报道
基于亚马逊云科技服务的供应链，能够更准确地自动处理耗时的任务和细节，使您的团队可以自由地专注于策略的执行。Amazon 机器学习（Machine Learning）、区块链（Blockchain）、自动化（Automation）以及其它云服务能让企业在发生灾难或故障时瞬时转移到另一个云区域，从而降低耗损，最大程度减少停机时间。有了准确的预测、端到端跟踪以及可追溯性，就能确保对的产品在指定时间送达指定客户手中，实现更敏捷的企业资源规划（ERP）、需求规划和库存管控。亚马逊采用了无服务器和基础设施即代码服务。例如，利用云计算而非繁重工作负载的本地部署 ERP 系统；利用微服务、容器、人工智能和机器学习及其它云创新技术等，保证在数小时内甚至实时完成大批量数据处理。本电子书中您可以详细了解：
全球工业领域正在经历第四轮转型，即工业4.0。利用云计算、物联网 (IoT)、实时分析和机器学习，企业能以更低的成本获得更高效的生产力。 连接云端的设备正在推动当今传统工业流程的变革。典型的工业工厂会配备成千上万个传感器，产生大量的运营数据，这些数据构成了智能机器背后的智能，也称为工业物联网 (IIoT)。来自数十亿设备的嵌入式智能有助于企业对其工业运营进行数字化、监控和优化。随着 IIoT 设备在整个运营过程中的快速增长，再加上资产和旧有系统数字化进程的加速进行，这些运营数据的生成量将继续增长。在本电子书中您可以详细了解：
大众汽车集团包括大众、奥迪和保时捷等十二个标志性汽车品牌，并提供超过 350 种不同车型的产品组合。集团每年生产约 1100 万辆汽车，每天向其工厂输送 2 亿个零部件——这是运营有效全球供应链的巨大规模。大众汽车与亚马逊云科技合作，将其 124 个工厂站点迁移到单一架构：大众汽车工业云（Volkswagen Industrial Cloud）。进而在集团层面实施了一个数字化生产平台（DPP），该平台改变其制造和物流流程，将其在 122 家工厂的设备连接起来，并连接 1,500 多家供应商，将整体供应链生产率提升了 30%。
阅读全文 »利用亚马逊云科技，大众集团成功：
当今咖啡消费者非常关注产品的质量及原产地，用以判断其口感和质量。雀巢使用亚马逊云科技区块链（Amazon Managed Blockchain） 来存储其咖啡供应链交易数据，使这些数据更加透明的、不会被任意篡改，并保持详细核实记录，其合作伙伴和消费者可以放心、 高效地进行交互。区块链是一个分布式去中心化、不可变的账本，即一个数字系统，用于记录可证实和不可篡改的多方交易。该技术有便于供应链实现更透明、更准确的端到端供应链跟踪。
利用亚马逊云区块链，雀巢澳大利亚分公司实现了：
亚马逊云服务的使用加快了格兰仕数字化转型的步伐。首先，通过托管服务和无服务器架构的引入，极大地加速了系统开发速度，从项目启动到第一期系统正式上线仅用了两个月的时间并很快投入到实际应用中。在今年的 “6.18” 活动中，从 6 月 1 日到 18 日，格兰仕通过新建的电商平台实现了超过 9000 万元的销售收入，而这一系统才刚刚建成 4 个月。其次，亚马逊云丰富的功能和优异的可扩展性使格兰仕可以根据业务发展的需要，向前、向后延展整个系统，涵盖从制造、供应链、产品、销售、客户服务所有方面，无需顾虑 IT 架构本身，专注于解决业务层面的问题，实现各个方面的创新。第三，格兰仕的用户遍及 200 多个国家和地区，利用亚马逊云平台的全球化覆盖能力，格兰仕可以通过供应链改善方便地为全球用户提供更好的产品和服务。
阅读全文 »格兰仕已经利用亚马逊云完成了电商平台和物联网平台的开发部署。在电商平台上，格兰仕采用了微服务架构，使用 Amazon Elastic Container Service (Amazon ECS) 做为容器托管平台，使用 Amazon Relational Database Service (Amazon RDS) 和 Amazon ElastiCache 做为数据库及缓存托管。在物联网平台上，格兰仕使用 AWS IoT Core、Amazon API Gateway 和 AWS Lambda 服务构建了无服务器构架的 IoT 后台，并使用 AWS IoT SDK，实现了 IoT 云端和设备端应用的快速开发。
“使用机器学习提高预测准确性”解决方案可生成、测试、比较和迭代来自 Amazon Forecast 的预测。该解决方案能够自动生成预测和可视化控制面板，由此提供快速、简单的拖放界面，界面中显示时间序列输入和预测输出。
AWS 上的数据湖是一种自动化参考实施方法，能够在 AWS 云上部署高度可用且经济高效的数据湖架构，同时还提供一个用于数据集搜索和请求的用户友好型控制台。
借助机器学习轻松而准确地预测业务成果
轻松创建和管理可扩展的区块链网络
为任何使用案例构建、训练和部署机器学习 (ML) 模型
轻松地和安全地连接设备到云
将计算机视觉应用于现有的本地部署互联网协议 (IP) 摄像头
大规模构建事件驱动型应用程序，涵盖 AWS 或 SaaS 应用程序
