CommuniLink 聯通國際網絡

Amazon旗下的AWS今天宣佈推出Amazon Machine Learning (下簡稱為AML)，這是一項全面的託管服務，讓任何開發者都能夠輕鬆使用歷史資料開發並部署預測模型。這些模型用途廣泛，包括檢測欺詐、防止用戶流失並改進用戶支援。

與Amazon內開發者所使用的同樣經過驗證、可擴展並且每週生成超過500億個預測的機器學習技術，AML的API和嚮導能夠為開發者提供關於機器學習模型的創建和調試流程的指導，從而輕鬆部署並擴展模型，支援數十億級別的預測。AML能夠與S3、Redshift和Relational Database Service整合，輕鬆使用存儲在AWS雲服務上的已有資料。

Machine Learning難用 AML簡化有市場

由於需要統計學、資料分析和機器學習等方面的專業知識，只有極少數開發者能夠利用機器學習功能建立應用。傳統意義上的機器學習應用方法涉及很多手動、重複和容易出錯的任務，例如計算匯總統計學、進行資料分析、通過機器學習演算法利用資料訓練模型、評估和優化模型，然後才能使用該模型生成預測。

通過降低複雜性並對上述步驟進行自動化，AML讓所有軟件開發人員都可以廣泛地使用機器學習技術。開發者可以使用AWS管理主控台或API來快速地根據需要創建大量模型，並利用這些模型生成大輸送量的預測，而不必擔心配置硬體、分發和縮放計算負載、管理依賴性或監測和修復基礎架構故障等問題。由於沒有準備成本，開發者可以按使用情況付費，能夠從小規模開始並隨著應用的擴展而擴大使用規模。

由內部工具重新包裝雲端化

AML其實是Amazon內悠久的機器學習傳統，例如為客戶推薦商品，讓Amazon Echo能夠根據你的聲音做出回應，讓我們能夠在30分鐘內就可以卸載滿滿一卡車的商品並完成上架。其技術源自從數千名Amazon開發者快速建立模型、進行實驗並擴展至全球性預測應用的過程中所學到的經驗。

AML讓開發者能夠對用於訓練模型以發現資料模式規律的資料集的統計屬性進行視覺化處理。開發者就能夠更好地理解數據分佈，並在模型訓練之前發現缺失或無效的值，從而節約時間。之後，AML會自動變換用於訓練的資料並優化機器學習演算法，開發者不需要深入理解機器學習演算法或調試參數，即可創建最佳模型。通過使用AML技術，在沒有任何機器學習經驗的前提下，單個亞馬遜開發者可以在20分鐘內解決之前需要兩名開發者花費45天才能解決的問題，並且所建立的模型同樣能夠實現92%的精確度。一旦模型創建完畢，開發者就可以直接從AML輕鬆地進行批量處理或生成即時預測，無需開發和管理自有基礎架構。

亞馬遜可持續包裝團隊為亞馬遜配送提供更小巧、更環保的包裝，同時仍能夠保護配送物品。亞馬遜全球可持續發展總監Kara Hurst表示：「我們利用AML來分析客戶對包裝的回饋，並創建預測以發現適合我們的Frustration Free簡易包裝和電子商務包裝標準的商品。AML已經幫助我們更好地發現造成浪費和讓客戶不滿的產品包裝。我們能夠利用現有資料並快速地開發預測模型，在幾個星期內即可在生產中部署。因此，我們能夠為客戶提供更環保的商品和包裝。」

以上資訊由www.hkitblog.com提供

任何 IT 專業人員如果使用過監控工具，無論使用時間長短，都很可能對伺服器、路由器及交換機等新裝置的設定得心應手。新增磁碟機及介面等子項目大概也是小菜一碟。他們還很有可能設定自己份內要處理的報告及資料匯出，更不用說設定提醒了。

但是現在必須解決的問題是：如何處理這些提醒？

大多數使用監控工具的 IT 專業人員會設定電子郵件或短訊提醒轉寄，以便使用流動裝置獲得通知。特別諳於此道的 IT 專業人員甚至會在其公司使用的事件系統中設定自動問題單。但是一旦設定好這些，他們通常就收工了。接下來發生的事情很常見：監控工具將偵測到一個錯誤，並發出一則通知，相關人員將介入，採取某種行動，於是問題將（最終）得到解決。

但是為什麼要這麼做呢？如果電腦可以處理這種情況，為什麼要打擾一個正在享受生活、休息、工作或睡覺的人？事實上，監控工具自帶的許多提醒都具有通常可自動化的簡單回應功能，這樣可以節省很多人工時間及資源，換句話說，有助於提高淨收益。

想一想下面這些經常被忽視的簡單例子：

提醒：XXX 服務不可用 自動回應：嘗試重新啟動裝置

提醒：磁碟空間佔用率超過 X% 自動回應：清空標準臨時資料夾

提醒：偵測到 IP 位址衝突 自動回應：關閉較新裝置的連接埠

這樣的例子不勝枚舉。

任何時候，如果自動回應不成功，正常的監控工具將觸發第二級行動 — 透過上文所述的電子郵件、短訊或問題單發出通知。在最糟糕的情況下，電子郵件、短訊或問題單也只會延遲幾分鐘時間，而它們之所以會延遲，是因為監控系統立即採取了技術人員在登入後才會採取的措施。因此，從某種意義上來說，這種解決問題的途徑仍然比沒有自動回應的時候快上數分鐘。

