2min

Amazon Web Services wil machine learning toegankelijker maken voor ontwikkelaars en lanceert daarom een aantal updates voor machine learning in de cloud. Daardoor moet het eenvoudiger worden om voorspellingen met kunstmatige intelligentie (AI) toe te voegen aan applicaties en diensten.

Om machine learning bereikbaarder te maken voor meer ontwikkelaars, zijn diverse updates aangekondigd. Zo wordt het mogelijk om machine learning-voorspellingen te draaien op ongestructureerde of relationele data in Amazon S3, schrijft Silicon Angle.

Daarnaast kunnen de voorspellingen draaien op data in Amazon Aurora. Aurora is een in de cloud gehoste relationele database dienst die ondersteuning biedt voor MySQL en PostgreSQL.

De twee nieuwe opties zorgen ervoor dat gebruikers machine learning-modellen kunnen trainen in SQL aan de hand van Aurora of AWS Athena. AWS Athena is een interactieve query-dienst om data in S3 te analyseren.

Visualisatie met AI

Ook wordt het mogelijk om AWS QuickSight in te zetten voor machine learning. QuickSight is een datavisualisatietool om dashboards die AI-inzichten naar voren brengen te maken en te publiceren. Met de nieuwe functies kan QuickSight ook modelvoorspellingen van machine learning-diensten als AWS SageMaker visualiseren en rapporteren.

Al deze nieuwe functies zorgen er samen voor dat er minder eigen code geschreven en onderhouden hoeft te worden. Waar ontwikkelaars vroeger data uit stores moesten kopiëren en transformeren in een ondersteund format, is dat nu niet meer nodig.

AWS heeft er namelijk voor gezorgd dat er geen calls meer gemaakt hoeven te worden vanuit een applicatie, waardoor het eenvoudiger is om voorspellingen toe te voegen aan applicaties zonder dat hier integraties voor opgezet moeten worden. Ook hoeven er geen andere tools meer aangeleerd te worden.

Rekognition Custom Labels

Amazon heeft de afgelopen dagen meerdere updates uit laten gaan. Op AI-gebied verscheen gisteren nog een geheel nieuwe tool: Amazon Rekognition Custom Labels. Deze tool maakt het mogelijk om machine learning toe te passen om AI-modellen bepaalde objecten te laten herkennen, ook als er beperkte informatie beschikbaar is.

De tool zorgt ervoor dat er niet langer grote datasets gebruikt moeten worden om modellen te trainen, maar dat modellen ook met kleine datasets voor heel specifieke use cases getraind kunnen worden.