创新，帮助客户大规模利用机器学习。”

对很多用户而言，云计算让机器学习触手可及。但直到几年前，构建、训练和部署模型的过程仍然是艰苦而乏味的，人手不多的数据科学家团队需要进行为期数周或数月的持续迭代，才能使模型达到生产水平。亚马逊云科技在五年前推出AmazonSageMaker以应对这些挑战，此后陆续增加了250多项新特性和功能，让客户能够更轻松地在多项业务中使用机器学习。当前，一些客户聘请了数百名专业人员，他们使用AmazonSageMaker做出预测，用以在改善客户体验、优化业务流程和加速新产品和服务开发等方面帮助解决最严峻的挑战。随着机器学习应用的增长，客户想要使用的数据类型不断增加，客户需要的治理、自动化和质量保证水平也与日俱增，以期实现对机器学习负责任的应用。AmazonSageMaker一向致力于为全球所有技能水平的专业人员提供支持，此次发布也秉承了这一创新传统。

AmazonSageMaker新功能可以帮助客户更轻松地在机器学习模型生命周期中扩大治理规模。随着企业内模型和用户数量的增长，设置最低权限的访问控制和创建治理流程以记录模型信息（如输入数据集、训练环境信息、模型使用描述和风险评级）都变得愈发困难。模型部署后，客户还需要监测偏差和特征偏移，从而确保模型按预期运行。

AmazonSageMakerRoleManager可以更轻松地控制访问和权限：适当的用户访问控制是治理的基石，它保护数据隐私，防止信息泄露，确保专业人员可以访问他们完成工作所需的工具。但一旦数据科学团队增加到数十甚至数百人，实施这些控制就会变得越来越复杂。机器学习管理员（创建和监控组织内机器学习系统的人）必须平衡对简化开发的需求和对管控机器学习工作流内任务、资源和数据访问的需求。当前，管理员通常创建电子表格或使用临时列表导览数十种不同活动（如数据准备和训练）和角色（如机器学习工程师和数据科学家）所需的访问策略。这些工具需要手动维护，而且可能需要数周时间才能明确新用户有效完成工作所需的具体任务。AmazonSageMakerRoleManager让管理员可以更轻松地控制访问并为用户定义权限。管理员可以根据不同的用户角色和职责选择和编辑预建模板。之后，该工具会在几分钟内自动创建具有必要权限的访问策略，持续降低添加和管理用户所投入的时间和精力。

AmazonSageMakerModelCards简化模型信息收集：当前，大多数专业人员依靠不同的工具（如电子邮件、电子表格和文本文件）记录模型开发和评估期间的业务需求、关键决策和观察结果。专业人员需要用这些信息支持审批工作流、注册、审计、客户查询和监控，但要为每个模型都收集这些详细信息则需要几个月的时间。一些专业人员试图通过构建复杂的记录保存系统来解决问题，但这样的系统需要手动操作、耗时且容易出错。AmazonSageMakerModelCards在亚马逊云科技控制台提供了单独的位置存储模型信息，从而在整个模型生命周期中简化文档管理。新功能会自动将输入数据集、训练环境和训练结果等详细的训练信息直接输入到AmazonSageMakerModelCards。用户还可以使用自助问卷的形式保存模型信息（如精度目标、风险评级）、训练和验证结果（如偏差或精准度指标）以及供将来参考的观察结果，用以进一步提升治理水平、支持负责任地使用机器学习。

AmazonSageMakerModelDashboard提供集中界面以跟踪机器学习模型：模型部署到生产环境后，专业人员希望不断跟踪模型以了解其性能、识别潜在问题。这一任务通常针对每个模型单独完成。但当组织开始部署数千个模型时，这种方式会变得越来越复杂，需要大量的时间和资源。AmazonSageMakerModelDashboard可以全面概览已部署的模型和端点，让专业人员只需在一个地方就可以跟踪资源和模型行为。通过模型看板，客户还可以使用内置集成的AmazonSageMakerModelMonitor（具备模型与数据偏移监控功能）和AmazonSageMakerClarify（具备机器学习偏差检测功能）。这种对模型行为和性能的端到端可见性为简化机器学习治理流程、快速解决模型问题提供了必备的信息。

AmazonSageMakerStudioNotebook为专业人员提供了从数据探索到部署的全托管Notebook体验。随着团队规模和复杂性的增加，可能有数十名专业人员需要使用Notebook协作开发模型。亚马逊云科技推出三项新功能帮助客户协调和自动化Notebook代码，进一步为用户提供最佳Notebook体验。

