Author: AWS Team

这个解决方案演示了如何使用亚马逊个性化服务（Amazon Personalize）为 Amazon Pinpoint 生成高度个性化的客户细分。它利用机器学习来分析客户数据，如产品互动和属性，以识别对特定产品类别或属性感兴趣的细分群体。通过自动化工作流程完成 Amazon Personalize 模型训练，生成用户细分，并将其导入 Amazon Pinpoint。营销人员可以随后创建有针对性的活动和旅程，通过电子邮件、推送通知和短信等渠道与细分用户进行互动。

此解决方案通过多项 AWS 服务，包括 AWS VPC、AWS transit gateway、AWS NetworkFirewall，完成了以下流量管控目标： 1. 所有跨 VPC 通信的流量都经过东西向防火墙审查； 2. 所有互联网入站/出站流量均经过南北向防火墙审查。

本文展示如何在 Windows 上使用 UE5 Engine Editor 进行跨平台编译，生成在亚马逊云科技 Graviton 4 实例上运行的 Dedicated Server。

在这篇博客中，我们将使用纽约出租车的测试数据，用来模拟一个实时交易数据，将实时数据写入 Amazon Aurora，并通过 Zero-ETL 技术将数据同步到 Amazon Redshift，在 Redshift 中对数据进行聚合，然后将聚合后的数据，再回写到 Aurora，使用 Aurora 来进行实时的汇总和查询。

本文介绍了 Amazon Lex 的新生成式 AI 功能以及和 Amazon Connect 结合提供智能语音客服功能具体的配置过程。通过应用大型语言模型（LLM），Amazon Lex 能够理解更复杂的问题，并提供更自然、更人性化的回答。Lex 提供的新生成式 AI 功能包括：描述性机器人构建、辅助槽位解析，训练话语生成以及 AMAZON.QnAItent 自动构建。

在这篇博客中，我们向您介绍了如何使用 VPC Peering 和 Transit Gateway Sharing 将您的共享文件存储进行跨账户共享。

本文通过详细的步骤，讲述 Aurora MySQL 2（兼容 MySQL 5.7）通过蓝绿部署方式升级后，如何保持 Flink CDC 正常的数据同步。

从传统企业到互联网系统，自单机数字化系统到生成式 AI 盛行的今天，几十年来数据库一直承载着企业的核心数据资产 […]

本文将以 Llama3 模型为例，介绍如何在 Amazon SageMaker 便捷地进行模型推理，并根据设定的伸缩策略进行自动扩缩，以应对不同的工作负载需求。

LLM 的推理过程需要强大的算力包括显存资源，这使得在现代硬件平台上高效服务这些模型变得极具挑战性。通过使用 Spot 实例， 在维持高性能的同时能显著降低大语言模型的推理成本。