【2020 AWS re:Invent 即時新聞】- Andy Jassy Keynote

本屆 re:Invent 2020 因疫情改為 online event 的方式讓大家線上參與超過 500 個 sessions，儘管今年情況如此嚴峻，全球仍有超過 50 萬民眾共襄盛舉！

Quick AWS Update 開場

針對全球產業現在仍有超過 90% 的企業仍然在地端運行資訊設備與應用程式，但因應今年 COVID-19 疫情影響，許多企業不得不面對需求、且相對以往地積極推動數位轉型，甚至在短時間內實作 Cloud Solution 並將原有工作負載與應用服務搬遷至雲端。

也舉出不論哪個產業，對於需求的響應、產品功能的迭代、回饋的處理速度、訪問應用的延遲…等不同層面，皆需要相當快速的回應來盡可能地滿足使用者，來讓企業的營運更為順利。

這邊 Andy 提出了以下幾點：

The leadership will to invent and reinvent – 迭代為不斷的創新與優化
Acknowledgment that you can’t fight gravity – 必須承認有些需求是無法處理的
Talent that’s hungry to invent – 創新的速度與實踐非常重要
Solving real customer problems with builders – 解決使用者真正遇到的問題、滿足其真正的需求，而不是去臆測使用者需要什麼
Speed – 天下武功唯快不破，重申現今產業對於迭代速度的要求，比別人慢便容易失去市場優勢／領先地位
Don’t “complexify” – 避免過度設計，從簡單的功能開始，觀察使用者回饋，再去滿足他們，透過這種方式避免時程的放費
Pull everything together with aggressive top-down goals – 從上到下以 top-down 方式做決策，以此避免發生內部目標不同調的問題
Use the platform with the broadest and deepest set of tools – 有非常多工具與服務來實現不同的需求，盡可能地去活用

Computing

Instance Computing

Amazon EC2 有了更多機器規格、型號的選擇

在儲存方面，新增 D3 和 D3en，提供最大可到 336 TB 的本地儲存空間與網路效能

新 EC2 Instance Type – D3 與 D3en，D3 可以支援更高的 HDD 儲存空間與網路效能，適用於分散式儲存系統如 HDFS；而 D3en 提供了更好的網路效能與更大的存放空間，適用於 Lustre 類型的存放系統作為 Data Lakes 使用。

參考來源：Introducing Amazon EC2 D3 and D3en, the next generation of dense HDD storage instances

在 GPU 運算，G4ad 提供 AMD GPUs 做圖形運算

新 Instance Type – G4ad，為提供 AMD Radeon Pro V520 GPUs 和第二代 EPYC 處理器，當需要進行大量的繪圖或是圖像分析時，選擇這項 Instance 能夠讓你擁有強大的 GPU 運算能力。

參考來源：Amazon EC2 G4ad Instances Featuring AMD GPUs for Graphics Workloads

隆重推出 Amazon EC2 Mac Instances

Amazon EC2 即刻支援運行 macOS，採用 Mac Mini 搭配 AWS Nitro System 打造出 Mac Instances ，供使用者針對 macOS、iOS、 iPadOS、tvOS、watchOS 以及 Safari 做開發與測試，而不一定要擁有 macOS 和 XCode 環境。

該 Mac Mini 硬體資訊如下：

Intel’s 8th generation 3.2 GHz (4.6 GHz turbo) Core i7 processors
6 physical/12 logical cores
32 GiB of memory

目前 AMI 支援 macOS 版本有：

macOS 10.14 (Mojave)
macOS 10.15 (Catalina)

Mac Instance 可以使用 SSH Terminal 或者是 VNC 做 GUI 連線。

有關於 Mac Instance 的付費模式，除了基本的 On-Demand 外，也支援 Saving Plans 的方式做折扣，暫不支援 Spot 競價模式。需要注意的是當透過 EC2 Dedicated Hosts 運行 Mac Instance 的時候，最少運行的時間需要 24 小時。

而 Apple 最新的 Apple M1 Chip 計劃將於 2021 釋出。

參考來源：Announcing Amazon EC2 Mac instances for macOS

Nitro System

AWS 從 2016 發展 Nitro System 至今，除了推出許多新的 Instance Types，仍不斷地優化硬體 Driver 與虛擬化之間的運行效能。AWS Graviton2 為 Arm-based 處理器，在日前已新增數種 Gravition2 based Instance Types，和原先 x86-based Instance Types 相比，除了機器價格相對便宜，同時也大幅度的增加運算效能。

