拉斯維加斯--今天，在 AWS re:Invent 大會上，Amazon.com, Inc. (NASDAQ: AMZN) 旗下公司 Amazon Web Services, Inc. (AWS) 宣布為其行業領先的機器提供六項新功能學習服務，Amazon SageMaker，它使機器學習更易于訪問且更具成本效益。今天的公告匯集了強大的新功能，包括用于創建準確機器學習預測的無代碼環境、使用高技能注釋器進行更準確的數據標記、用于加強跨域協作的通用 Amazon SageMaker Studio 筆記本體驗、用于機器學習訓練的編譯器，使代碼更高效，自動計算實例選擇機器學習推理，以及用于機器學習推理的無服務器計算。要開始使用 Amazon SageMaker，請訪問 。

“所有行業和規模的客戶都對 Amazon SageMaker 如何幫助他們擴展對機器學習的使用感到興奮，使其成為他們運營的核心部分，并允許他們為世界發明新產品、服務和體驗。”

在幾乎無限計算能力的可用性、云中數據的大量擴散以及開發人員可用工具的快速發展的推動下，機器學習已成為許多行業的主流。多年來，AWS 一直致力于讓更廣泛的客戶更容易使用機器學習。如今，Amazon SageMaker 是 AWS 歷史上增長最快的服務之一，擁有數萬名客戶，包括 AstraZeneca、Aurora、Capitol One、Cerner、Discovery、Hyundai、Intuit、Thomson Reuters、Tyson、Vanguard 以及更多使用訓練各種規模的機器學習模型的服務，其中一些模型現在包含數十億個參數，每月能夠進行數千億次預測。隨著客戶在 Amazon SageMaker 上進一步擴展他們的機器學習模型訓練和推理，AWS 繼續投資于擴展該服務的功能，僅在過去一年就提供了 60 多項新的 Amazon SageMaker 特性和功能。今天的公告以這些進步為基礎，使準備和收集機器學習數據變得更加容易，更快地訓練模型，優化推理所需的計算類型和數量，并將機器學習擴展到更廣泛的受眾。

