新科技速遞
雖然說，AWS不算是人工智能（的先行者，以AI基礎研究不及Microsoft和IBM，以容器、AI架框不及Google，不過將人工智能推向應用，則不能不說提及AWS產品線。
AWS簡化整個人工智能訓練工具SageMaker，以及林林總總的行業應用，數年內為AWS帶來大量的客戶，遍及各個領域。
AI從數據預備（Prepare），以至建立模型（Build），然後是訓練和微調（Train/tune），最後部署／管理（Deploy/Manage）。AI與傳統電腦運算的最大分別，以往編程以Rule based為主，AI則以機器學習，訓練模型作出決策。
AI模型訓練靠大量數據，其次數據必須先經轉化再標注（Labelling），極為耗用人手，然後是選擇合適算法（Algorithm），不斷微調可能的參數，部署模型並監控其推理（Inference）的凖確性。不少AI模型須快速回應，又往往部署在邊緣運算，模型又不斷要優化，必須工具作部署／管理，更新等。
AWS亞太區新興技術總監Olivier Klein表示，亞太區多家金融機構和初創均採用了AWS的機器學習方案，其中SageMaker支援各種AI框架；包括最多人採用開源Tensorflow、PyTorch、MXNet等，上述框架以Tensorflow及PyTorch佔去主要市場。SageMaker屬於托管式服務，可縮短建置、訓練及部署機器學習（ML）模型的時間和技術要求。
SageMaker也縮短學習曲線，不少初創和金融機構，都是透過AWS開始訓練機器學習，即使是Coinbase和Mastercard的Nudata security，也是透過AWS偵察欺詐行為。本港WeLab也是利用AWS運行核心銀行系統和反欺詐等。
數據凖備工具
每年AWS為SageMaker，去年加入自動標註數據的Ground Truth，可以預先處理數據，以方便為數據集作自動標註。今年加入Data Wrangler準備機器學習數據。準備數據是機器學習開始的必經階段，Wrangling通常是指將原始數據清洗和轉化成適當的格式，以便分析工具可以使用；但過程非常耗時和費力，Azure就推出Data Factory自動化核對和轉換數據格式。Data Wrangler有望解決數據凖備的痛點，除了機器學習，也有助分析，例如送往數據倉庫Redshift或Snowflake前的凖備，不過類似方案近年如雨後春筍，
SageMaker也推出偵察AI模型偏見的Clarify，以觀察模型內對於性別或種族等的偏見判斷。AI模型直接作出決定，有時像黑箱作業，必須找出數據內部所帶的偏見，以免作出對於某些群體不利的決定，並符合法規要求。
而Pipelines則管理工作流程和自動化為機器學習構持續整合和交付（CI /CD）服務，可以持續不斷優化模型。
工業視覺運算
AWS也發佈了完全毋須自行訓練，以機器學習管理生產和智能製造方案，方便部署，毋須經驗，進一步降低機器學習的使用門檻。
Monitron用於作機器維修作預測性分析，可為現時沒有智能設計的設備，加上溫度和震動等傳感器、機器上各種數據，以藍芽傳回附近的閘道裝置，再連接至AWS的雲端，以機器學習服務點對點監控，偵測可能需要保養的異常狀況，完全毋須建立任何模型，自動發送訊息到流動應用。
Lookout for Equipment則為已有設備傳感器的客戶提供使用，直接將傳感器上傳至AWS，以AWS 機器學習模型偵測異常設備行為，並進行預測性保養。
不少生產線或場所都希望在邊緣設備，加入視覺運算，AWS推出針對IP鏡頭的Panorama Appliance設備，以視覺運算偵察產品的質素，設備上有插入RJ-45的端口，只有接入具備IP鏡頭的交換器，Panorama自動尋找IP鏡頭，再利用設備上的GPU作分析，只要從雲端下載適當的分析模型都可運作，Panorama只是利用一般IP攝影機，就可以視覺運算改善品質控制和工作場所安全。Panorama類似是安防領域的Milestone，支援多種場景視覺分析，並可以從第三方下載模型，部分模型跟Milestone類似，如車牌辨認和零售分析，但Panorama不單可將推理結果，發現的異常情況以HDMI埠傳回顯示屏，也可變為MQTT訊息傳往其他系統。
AWS也推出Panorama 軟件開發套件（Software Development Kit ），以Panorama SDK自行開發開發視覺運算模型在上設備上推理，也可應用在具視覺運算功能的攝影機，例如安裝NVIDIA和Ambarella芯片的鏡頭，處理高辨識度的高品質短片以發現異常情況。國內不少品牌，類似海康威視和大華，已推出AI鏡頭和AI模型，也可在邊緣作運算。不過鏡頭內芯片受制於處理能力，上述兩家芯片視覺運算有不少性能，可更凖確識別內容；國內則以華為海思芯片為主，未來具備AI性能的鏡頭，可能成為主流。
Lookout for Vision則可傳送圖像和視頻串流到AWS雲端，以經訓練的視覺運算模型發現產品或流程中異常和缺陷，AWS只要約30個影像就可訓練出找出產品缺陷和不符合規格的模型，相當簡單。Lookout for Vision可針對不講求低時延，而準確度較高的分析。