Amazon Web Services hat auf seiner Kundenveranstaltung AWS re:Invent 2020 im Dezember eine Reihe von Produkten für den Industrial IoT Markt vorgestellt. Wir haben einen näheren Blick darauf geworfen und stellen diese kurz vor.
Mit Amazon HealthLake sollen Kunden im Gesundheitswesen und in den Biowissenschaften leichter großen Datenmengen im Petabyte-Bereich analysieren können. Die neue Babelfish-Funktion für den Amazon-Aurora-PostgreSQL-Service greift das Lizenzgeschäft von Anbietern relationaler Datenbanken an und soll Kunden helfen, Lizenzgebühren zu sparen.
Heutzutage sind Daten in Unternehmen allgegenwärtig, doch nur mit ihrer schnellen Analyse können sie Prozesse beschleunigen. Bei datengetriebenen Entscheidungen muss eine hohe Datenqualität gewährleistet sein. Gleichzeitig gilt es zu verhindern, dass Ausreißer Einfluss auf wichtige Entscheidungen nehmen. Doch wie können solche Anomalien in Sensordaten von Produktionsmaschinen erkannt und verarbeitet werden?
Sicherheit und Compliance können Dienstanbieter und Administratoren in Unternehmen nur gemeinsam erreichen. Ein Beispiel ist das Aufzeigen von Zugriffen auf Amazon Simple Storage (Amazon S3) Buckets durch den AWS Identity and Access Management (IAM) Access Analyzer und deren Kontrolle durch den IT-Administrator im Unternehmen.
Die Cloud hat das Thema Machine Learning auch für weniger finanzstarke Unternehmen erschwinglich gemacht. Und der Löwenanteil des Cloud-KI-Marktes entfällt laut Gartner auf Amazon Web Services (AWS). Da nimmt es kaum Wunder, dass der Provider dem Thema Machine Learning auf seiner – in diesem Jahr virtuellen – Mega-Konferenz „re:Invent“ eine eigene Keynote widmete. Swami Sivasubramanian, Vice President Machine Learning, kündigte dort eine ganze Reihe von neuen Produkten an – sowohl für ML-Entwickler als auch für Datenanalytiker sowie industrielle Anwender.
Verschlüsselungstechnologien spielen im Rahmen der Sicherheitsstrategie eine wichtige Rolle. Bei richtiger Handhabung bieten sie eine zusätzliche Schutzebene, die über die Zugriffskontrolle hinausgeht.
Wenn in einem Fußballspiel ein Tor fällt, sorgt das oft für lebhafte Diskussionen. Dabei kann man mittlerweile exakt berechnen, wie hoch die Wahrscheinlichkeit war – dank Künstlicher Intelligenz. Hierfür trägt die Deutsche Fußball Liga (DFL) in jeder Begegnung der ersten und zweiten Bundesliga über 3,6 Millionen Datenpunkte zusammen. Das Ergebnis ihrer Analyse findet sich in den xGoals (oder „Expected Goals“)-Statistiken der Bundesliga Match Facts powered by AWS.
Amazon Forecast erzeugt mithilfe von Machine Learning (ML) hochgradig präzise Prognosen – ohne dass Anwender über ML-Erfahrung verfügen müssen. In unserem zweiteiligen Artikel zeigen wir, wie Sie automatisierte Prognosen entwickeln. Der erste Teil behandelt die Implementierung eines Date Lake unter Berücksichtigung notwendiger Sicherheitsrichtlinien mit dem Dienst AWS Lake Formation. Im zweiten Teil geht es um das automatisierte Importieren von Daten in Ihren Data Lake und deren Transformation mit einem AWS Glue-Workflow. Anschließend wird ein Amazon-Forecast-Prognosemodell trainiert und mit Amazon QuickSight visualisiert.
Amazon Forecast erzeugt mithilfe von Machine Learning (ML) hochgradig präzise Prognosen – ohne dass Anwender über ML-Erfahrung verfügen müssen. In unserem zweiteiligen Artikel zeigen wir, wie Sie automatisierte Prognosen entwickeln. Der erste Teil behandelt die Implementierung eines Date Lake unter Berücksichtigung notwendiger Sicherheitsrichtlinien mit dem Dienst AWS Lake Formation. Im zweiten Teil geht es um das automatisierte Importieren von Daten in Ihren Data Lake und deren Transformation mit einem AWS Glue-Workflow.
Der Markt für Graph-Datenbanken blüht und wächst, denn die Nachfrage hinsichtlich der Analyse vernetzter Daten steigt rasch. Doch der IT-Nutzer fragt sich, welche Graph-Datenbank die leistungsfähigste ist und sich mit ihren Funktionen für ihn am besten eignet.