• Amazon SageMaker Canvas 無代碼機器學習預測： Amazon SageMaker Canvas 通過為業務分析師（支持財務、營銷、運營和人力資源團隊的業務線員工）提供允許他們創建更準確的機器學習預測，無需任何機器學習經驗或編寫一行代碼。隨著越來越多的公司尋求通過機器學習重塑他們的業務和客戶體驗，他們組織中的更多人需要能夠在不同的業務領域使用先進的機器學習技術。然而，機器學習通常需要專業技能，這些技能可能需要多年的正規教育或具有挑戰性和不斷發展的課程的強化培訓。 Amazon SageMaker Canvas 通過提供可視化的點擊式用戶界面解決了這一挑戰，使業務分析師可以輕松生成預測。客戶將 Amazon SageMaker Canvas 指向他們的數據存儲（例如 Amazon Redshift、Amazon S3、Snowflake、本地數據存儲、本地文件等），Amazon SageMaker Canvas 提供可視化工具來幫助用戶直觀地準備和分析數據。然后，Amazon SageMaker Canvas 使用自動化機器學習來構建和訓練機器學習模型，而無需任何編碼。業務分析師可以在 Amazon SageMaker Canvas 控制臺中查看和評估模型，以確保其使用案例的準確性和有效性。 Amazon SageMaker Canvas 還允許用戶將他們的模型導出到 Amazon SageMaker Studio，這樣他們就可以與數據科學家共享這些模型，以驗證和進一步完善他們的模型。
• Amazon SageMaker Ground Truth Plus 專家數據標記： Amazon SageMaker Ground Truth Plus 是一項完全托管的數據標記服務，它使用具有內置注釋工作流的專家團隊來提供高質量數據，以更快、更低成本地訓練機器學習模型，并且無需需要編碼。客戶需要越來越大的正確標記的數據集，以訓練更準確的模型并擴展他們的機器學習部署。但是，生成大型數據集可能需要數周到數年的時間，并且通常需要公司雇用員工并創建工作流來管理標記數據的過程。 2018 年，AWS 推出了 Amazon SageMaker Ground Truth，讓客戶更容易通過 Amazon Mechanical Turk、第三方供應商或他們自己的私人勞動力使用人工注釋器生成標記數據。 Amazon SageMaker Ground Truth Plus 通過具有特定領域和行業專業知識的專業員工以及滿足客戶對高度準確數據標簽的數據安全性、隱私和合規性要求的資格來擴展此功能。 Amazon SageMaker Ground Truth Plus 具有多步驟標記工作流程，包括由機器學習模型提供支持的預標記、人工標記的機器驗證以檢測錯誤和低質量標簽，以及輔助標記功能（例如 3D 立方體捕捉、消除 2D 失真圖像、視頻標簽中的 predict-next 和自動分割工具），以減少標記數據集所需的時間，并有助于降低采購高質量注釋數據的成本。要開始使用，客戶只需將 Amazon SageMaker Ground Truth Plus 指向他們在 Amazon Simple Storage Service (Amazon S3) 中的數據源，并提供他們特定的標簽要求（例如，醫學專家應如何在肺部放射圖像中標記異常的說明）。然后，Amazon SageMaker Ground Truth Plus 創建一個數據標記工作流并提供控制面板，讓客戶能夠跟蹤數據注釋進度、檢查已完成標簽樣本的質量，并提供反饋以生成高質量數據，以便客戶可以高度構建、訓練和部署更快地建立準確的機器學習模型。
• Amazon SageMaker Studio 通用筆記本：適用于 Amazon SageMaker Studio（第一個完整的機器學習 IDE）的通用筆記本提供了一個單一的集成環境來執行數據工程、分析和機器學習。如今，跨不同數據域的團隊希望使用一系列數據工程、分析和機器學習工作流進行協作。這些領域的從業者經常跨越數據工程、數據分析和數據科學等知識領域，并希望能夠跨各種工作流工作，而無需切換數據探索工具。然而，當客戶準備好跨分析和機器學習環境集成數據時，他們通常不得不同時使用多種工具和筆記本，這可能很麻煩、耗時且容易出錯。 Amazon SageMaker Studio 現在允許用戶從一個通用筆記本中以交互方式訪問、轉換和分析各種數據以用于多種用途。通過與在 Amazon EMR 集群上運行的 Spark、Hive 和 Presto 以及在 Amazon S3 上運行的數據湖的內置集成，客戶現在可以使用 Amazon SageMaker Studio 訪問和操作通用筆記本中的數據，而無需切換服務。除了使用他們首選的框架（例如 TensorFlow、PyTorch 或 MXNet）開發機器學習模型以在 Amazon SageMaker Studio 中構建、訓練和部署機器學習模型外，客戶還可以瀏覽和查詢數據源、探索元數據和模式，并開始為分析或機器學習工作流處理作業 — 無需離開通用的 Amazon SageMaker Studio 筆記本。
• 用于機器學習模型的 Amazon SageMaker 訓練編譯器： Amazon SageMaker 訓練編譯器是一種新的機器學習模型編譯器，它可以自動優化代碼以更有效地使用計算資源，并將訓練模型所需的時間減少多達 50%。當今最先進的深度學習模型非常龐大和復雜，以至于它們需要專門的計算實例來加速訓練，并且可以消耗數千小時的圖形處理單元 (GPU) 計算時間來訓練單個模型。為了進一步加快訓練時間，數據科學家通常會嘗試增加訓練數據或調整超參數（控制機器學習訓練過程的變量），以找到性能最佳且資源最少的模型版本。這項工作在技術上很復雜，數據科學家通常沒有時間優化訓練模型以在 GPU 上運行所需的框架。 Amazon SageMaker Training Compiler 是一種新的機器學習模型編譯器，它與 Amazon SageMaker 中的 TensorFlow 和 PyTorch 版本集成，這些版本已經過優化，可以在云中更高效地運行，因此數據科學家可以使用他們喜歡的框架通過以下方式訓練機器學習模型更有效地使用 GPU。只需單擊一下，Amazon SageMaker 訓練編譯器就會自動優化訓練模型并對其進行編譯，從而將訓練速度提高 50%。
• Amazon SageMaker Inference Recommender 自動實例選擇： Amazon SageMaker Inference Recommender 幫助客戶自動選擇最佳計算實例和配置（例如實例計數、容器參數和模型優化）來支持特定的機器學習模型。對于通常用于自然語言處理或計算機視覺的大型機器學習模型，選擇具有最佳性價比的計算實例是一個復雜的迭代過程，可能需要數周的實驗。 Amazon SageMaker Inference Recommender 消除了確定在何處運行模型的猜測和復雜性，并且可以通過自動推薦理想的計算實例配置將部署時間從數周縮短到數小時。數據科學家可以使用 Amazon SageMaker Inference Recommender 將模型部署到推薦的計算實例之一，或者他們可以使用該服務在一系列選定的計算實例上運行性能基準模擬。客戶可以在 Amazon SageMaker Studio 中查看基準測試結果，并評估不同配置設置之間的權衡，包括延遲、吞吐量、成本、計算和內存。
• 適用于機器學習模型的 Amazon SageMaker Serverless Inference： Amazon SageMaker Serverless Inference 為生產中部署的機器學習模型提供即用即付定價推理。客戶在使用機器學習時總是希望優化成本，這對于具有間歇性流量模式和長時間空閑時間的應用程序變得越來越重要。例如，基于消費者購買模式的個性化推薦、處理來電的聊天機器人以及基于實時交易的需求預測等應用程序可能會根據天氣條件、促銷產品或假期等外部因素而出現活動高峰。為機器學習推理提供恰到好處的計算量是一項困難的平衡行為。在某些情況下，客戶會過度配置容量以適應高峰活動，這可以實現一致的性能，但在沒有流量時會浪費金錢。在其他情況下，客戶通過提供足夠的計算能力來在條件發生變化時執行推理，從而限制成本。一些客戶嘗試即時手動調整計算資源以適應不斷變化的條件，但這是繁瑣的手動工作。用于機器學習的 Amazon SageMaker 無服務器推理會根據推理請求的數量自動預置、擴展和關閉計算容量。當客戶將他們的機器學習模型部署到生產中時，他們只需在 Amazon SageMaker 中選擇無服務器部署選項，Amazon SageMaker Serverless Inference 就會管理計算資源以提供所需的精確計算量。借助 Amazon SageMaker Serverless Inference，客戶只需為每個請求使用的計算容量和處理的數據量付費，而無需管理底層基礎設施。