简化数据准备：专业人员在准备训练数据时希望直接在Notebook中探索数据集，以发现和纠正潜在的数据质量问题（如信息缺失、极值、数据集失真和偏差）。专业人员可能要花费数月时间编写样板代码将数据集的不同部分可视化，检查数据集，以期识别和修复问题。AmazonSageMakerStudioNotebook提供内置的数据准备功能，让专业人员只需点击几下即可直观地查看数据特征、修复数据质量问题，所有这一切都直接在Notebook环境中进行。当用户在Notebook中显示dataframe（即数据的表格形式）时，AmazonSageMakerStudioNotebook会自动生成图表帮助用户识别数据质量问题，提供数据转换建议帮助解决常见问题。专业人员选择数据转换后，AmazonSageMakerStudioNotebook会在Notebook中生成相应代码，可供每次运行Notebook时重复应用。

加速整个数据科学团队的协作：准备好数据后，专业人员就可以开始开发模型。这是一个迭代过程，可能需要团队成员在同一个Notebook中进行协作。当前，团队必须通过电子邮件或聊天应用交换Notebook和其它资产（如模型和数据集），以便在Notebook上实时协作，这会导致沟通疲劳、反馈迟滞和版本不统一等问题。AmazonSageMaker现在为团队提供了一个工作区，成员可以在其中实时阅读、编辑和运行Notebook，简化协作和沟通。团队成员可以一起查看Notebook结果，立即了解模型性能，无需反复传递信息。AmazonSageMakerStudioNotebook支持BitBucket和AmazonCodeCommit等服务，团队可以轻松管理不同的Notebook版本，比较版本变更。实验和机器学习模型这样的附加资源也会自动保存，让团队工作井井有条。

Notebook代码自动转换为生产就绪作业：当专业人员要将训练完成的机器学习模型用到生产中时，他们通常将代码片段从Notebook复制到一个脚本，再将脚本及其所有的依赖项打包到容器，最后调度容器运行。要在日程表上重复运行该作业，他们必须搭建、配置和管理持续集成和持续交付（CI/CD）管道，才能实现自动化部署。搭建所有必要的基础设施可能需要数周时间，这会占用核心的机器学习开发活动时间。AmazonSageMakerStudioNotebook现在让专业人员可以选择一个Notebook，将其自动化为可以在生产环境运行的作业。Notebook选择完成后，AmazonSageMakerStudioNotebook会建立整个Notebook的快照，将其依赖项打包到容器，构建基础设施，按照专业人员设定的时间表将Notebook作为自动化作业运行，当作业完成时释放基础设施，如此可以将Notebook投入生产所需的时间从数周缩短到数小时。

在部署到生产环境之前，专业人员会测试和验证每个模型，检查模型性能、识别可能对业务产生负面影响的错误。专业人员通常使用过去的推理请求数据测试新模型的性能，但这些数据有时无法代表当前的真实推理请求。例如，用于规划最快路线的机器学习模型的历史数据可能无法代表交通事故或突然关闭道路时交通流量的显著改变。为了解决这个问题，专业人员将发送到生产模型的推理请求副本路由到他们想要测试的新模型。他们需要花费数周时间构建这样的测试基础设施、镜像推理请求、比较新模型在关键指标（如延迟和吞吐量）上的表现。虽然这让专业人员对模型的执行情况更有信心，但为数百以至数千个模型实施这些解决方案的成本和复杂性太高，使其无法规模化。

AmazonSageMakerInference现在提供了一种功能，让专业人员可以更轻松地实时使用相同的真实推理请求数据，将新模型的性能与生产模型的性能进行比较。现在，他们可以轻松地将测试同时扩展到数千个新模型，无需构建自己的测试基础设施。首先，客户选择想要测试的生产模型，AmazonSageMakerInference随后会将新模型部署到具有完全相同条件的托管环境。AmazonSageMaker将生产模型收到的推理请求副本路由到新模型，并创建控制面板显示关键指标之间的性能差异，客户便可以实时了解每个模型的不同之处。客户一旦验证了新模型的性能并确信它没有潜在错误，就可以安全地部署它。

