大家好，我是本栏目的编辑郝帅，现在我给大家讲解一下上面的问题。亚马逊为AWS推出了大量新的机器学习服务。包括面向开发者的AI服务、亚马逊SageMaker的模型和算法、自动数据标注和强化学习服务、TensorFlow的AWS优化版等大家熟悉的机器学习库。

全新的AWS优化TensorFlow产品现已广泛提供，允许TensorFlow作业在由多个GPU供电的EC2节点之间自动扩展和平衡。亚马逊表示，其对TensorFlow扩展的改进提升了数十个GPU的运行效率，比手动设置TensorFlow能更快地训练模型。

另一个新的AWS产品可以大规模地加速从生成的模型中推断或预测。亚马逊弹性推理从“所有流行的框架”(TensorFlow、Apache MXNet等)中获取模型。)并使用它们来提供预测。但是，从相对适中的EC2实例开始，可以根据需要上下调整GPU性能。客户只为他们使用的GPU付费。我们的想法是将GPU成本限制在所需的成本，而不是用专用GPU过度配置EC2实例，这将在很大程度上得不到利用。

其他新产品补充了亚马逊SageMaker，一个处理机器学习工作流的AWS托管服务。

许多机器学习模型需要有标签或预先分类的数据。不幸的是，标记数据通常是一项耗时的任务，因为它通常必须手动完成。亚马逊SageMaker Ground Truth在被人类使用时，实时知道数据集的标签。一旦训练了数据子集，就可以使用它来自动应用标签。

亚马逊在SageMaker解决的另一个机器学习挑战涉及强化学习系统，该系统基于真实世界的反馈不断改进模型。Amazon SageMaker RL允许开发人员“通过托管强化学习算法来构建、训练和部署强化学习”，它与强化学习堆栈所需的许多通用组件捆绑在一起。

另一款亚马逊SageMaker新产品SageMaker Neo优化了机器学习模型，使其运行速度更快，使用的资源更少。它类似于TensorFlow模型在低端硬件上的部署方式。目前，SageMaker Neo仅限于将模型部署到“Amazon EC2实例、Amazon SageMaker端点以及AWS IoT Greengrass管理的设备”。

用于常见业务任务(需求预测、数据准备、自然语言处理)的预打包机器学习模型现在可以在AWS Marketplace购买并部署到Amazon SageMaker。

最后，亚马逊推出了许多新的人工智能服务，允许开发人员为他们的应用程序增加智能。Textract使用机器学习从文档或表单中提取数据。亚马逊理解医疗将自然语言处理应用于医疗文档。亚马逊个性化是一项实时个性化和推荐服务。亚马逊预测是一项服务，可以根据历史数据生成定制的机器学习模型，以创建时间序列预测。