“所有行業和規模的客戶都對 Amazon SageMaker 如何幫助他們擴展對機器學習的使用感到興奮，使其成為他們運營的核心部分，并允許他們為世界發明新產品、服務和體驗，” AWS 亞馬遜機器學習副總裁 Bratin Saha 說。 “我們很高興將我們行業領先的機器學習服務擴展到更廣泛的客戶群體，這樣他們也可以推動業務創新并幫助解決具有挑戰性的問題。借助這些新的 Amazon SageMaker 工具，我們將向該服務引入一組全新的用戶，同時還為現有客戶提供額外的功能，以便更輕松地將數據轉化為有價值的見解、加快部署時間、提高性能并節省資金在整個機器學習之旅中。”

寶馬集團總部位于德國慕尼黑，是一家全球性的高檔汽車和摩托車制造商，旗下品牌包括 BMW、BMW Motorrad、MINI 和勞斯萊斯。它還提供優質的金融和移動服務。 “使用人工智能作為一項關鍵技術是寶馬集團數字化轉型過程中不可或缺的元素。該公司已經在整個價值鏈中采用了人工智能，使其能夠為客戶、產品、員工和流程創造附加值。在過去的幾年里，我們已經將許多寶馬集團的頂級用例工業化，以商業價值影響來衡量，”寶馬集團人工智能平臺產品負責人 Marc Neumann 說。 “我們相信 Amazon SageMaker Canvas 可以推動我們在整個 BMW 集團的 AI/ML 擴展。借助 SageMaker Canvas，我們的業務用戶可以輕松探索和構建 ML 模型以做出準確的預測，而無需編寫任何代碼。 SageMaker 還允許我們的中央數據科學團隊在將業務用戶創建的模型發布到生產之前進行協作和評估。”

西門子能源正在為社會注入活力。他們正在環境、社會和治理 (ESG) 等關鍵重點領域進行轉型，他們的創新正在為他們的合作伙伴和他們的員工帶來今天不同的未來。 “西門子能源數據科學戰略的核心是讓所有業務用戶無需數據科學專家就可以試驗不同的數據源和機器學習框架，從而將機器學習的力量帶給他們。這使我們能夠提高能源解決方案的創新和數字化速度，例如調度優化器和診斷服務，”西門子能源工業應用數據科學團隊負責人 Davood Naderi 說。 “我們發現 Amazon SageMaker Canvas 是 Siemens Energy 機器學習工具包的重要補充，因為它允許業務用戶執行實驗，同時還可以與數據科學團隊共享和協作。合作很重要，因為它幫助我們將更多的機器學習模型生產化，并確保所有模型都符合我們的質量標準和政策。”