但是自動化能做的事不僅僅是這些。有效的監控工具在發出提醒時，還能夠自動開始收集所需的額外資訊，然後將這些資訊「反饋」給提醒本身。例如：

提醒：CPU 佔用率超過 X% 自動回應：確定 CPU 佔用率最高的 10 個處理程序

提醒：RAM（新聞 – 快訊）佔用率超過 X% 自動回應：確定 RAM 佔用率最高的 10 個處理程序

提醒：虛擬機佔用了超過 X% 的主機資源 自動回應：按名稱確定虛擬機

提醒：清空臨時資料夾後，磁碟空間佔用仍然超過 X% 自動回應：掃描磁碟，確定最近 24 小時內新增或更新的最大的 10 個檔案

但是這類監控自動化真的會影響淨收益嗎？答案是絕對的「會」。

典型案例：某間公司最近只是實施了上文所述的與磁碟相關的自動回應，即清空臨時資料夾，如果磁碟空間仍然較滿，則在 15 分鐘後再次發出提醒，並且將 CPU 佔用率最高的 10 個處理程序新增至高 CPU 佔用提醒中。

結果是，與去年同月相比，提醒數量大約減少了 30% 至 70％。將百分比轉換為實際數字，意味著每月大約減少了 43 至 175 條提醒。另外，支援人員看到結果後可以更快地對剩餘的提醒做出回應，因為他們知道，系統已經自動完成了初步處理。

顯然，與 CPU 相關的提醒沒有減少，但支援人員的回應同樣得到了改善，因為問題單中所含的資訊明確指出了問題所在。在一種情況下，由於公司終於能夠證明軟件長期存在的問題，因此他們可以去找廠商，要求對方提供修補程式。

虛擬化、成本的下降以及值得慶幸的預算投入增加正在推動 IT 環境的發展，在這樣的背景下，利用監控措施來確保運算環境的穩定性已成為一項日益明顯的需求。另一項需求沒有那麼明顯，但是卻具有同樣的重要性及價值，那就是：透過實施促進自動化的監控工具以及切實利用這些自動化功能，來確保將監控所需的人工成本維持在低水平。

作者：SolarWinds 極客達人 Leon Adato

以上資訊由www.hkitblog.com提供

建模成形技術為商業活動帶來了很多創新的機會，從列印一個手機外殼到重組人體器官，3D列印在不同行業中的發展正急速成長。許多應用領域在生產及研發階段開始加入3D技術，帶來多個績效優勢，有效將生產轉化成高品質，遠遠高於傳統製造所能達到的水準。所以，公司機構採用多種方式來拓展3D列印的適用範圍，加速增長在亞洲和北美尤其顯著。

有調查發現，3D打印傾向於個人定制和小規模生產，與相對成熟的應用行業一起，例如汽車和航空航太細分領域，消費品製造和醫療保健的應用為這項技術提供了巨大的成長空間。然而，用於大規模系統和大型物件製造的技術的有效性還有待清晰證實。另外，考慮到急劇增加的初始投資和相對適度的生產量，創建快速成型服務的開辦成本預計較高。不過，3D列印價值鏈中的公司將會得益於模具製作安裝及生產過程數量的減少，成本也就會隨之降低。這也將使存貨和訂貨至交貨的時間大大減少。而這兩個因素對製造業公司意義重大。

隨著市場潛力和經費的快速增長，3D列印生態系統正在成形。多產業（如政府、實驗室、大學、初創公司和老牌企業）的參與將加快3D列印技術、產品和服務在全球範圍的發展和商業化。

以上資訊由www.hkitblog.com提供

由AWS、Google及微軟這三巨頭帶領的雲服務減價戰進入另一階段，今年第一季度雲運算服務的價格戰已經緩和。這三巨擘提供的基建即服務(IaaS)，以出租運算能力和存儲空間為企業提供彈性及靈活的IT基建。根據摩爾定律，由於技術不斷提升，CPU、記憶體等成本會逐漸下降，所以雲運算成本能夠減少，而用戶所付成本也因此受惠。

投資公司RBC Capital在一份報告中指出今年第一季度公共雲運算領域的價格大戰已經平緩下來，業界最大的如AWS、Google、Microsoft、IBM和Rackspace等已經沒有如以往一般大幅調整，只有其他平台如VMware、CloudSigma下調了幾次價格。而PaaS的雲運算服務業務能提供更高的利潤率，因為PaaS模式中，雲運算服務供應商可以銷售在雲基礎設施上運行的應用和軟體，包括業務管理和資料庫服務。

部署混合雲時機已到

目前部署混合雲是許多企業關注的題目，企業未來會將更多業務建立在公有雲及私有雲中，方便它們在自己的伺服器上運行最重要的商業應用，在需要的時候訪問IaaS提供商的服務。通過利用混合雲架構，50%的受訪者把應用/資料由公共雲中遷移到私有雲中，客戶採用混合雲運算模式的主要動力是安全性、有更大的控制力、效能和成本更低。

高盛發表的一份雲運算報告中表示，AWS的定價策略越來越複雜，自2006年發佈以來，AWS已經48次下調了價格。價格策略反映價格與成本呈正相關。巴爾認為，儘管定價日趨複雜，但客戶也能有效地優化不同價格選項。

以上資訊由www.hkitblog.com提供