invent|亚马逊第三代服务器芯片来了！机器学习负载性能飙3倍，能耗降60%( 三 )

AWS推出了数字程序AWS技能生成器，并在Amazon.com上提供学习云技能，以及AWS重新/启动程序，以帮助刚开始上云的用户。
“Amazon Redshift Serverless会自动为您准备正确的计算资源。”AWS的Danilo Poccia解释说：“随着更多并发用户和新工作负载的发展，您的数据仓库会自动无缝扩展以适应变化。您可以选择指定基本数据仓库大小，以额外控制成本和应用程序特定的SLA。”
同样，AWS处理流数据的服务Kinesis现在提供完全托管的按需模式。使用此新容量模式，服务可以根据数据流量自动扩展。
为了方便企业访问所需数据，Selipsky展示了Amazon QuickSight Q功能如何提供仪表板以有用的方式显示数据。

文章插图
七、AWS Lake Formation：构建安全的数据湖AWS Lake Formation是一个非常重要的安全提升，允许限制对特定行和列的访问，并仅向授权用户自动过滤和显示数据。
建立和管理数据湖涉及许多人工、复杂和耗时的任务。相比以往动辄花费数周或几个月的时间，采用AWS Lake Formation，几天就能轻松地建立一个安全的数据湖。

文章插图
Selipsky分享了一些新特性，可简化进一步的数据加载、优化存储和管理对数据湖的访问：
一个是Governed Tables。这是一种新型的Amazon S3表，使得在任何规模下摄取和管理数据变得简单和可靠。它可以自动管理冲突和错误，确保用户视图一致，并无需自定义错误处理代码或批处理更新。
当启动为Governed Tables提供自动压缩的存储优化选项时，用户无需自定义ETL作业，这些作业读取、合并和压缩数据到新文件中，然后替换原始文件。
还有具有行和单元级安全性的粒度访问控制，用户可根据执行操作的身份控制对查询结果和AWS Glue ETL作业中的特定行和列的访问。
八、AWS IoT TwinMaker：轻松构建数字孪生最后出场的是一项名为AWS IoT TwinMaker的新服务，可用于轻松创建和使用现实世界系统的数字孪生。
数字孪生是建筑物、工厂、生产线和设备等事物的虚拟表示，它们定期更新现实世界数据，以模仿其所代表系统的行为。
有了这项新服务，用户无需将数据移动到单个存储库中，便可通过连接视频提要和应用程序等来源的数据来创建数字孪生。

文章插图
另一个平台AWS IoT FleetWise允许制造商从数百万辆车中收集数据，并易于在云中进行分析。
用户可将内置数据连接器用于这些服务：AWS IoT FleetWise用于设备和时间序列传感器数据；Amazon Kinesis视频流用于视频数据；Amazon Simple Storage Service（S3）用于存储视觉资源（如CAD文件）和来自业务应用程序的数据。

文章插图
AWS IoT TwinMaker还提供了一个框架以创建自己的数据连接器，与其他数据源（如Snowflake和Siemens MindSphere）一起使用。
一旦创建了数字孪生，用户可能会希望在物理环境中可视化数据。为了解决这个问题，AWS IoT TwinMaker创建了一个数字孪生图，它结合了用户物理系统的虚拟表示和连接的数据源之间的关系。这允许用户准确建模他们的现实世界环境。
用户可以导入现有的3D模型来排列物理空间的3D场景。从那里，用户也可以添加交互式视频和传感器数据覆盖，以及来自连接机器学习服务的见解。
该服务附带了Amazon Managed Grafana的插件，这是Grafana Labs开放仪表板和可视化平台的托管服务。