Airbnb 是世界上最大的提供獨特、真實的住宿和活動場所的市場之一，提供超過 700 萬個住宿和 40,000 項手工活動，所有這些都由當地房東提供支持。 “在 Airbnb，我們越來越多地將 ML 整合到我們業務的各個方面。因此，我們的團隊始終需要生成和維護高質量的數據，以訓練和測試 ML 模型，”Airbnb 中國數據科學家 Wei Luo 說。 “我們正在尋找一種方法，在 10 萬段普通話客戶服務日志中生成高質量的文本分類數據結果，以便我們能夠更好地為客戶服務并減少對客戶服務團隊的依賴。借助 Amazon SageMaker Ground Truth Plus，AWS 團隊構建了一個自定義的數據標記工作流程，其中包括一個能夠實現 99% 分類準確度的自定義 ML 模型。”

美國國家橄欖球聯盟是美國最受歡迎的體育聯盟，由 32 支球隊組成，他們每年都在爭奪超級碗這一世界上最大的年度體育賽事。 “在 NFL，我們繼續尋找使用機器學習的新方法，以幫助我們的球迷、廣播員、教練和球隊從更深入的見解中受益，”NFL 球員健康與創新高級副總裁 Jennifer Langton 說。 “足球是一項快速發展的運動，比賽可以在一瞬間發生。雖然教練和裁判會仔細觀看比賽，但為了安全起見，可能很難觀察場上的所有球員。計算機視覺使我們能夠準確檢測玩家安全事件，但開發這些算法需要經過專業標記的數據。現在，借助 Amazon SageMaker Ground Truth Plus，我們為復雜的標簽任務提供了自定義工作流程和用戶界面，這有助于我們提高玩家的安全性。”

VIZIO 成立并總部位于加利福尼亞州奧蘭治縣，其使命是提供身臨其境的娛樂和引人注目的生活方式增強，使其產品成為互聯家庭的中心。 VIZIO 正在通過其尖端智能電視的集成平臺和強大的 SmartCast 操作系統來推動電視的未來。 VIZIO 的平臺為內容提供商提供了更多分發其內容的方式，并為廣告商提供了更多工具來定位和動態地向越來越多的觀眾提供廣告，這些觀眾越來越多地從線性電視過渡。 “在 VIZIO，我們一直在尋找利用 ML 為我們的客戶創造個性化體驗的方法。我們一直在尋找一種方法來持續審查廣告視頻并生成商業元數據以進行有效的廣告分類，”VIZIO 首席創新官 Zeev Neumeier 說。 “通過使用 Amazon SageMaker Ground Truth Plus 的流式傳輸功能，我們現在可以使用一個自定義模板，該模板提供視頻分類、元數據收集和一個能夠在廣告播出時實時收集數據的自動化系統。借助 Amazon SageMaker Ground Truth Plus，我們能夠在不到一個工作日的時間內查看結果。”

Litterati 是一家數據科學公司，幫助人們“眾包清潔”地球。 Litterati 的平臺通過開發行為洞察力、繪制問題區域和降低未來風險，使人們能夠為我們世界面臨的垃圾和廢物問題創建更好的解決方案。從學校到科學家、環保組織、品牌和市政府，人們齊聚一堂，利用 Litterati 為更大的利益創造一個無垃圾的世界。 “對我們來說，機器學習為看不見的挑戰帶來光明。僅在美國，每年就有數十億美元用于清理垃圾，”Litterati 首席技術官 Sean Doherty 說。 “通過計算機視覺模型，我們將世界各地的垃圾圖像轉化為數據，以便城市更好地分配垃圾管理資源。但是，由于數據集遍布全球，構建對象檢測模型需要訪問對象、材料和品牌信息以及本地化知識。 Amazon SageMaker Ground Truth Plus 允許我們創建一個分層注釋界面，在該本地化上下文中捕獲這些精確特征。此外，SageMaker Ground Truth Plus 專家團隊創建了本地化圖像注釋，它提供了一個標準化的解決方案，將我們的數據標記效率提高了 20%，將我們將注釋結果提取到我們的數據庫中的能力提高了 200%，并減少了后處理90% 的時間。”

