توقف اسناد AWS در GitHub

جف بار در ۱۷ مه ۲۰۲۳ می گوید، حدود پنج سال پیش اعلام کردم که AWS Documentation اکنون منبع باز و در GitHub است. پس از یک دوره طولانی آزمایش، ما اکثر مخازن را از هفته ۵ ژوئن بایگانی خواهیم کرد و تمام منابع خود را به بهبود مستقیم اسناد و وب سایت AWS اختصاص خواهیم داد.

منبع اصلی بیشتر اسناد AWS در سیستم های داخلی است که ما مجبور بودیم به صورت دستی با مخزن های GitHub همگام سازی کنیم. علی‌رغم بهترین تلاش‌های تیم مستندسازی ما، ثابت نگه‌داشتن مخازن عمومی با مخازن داخلی ما، با چندین مرحله دستی و برخی ویرایش‌های موازی، بسیار دشوار و زمان‌بر است.

با ۲۶۲ مخزن جداگانه و هزاران راه اندازی ویژگی در هر سال، سربار بسیار بالا بود و در واقع زمان گرانبهایی را مصرف می کرد که می توانست به گونه ای استفاده شود که به طور مستقیم کیفیت اسناد را بهبود بخشد. هدف ما افزایش ارزش برای مشتریانمان از طریق باز بودن و همکاری بود، اما از طریق بازخورد مشتریان متوجه شدیم که لزوماً اینطور نیست.

پس از بررسی دقیق بسیاری از گزینه ها، تصمیم گرفتیم که مخازن را متوقف کنیم و تمام منابع خود را برای بهتر کردن محتوا سرمایه گذاری کنیم. مخازن حاوی نمونه‌های کد، برنامه‌های نمونه، الگوهای CloudFormation، فایل‌های پیکربندی و سایر منابع تکمیلی به‌همان صورت باقی می‌مانند زیرا این مخازن منابع اولیه هستند و سطح بالایی از تعامل را دارند.

ما معیارهای مثبت و منفی را به صورت هفتگی مشاهده می کنیم و از این معیارها به عنوان نشانگرهای سطح بالا برای مناطقی از اسنادی که می توانند بهبود یابند استفاده می کنیم. بازخورد دریافتی بلیط هایی ایجاد می کند که مستقیماً به شخص یا تیمی که مسئول صفحه است هدایت می شود. من قویاً شما را تشویق می کنم که از هر دو مکانیسم بازخورد مکرر استفاده کنید.

راه اندازی های آمازون در هفته گذشته

در اینجا چند راه اندازی است که توجه ما را در هفته گذشته جلب کرد. AWS Wickr اکنون واجد شرایط HIPAA است. AWS Wickr یک ابزار پیام‌رسانی و همکاری سازمانی رمزگذاری‌شده سرتاسر است که پیام‌های یک به یک و گروهی، تماس صوتی و تصویری، اشتراک‌گذاری فایل، صفحه و  مکان را بدون افزایش امکان‌پذیر می‌سازد.

اکنون می توانید از AWS Wickr برای بارهای کاری که در محدوده HIPAA هستند استفاده کنید. برای شروع به AWS Wickr مراجعه کنید.

 پشتیبانی AWS Chatbot

AWS Chatbot از دسترسی به داشبوردهای آمازون CloudWatch پشتیبانی می‌کند و اطلاعات بینش را در کانال‌های چت ثبت می‌کند. با این راه‌اندازی، اکنون می‌توانید اعلان‌های هشدار آمازون CloudWatch را برای یک حادثه مستقیماً در کانال چت خود دریافت کنید، داده‌های تشخیصی را از داشبوردها تجزیه و تحلیل کنید و مستقیماً از چت اصلاح نمایید. کانال بدون تغییر زمینه برای کسب اطلاعات بیشتر به صفحه AWS Chatbot مراجعه کنید.

به روز رسانی منبع باز AWS

برخی از نکات برجسته در اخبار به روز رسانی شده AWS در اینجا وجود دارد:

OpenEMR در AWS Fargate : OpenEMR یک راه حل محبوب مدیریت الکترونیکی بهداشت و درمان است. اگر به دنبال استقرار OpenEMR در AWS هستید، این مخزن به شما کمک می کند تا OpenEMR خود را با استفاده از Amazon ECS در AWS Fargate راه اندازی و اجرا کنید.

Cloud-Radar  : اگر با AWS Cloudformation کار می کنید و به دنبال انجام تست های واحد هستید، ممکن است بخواهید Cloud-Radar را امتحان کنید. همچنین می‌توانید آزمایش‌های عملکردی را با Cloud-Radar انجام دهید، زیرا این ابزار همچنین در اطراف Taskcat عمل می‌کند.

