临近年底，又到了盘点这一年工作、学习成果，顺便展望未来的时候了。
十月期间，我们依然与大家分享了大量有关亚马逊云科技 (Amazon Web Services）的AI、机器学习等内容的技术文章，不妨顺便一起来回顾一下。
Amazon SageMaker
命名实体识别（NER）的核心，在于筛选文本数据以查找名词短语（即命名实体），并使用人、组织或品牌等标签对其进行分类。但实际上，构建准确的内部自定义实体识别器往往非常复杂，需要准备大量手动注释的训练文档，同时选择正确的算法与参数以实现模型训练。其实我们可以通过端到端管道，使用Amazon SageMaker Ground Truth与Amazon Comprehend构建自定义NER模型。其中，Amazon SageMaker Ground Truth可以帮助我们高效、准确地标记训练机器学习系统所必需的数据集；Ground Truth提供内置标记工作流，帮助人类标记员逐步完成数据注释任务。了解具体做法：快速构建NER模型，Amazon SageMaker Ground Truth与Amazon Comprehend给你支招了。
人工智能
Raspberry Pi设备以灵活的功能、强大的特性和简单上手的开发支持，帮助很多人学习AI、IoT等相关技术。而我们将借助Amazon Transcribe这个强大的语音到文本转换服务，将不同语言的语音转录为文本内容，以供进一步处理。借此，我们可以将该服务与物联网设备配合使用，构建一套能够支持多种语言的语音到文本通知系统，并将其用作「对讲门铃」的补充。构建完成后，当传感器检测到指定范围内的人员时，接入Raspberry Pi的扬声器会播放初始问候语，并提示用户录制一条语音消息。该录音将被发送至Amazon S3，由后者触发Lambda函数以使用Amazon Transcribe将语音转录为文本。转录完成之后，用户将从Amazon SNS处接收转录的文本通知。一起试试看吧：几步操作，轻松构建多语种语音到文本通知系统。
DevOps是软件开发领域一种非常热门的实践，而类似的机制也同样适用于机器学习领域。与DevOps模型类似，机器学习中的MLOps模型同样有助于跨机器学习工具与框架构建代码与集成。借此，我们可以对数据管道进行自动化、运营以及监控，且完全无需重写自定义代码或者重新设计现有基础设施。MLOps帮助我们扩展了现有分布式存储与处理基础设施，让机器学习模型的大规模部署与管理更加简单易行。此外，MLOps还能立足单一中央位置跟踪并可视化组织内所有模型随时间漂移的情况，同时实现自动数据验证策略。一起了解一下如何创建无服务器架构的机器学习运营（MLOps）管道，并借此开发及可视化由Amazon Forecast构建的预测模型。欢迎阅读：MLOps体系驱动的预测自动化到底是怎么炼成的？
Amazon Rekognition是一项基于机器学习（ML）技术的图像与视觉分析服务，可帮助用户识别图像及视频中的对象、人物、文本、场景及活动，并同步检测出是否存在不当内容。Amazon Rekognition文本检测功能则能够从图像及视频中识别并提取出文本内容。例如，在图像共享与社交媒体应用中，我们可以使用图像内文本所包含的关键字实现图像索引以及可视化搜索。想不想知道该服务到底有多强大？欢迎阅读：案例分享：用AI取代「人工审核」，快速搞定图像的合规审查。
机器学习
很多朋友喜欢在业余时间观看足球比赛，而且能够快速根据当前球员射门的位置与角度，判断出这一脚有多大机会命中球门。如果是在电视上观看比赛，再配合上主持人的解说与充满情绪的引导，大家几乎能够预测出这临门一脚会有怎样的效果了。但以往，这样的判断只能通过肉眼观察实现，同时结合当前防守球员的数量（例如守门员所在位置，或者射门球员位于球门正面还是侧面）做出假设。现在，使用xGoals（即「预期进球」的缩写）技术，亚马逊云科技得以为德甲联赛提供强大的技术支持，充分发挥数据与洞见的强大力量，帮助球迷们即时判断在球场各个位置射门得分的确切概率。看看他们是怎么做的：案例分享：德甲 X 亚马逊云科技，进球「神预言」到底是如何做到的？
自动驾驶车辆（AV）厂商通常使用LiDAR传感器生成对车辆周边环境的3D成像结果。例如，他们会将LiDAR安装在车辆顶端，借此连续捕捉周边3D环境的时间点快照。LiDAR传感器输出的是一系列3D点云图像帧，为了建立起能够自动跟踪车辆周边重点对象（例如其他车辆及行人）的感知系统，自动驾驶厂商往往首先在3D点云图像帧中手动标记对象，而后使用标记后的3D图像帧训练机器学习（ML）模型。那么，我们该如何借助Amazon SageMaker Ground Truth对3D点云数据进行标记的能力对3D点云数据执行数据转换，从而使用SageMaker Ground Truth来标记3D对象跟踪？欢迎阅读：打造自主行驶汽车的第一步：3D对象跟踪和传感器融合。
相信你对各大网站和应用的「个性化推荐」系统已经再熟悉不过了。不过这一切都必须基于一个前提：这些推荐系统真的能充分了解你的喜好，并准确推荐你真的会喜欢需要的东西！要想做到这一点可并不容易。对商家来说，如果推荐系统提供的推荐内容准确率低，此类推荐可能影响用户情绪，导致用户参与度降低，最终引发业务营收损失。因此很多企业会编写自定义代码解决此类问题，即通过代码将个性化系统针对每位用户存储在数据库内的数据进行比较，借此提供更为准确的推荐内容，同时删除推荐中用户已经购买过的条目。但老实说，这一实现过程相当耗时且极易出错。试试看更简单有效的方法吧：「猜你喜欢」猜得更准确，这到底是如何做到的？