Provectus 幫助其客戶從原始數據集、企業數據湖和機器學習模型構建端到端數據和機器學習工程體驗。 “我們一直在等待直接從 Amazon SageMaker Studio 創建和管理 Amazon EMR 集群的功能，以便我們的客戶可以直接從 Amazon SageMaker Studio 筆記本運行 Spark、Hive 和 Presto 工作流，”Provectus 首席執行官 Stepan Pushkarev 說。 “我們很高興 Amazon SageMaker 現在已在本地構建此功能以簡化 Spark 和機器學習作業的管理。這將幫助我們客戶的數據工程師和數據科學家更有效地協作，以執行交互式數據分析并使用 EMR 開發機器學習管道-基于數據的轉換。”

Vanguard Group, Inc. 是一家美國注冊投資顧問，總部位于賓夕法尼亞州馬爾文，管理著約 7 萬億美元的全球資產。 Vanguard 正在通過為投資者做正確的事情并為全球數百萬客戶創造變化來重新定義行業。 “我們很高興我們的 Vanguard 數據科學家和數據工程師現在可以在一個筆記本上進行協作以進行分析和機器學習，”Vanguard 數據和分析高級總監 Doug Stewart 說。 “現在 Amazon SageMaker Studio 已與在 Amazon EMR 上運行的 Spark、Hive 和 Presto 進行了內置集成，我們的開發團隊可以提高工作效率。這種單一的開發環境將使我們的團隊能夠專注于構建、培訓和部署機器學習模型。”

Quantum Health 的使命是讓每個人的醫療保健導航更智能、更簡單、更具成本效益。他們將 Amazon SageMaker 用于文本分類、文本摘要、預測模型、分類問題和問答等用例，以幫助 Quantum 團隊及其服務的成員。 “由于 NLP 模型的大小，迭代 NLP 模型可能是一個挑戰。長時間的訓練會阻礙工作流程和高昂的成本，這可能會阻止我們的團隊嘗試可能提供更好性能的更大模型，”Quantum Health 的高級數據科學家 Jorge Lopez Grisman 說。 “Amazon SageMaker Training Compiler 令人興奮，因為它有可能緩解這些摩擦。使用 Amazon SageMaker Training Compiler 實現加速對我們的團隊來說是一個真正的勝利，這將使我們更加敏捷和創新地向前發展。”

Guidewire 是財產險和意外險保險公司信任的平臺，可以有效參與、創新和增長。該公司將數字、核心、分析和人工智能相結合，將其平臺作為云服務提供，并使其客戶能夠針對其行業特定的工作負載進行高級分析和機器學習。超過 450 家保險公司，從新成立的企業到世界上最大和最復雜的保險公司，都在 Guidewire 上運營。 “Guidewire 的一項服務是幫助客戶開發用于風險評估和索賠操作等應用的尖端 NLP 模型。 Amazon SageMaker 訓練編譯器之所以引人注目，是因為它在開發這些 NLP 模型時為我們的客戶節省了時間和成本，”Guidewire Software 的分析和數據服務首席產品經理 Matt Pearson 說。 “我們希望它通過更有效地使用 GPU 資源來幫助我們將訓練時間減少 20% 以上。我們很高興在我們的 NLP 工作負載中實施 Amazon SageMaker 訓練編譯器，幫助我們加快將數據轉化為客戶洞察的速度。”

Musixmatch 是一家領先的音樂數據公司，提供數據、工具和服務，豐富我們體驗音樂的方式，例如搜索歌曲和分享歌詞。 Musixmatch 是世界上最大的此類服務，擁有超過 8000 萬用戶和超過 800 萬首不同的歌詞。 “Musixmatch 使用 Amazon SageMaker 構建自然語言處理和音頻處理模型，并正在嘗試將 Hugging Face 與 Amazon SageMaker 結合使用。我們選擇 Amazon SageMaker 是因為它允許數據科學家快速迭代地構建、訓練和調整模型，而無需擔心管理底層基礎設施，這意味著數據科學家可以更快、更獨立地工作，”Musixmatch 的 AI 工程總監 Loreto Parisi 說. “隨著公司的發展，我們對訓練和調整更大、更復雜的 NLP 模型的要求也越來越高。我們一直在尋找加快培訓時間同時降低培訓成本的方法，這就是我們對 Amazon SageMaker Training Compiler 感到興奮的原因。 SageMaker Training Compiler 提供了在訓練過程中更有效地使用 GPU 的方法，并且通過 SageMaker Training Compiler、PyTorch 和 Hugging Face 等高級庫之間的無縫集成，我們已經看到基于 Transformer 的訓練時間顯著改善模型從幾周到幾天，以及更低的培訓成本。”