آمازون و هوش مصنوعی مولد

استفاده از هوش مصنوعی مولد برای بهبود طبقه‌بندی چند برچسبی شدید ممکن شده است. دانشمندان آمازون در تحقیقات خود در مورد طبقه‌بندی چند برچسبی شدید (XMC)، یک رویکرد مولد را بررسی کردند که در آن یک مدل دنباله‌ای از برچسب‌ها را برای دنباله‌های ورودی کلمات ایجاد می‌کند.

مدل های مولد با خوشه بندی به طور مداوم از آنها بهتر عمل می کردند. این نشان دهنده اثربخشی ترکیب خوشه بندی سلسله مراتبی در بهبود عملکرد XMC است. در AWS re:Invent 2022، ما قابلیت‌های جغرافیایی Amazon SageMaker را پیش‌نمایش کردیم و به دانشمندان داده و مهندسین یادگیری ماشین (ML) اجازه ساخت، آموزش و استقرار مدل‌های ML را با استفاده از داده‌های مکانی داد.

Geospatial ML با Amazon SageMaker از دسترسی به داده‌های مکانی در دسترس، عملیات پردازش هدفمند و کتابخانه‌های منبع باز، مدل‌های ML از پیش آموزش‌دیده، و ابزارهای تجسم داخلی با قابلیت‌های مکانی Amazon SageMaker پشتیبانی می‌کند.

در طول پیش نمایش، ما علاقه زیادی داشتیم و بازخوردهای خوبی از مشتریان داشتیم. امروزه، قابلیت‌های جغرافیایی Amazon SageMaker عموماً با به‌روزرسانی‌های امنیتی جدید و موارد استفاده نمونه اضافی در دسترس هستند.

معرفی ویژگی های Geospatial ML با SageMaker Studio

برای شروع، از راه اندازی سریع برای در منطقه غرب ایالات متحده (اورگان) استفاده کنید. هنگام ایجاد کاربر جدید در استودیو، مطمئن شوید که از نسخه پیش فرض Jupyter Lab 3 استفاده کنید. اکنون می توانید به صفحه اصلی در SageMaker Studio بروید. سپس منوی Data را انتخاب کرده و روی Geospatial کلیک کنید.

در اینجا یک مرور کلی از سه قابلیت کلیدی زمین فضایی Amazon SageMaker آورده شده است:

مشاغل رصد زمین: داده‌های تصاویر ماهواره‌ای را با استفاده از عملیات جغرافیایی ساخته‌شده یا مدل‌های ML از پیش آموزش‌دیده برای پیش‌بینی‌ها و دریافت بینش‌های مفید، به دست آورید، تبدیل و تجسم کنید.

کارهای غنی سازی برداری: داده های خود را با عملیاتی مانند تبدیل مختصات جغرافیایی به آدرس های قابل خواندن غنی کنید.

تجسم نقشه: تصاویر ماهواره ای یا داده های نقشه آپلود شده از یک فایل CSV، JSON، یا GeoJSON را تجسم کنید.

می‌توانید تمام مشاغل رصد زمین (EOJ) را در نوت‌بوک SageMaker Studio ایجاد کنید تا داده‌های ماهواره‌ای را با استفاده از عملیات جغرافیایی ساخته‌شده پردازش کنید. در اینجا لیستی از عملیات جغرافیایی ساخته شده توسط نوت بوک SageMaker Studio ارائه شده است:

انباشتگی باند: چندین ویژگی طیفی را برای ایجاد یک تصویر واحد ترکیب کنید.

پوشاندن ابر: پیکسل‌های ابری و بدون ابر را شناسایی کنید تا تصاویر ماهواره‌ای بهتر و دقیق دریافت کنید.

حذف ابر: پیکسل های حاوی بخش هایی از ابر را از تصاویر ماهواره ای حذف کنید.

Geomosaic  : چندین تصویر را برای وفاداری بیشتر ترکیب کنید.

تقسیم بندی پوشش زمین: انواع پوشش زمین مانند پوشش گیاهی و آب را در تصاویر ماهواره ای شناسایی کنید.

نمونه برداری مجدد: مقیاس تصاویر با وضوح های مختلف.

شاخص طیفی: ترکیبی از باندهای طیفی را بدست آورید که نشان دهنده فراوانی ویژگی های مورد علاقه است.

آمارهای زمانی: محاسبه آمار در طول زمان برای چندین GeoTIFF در یک منطقه.

آمار منطقه ای: محاسبه آمار در مناطق تعریف شده توسط کاربر.

می توانید اخبار جدید آمازون را در زاکولا دنبال کنید.