AmazonSageMaker全新的地理空间功能让客户可以更轻松地使用卫星和位置数据进行预测

当前，大部分收集到的数据都包含地理空间信息（如位置坐标、天气图和交通数据）。但是，已经用于机器学习的只有一小部分，原因是地理空间数据集很难处理，通常达到PB级的规模，且跨越整个城市或数百公里土地。要开始构建地理空间模型，客户通常会采购卫星图像或地图数据等第三方数据源以补充其专有数据。由于地理空间数据规模庞大，专业人员需要合并这些数据，准备数据用于训练，并编写代码将数据集划分为可管理的子集。当客户准备部署训练好的模型时，他们必须编写更多代码以重新组合多个数据集，将数据和机器学习模型预测关联起来。为了从完成的模型中提取预测结果，专业人员需要花费数天时间使用开源的可视化工具在地图上做渲染。从数据改进到可视化，整个过程可能需要几个月的时间，这使得客户很难利用地理空间数据及时产生机器学习预测。

AmazonSageMaker将客户丰富数据集、训练地理空间模型并将结果可视化的时间从数月缩短到数小时，从而加速和简化地理空间机器学习预测的生成。客户只需几次点击或使用API就可以使用AmazonSageMaker访问各种地理空间数据源，例如亚马逊云科技的位置服务AmazonLocationService、开放数据集AmazonOpenData、客户自有数据和来自Labs等第三方供应商的数据。当专业人员选择了想要使用的数据集，他们可以利用内置的运算器将这些数据集与自己的专有数据合并起来。为了加快模型开发，AmazonSageMaker提供了预训练的深度学习模型，其支持的用例包括通过精准农业提高作物产量、监测自然灾害后区域恢复以及改善城市规划等。训练完成后，内置的可视化工具在地图上显示数据，揭示新的预测。

CapitecBank是南非最大的数字银行，拥有超过1000万数字客户。“在Capitec，我们在各个产品线都拥有大批数据科学家，他们构建不同的机器学习解决方案。”CapitecBank机器学习工程师DeanMatter表示，“我们的机器学习工程师管理着一个基于AmazonSageMaker构建的集中式建模平台，支持所有这些机器学习解决方案的开发和部署。在没有任何内置工具的情况下，跟踪建模工作往往发生文档脱节，模型缺乏可见性。借助AmazonSageMakerModelCards，我们可以在统一环境中跟踪大量的模型元数据。而AmazonSageMakerModelDashboard提供了对每个模型性能的可见性。此外，AmazonSageMakerRoleManager简化了对不同产品线数据科学家进行的访问管理。每一项功能都有助于我们的模型治理，足以保证客户对我们作为金融服务提供商的信任。”

EarthOptics是一家土壤数据测量和制图公司，利用专有传感器技术和数据分析精确测量土壤健康状况和土壤结构。“我们希望使用机器学习帮助客户利用经济实惠的土壤地图提高农业产量。”EarthOptics首席执行官LarsDyrud表示，“AmazonSageMaker的地理空间机器学习功能使我们能够使用多个数据源快速构建算法原型，并且将研究和部署生产API之间的时间缩短到只有一个月。得益于AmazonSageMaker，我们为美国各地的农场和牧场部署了用于土壤固碳的地理空间解决方案。”

HERETechnologies是一个领先的位置数据和技术平台，可帮助客户创建自定义地图和基于高精度位置数据的位置体验。“我们的客户需要实时情境信息，利用空间模式和趋势洞察做出业务决策。”HERETechnologies首席产品和技术官GiovanniLanfranchi表示，“我们依靠机器学习自动从不同数据源获取位置数据，增强数据的情境信息，加速数据分析。AmazonSageMaker的测试新功能让我们能够在生产中更严格、更主动地测试机器学习模型，避免对客户造成不利影响或者因为部署的模型出错导致任何中断。这对我们至关重要，因为客户期待我们根据瞬息万变的实时位置数据提供及时的见解。”

Intuit是全球性金融技术平台，通过TurboTax、CreditKarma、QuickBooks和Mailchimp等产品支持全球超过1亿客户的繁荣发展。“我们正在释放数据的力量，给我们平台上的消费者、个体经营者和小型企业带来金融变革。”Intuit工程和产品开发总监BrettHollman表示，“为了进一步提高团队效率、将AI驱动的产品快速推向市场，我们与亚马逊云科技密切合作，设计了SageMakerStudioNotebook中全新的团队协作功能。我们成功实现了简化沟通和协作，让我们的团队能够使用AmazonSageMakerStudio将机器学习开发规模化。”