Loka 是一家機器學習咨詢公司，它幫助其客戶在各種用例中利用機器學習并將其構建到他們的產品中，以提供更好的客戶體驗。 Loka 首席執行官 Bobby Mukherjee 表示：“我們花費了大量時間和精力來優化模型、調整服務器和測試實例類型，以便為其客戶提供高性能、可擴展且具有成本效益的機器學習環境。” “現在使用 Amazon SageMaker Inference Recommender，我們的工程師能夠在幾分鐘內從任何位置將 ML 模型部署到生產中。”

數字健康公司 Holmusk 推出了 FoodDX 應用程序，以幫助人們改善飲食和健康狀況。 “我們的食物圖像識別算法需要低延遲，以確保我們的用戶在正確的時間獲得正確的飲食建議。為了實現低延遲，我們過度配置 GPU，這很昂貴，”Holmusk 首席技術官 Sai Subramanian 說。 “使用 Amazon SageMaker Inference Recommender，我們現在可以輕松地跨不同實例進行負載測試，并在數小時內確定實例配置，從而顯著降低我們的計算成本，同時保持延遲要求。這對我們的團隊來說是一個巨大的勝利，讓我們的 ML 科學家專注于創建算法來幫助人們過上更健康的生活，而不是管理基礎設施。”

Qualtrics 是一家體驗管理公司，使用自然語言處理 (NLP) 模型幫助從客戶調查中提取信息。 “Amazon SageMaker Inference Recommender 使用大規模測試和部署機器學習模型所需的工具提高了我們 MLOps 團隊的效率，”說 Samir Joshi，Qualtrics 的 ML 工程師。 “借助 Amazon SageMaker Inference Recommender，我們的團隊可以定義延遲和吞吐量要求，并更快地部署這些模型，同時滿足我們的預算和生產標準。”

iFood 是拉丁美洲在線食品配送領域的領先企業，每月完成超過 6000 萬份訂單，它使用機器學習向在線訂購的客戶推薦餐廳。 iFood 機器學習和數據工程總監 Ivan Lima 說：“我們一直在將 Amazon SageMaker 用于我們的機器學習模型，以便在我們的整個業務中構建高質量的應用程序。借助 Amazon SageMaker 無服務器推理，我們希望能夠更快地部署和擴展模型，而無需擔心在沒有流量時選擇實例或保持端點處于活動狀態。有了這個，我們還希望看到運行這些服務的成本降低。”

關于亞馬遜網絡服務

15 年來，Amazon Web Services 一直是世界上最全面、被廣泛采用的云產品。 AWS 一直在不斷擴展其服務以支持幾乎任何云工作負載，現在它擁有 200 多項功能齊全的服務，用于計算、存儲、數據庫、網絡、分析、機器學習和人工智能 (AI)、物聯網 (IoT) 、移動、安全、混合、虛擬和增強現實（VR 和 AR）、媒體和應用程序開發、部署和管理，來自 25 個地理區域內的 81 個可用區，并宣布計劃在 27 個可用區和另外 9 個 AWS 區域澳大利亞、加拿大、印度、印度尼西亞、以色列、新西蘭、西班牙、瑞士和阿拉伯聯合酋長國。數以百萬計的客戶（包括發展最快的初創公司、最大的企業和領先的政府機構）信任 AWS 來支持他們的基礎設施、變得更加敏捷并降低成本。

關于亞馬遜

亞馬遜遵循四項原則：以客戶為中心而非以競爭對手為中心、對發明的熱情、對卓越運營的承諾以及長期思考。亞馬遜努力成為地球上最以客戶為中心的公司、地球上最好的雇主和地球上最安全的工作場所。客戶評論、一鍵購物、個性化推薦、Prime、亞馬遜物流、AWS、Kindle Direct Publishing、Kindle、Career Choice、Fire 平板電腦、Fire TV、亞馬遜 Echo、Alexa、Just Walk Out 技術、亞馬遜工作室和 The Climate承諾是亞馬遜開創的一些東西。

點擊咨詢現在有哪些新興平臺值得關注 >>>

特別聲明：以上文章內容僅代表作者本人觀點，不代表ESG跨境電商觀點或立場。如有關于作品內容、版權或其它問題請于作品發表后的30日內與ESG跨境電商聯系。