專為機器學習所打造的 EC2 – Habana Gaudi-based EC2

AWS 推出針對 GPU-based 機器學習、模組訓練所推出的 EC2 Instance Type，其核心架構則是採用由 Intel 所推出的 Habana Gaudi 處理器，並且在 TensorFlow 及 PyTorch 運算上有相當優良的表現。

專為機器學習所打造的晶片 – AWS Trainium

以往企業在使用機器學習服務，在進行推論時，講求是要以更低成本，來提供他們進行大量推論。在 2018 年時，AWS 推出 Inferentia 晶片，為 Inf1 Instance Type，可用於自然語言處理、物件偵測與分類、內容個人化與篩選，以及語音辨識等應用場景。

這次針對機器學習場景優化，推出第二款晶片 – AWS Trainium，可以直接使用 AWS Inferentia 及 AWS Neuron SDK，且支援 TensorFlow、PyTorch 及 MXNet 架構，並且能夠直接在 EC2 及 SageMaker 上使用，與 AWS G4 instances 相比，Throughput 提高了 30%，成本降低了 45 ％，提供使用者更多選擇。

Container

運行 ECS/EKS 於自家環境 – ECS/EKS Anywhere

在這次的 re:Invent 中，有關於 Container 的新服務更是非常驚人，AWS 表示他們將於 2021 年推出 ECS/EKS Anywhere，這也代表著你將可以在本地、自家的環境中部署並運行 ECS 及 EKS，並且可以使用 ECS 原生的 API 進行互動！

在 EKS 的部分，AWS 表示將於 2021 年度開源 Amazon EKS Distro 專案，相信這也代表著你將能夠在本地針對 EKS 進行一些開發並且在本地端進行部署及運行。

Amazon Elastic Container Registry (ECR) Public

ECR Public 提供一個空間讓使用者存放、管理與部署自己的 Container Image，為一個 Public Registry 公開讓任何人來查詢並下載 Image做使用。

原先要分享 ECR 中的 Container Image 給他人時，需要配給 IAM Policy 作 docker login 的方式才能訪問。

現在可以在建立 ECR Repository 時，選擇將其訪問權限為 Private / Public。需注意一旦 ECR Repository 建立後便不能做修改。

ECR Public 當中的 Container Image 皆可以透過 Amazon ECR Public Gallery作搜尋

以 gitlab-runner為例，在做 docker pull 時指定其 Image URI 便能取用

Serverless

AWS Proton – 自動化管理及部署 serverless/container based application

在每個團隊裡，以微服務建構的 application 數量可能有很多個，且每個 application 在不斷的進行迭代，其基礎結構也有可能隨之變動；因此維運團隊需要不停改動資源配置來維護數百個，有時甚至數千個微服務，這是一項相當艱難的任務。

AWS Proton 可以讓維運團隊用 Stack 的方式宣告每一個 serverless/container based application 所需要使用的資源結構與參數配置成一個範本。

如此一來，維運團隊就可以專注於制定架構的範本，當開發團隊要為該為服務做測試、上版時，可直接利用 AWS Proton Stack 提供的範本、輸入對應的參數設定，來部署該服務所需要的架構來做測試、進而上版，藉此達到彼此互不干擾，且系統與架構仍可以彼此契合的雙贏局面。

維運團隊可將應用程式部署需要使用到 AWS 服務、CI/CD 工具與監控工具定義在 AWS Proton Stack，AWS Proton 即可以幫助使用者管理 application 的狀態，包含部署在哪些 Proton instance 上、部署成功與否、使用哪一個版本等等。

參考來源：Preview: AWS Proton – Automated Management for Container and Serverless Deployments

Lambda Container Support

Lambda 是許多開發者愛用的運算服務，可直接撰寫、部署和執行程式碼邏輯，而不需要管理運行的 Server 單位。但對於習慣使用 Container 的開發者而言，要將原先部署在 Container 的應用程式，轉而使用 Lambda 上，難免會有些不相容的狀況。

現在在創建 Lambda Function 時，可以直接指定以 Container Image 為部署單位，來加快轉移至 Lambda 的速度且同時降低部署難度。Image 來源目前僅支援 ECR，且不得 Image 大小不得超過 10 GB。

參考來源至：New for AWS Lambda – Container Image Support

Storage Layer

New EBS Volume Type – gp3

gp3 為 EBS general purpose 新一代的 Volume Type，不僅修改了 IOPS baseline 至 3,000 per Volume，在高峰負載（Peak）時資料吞吐量可高達 1,000 MB/s，為 gp2 的 4 倍，且相對 gp2 也降低了其計價。

如先前 io2 發佈一樣，現在可以直接在 AWS Console 中對 EBS Volume 做修改其 Volume Type 為 gp3。

參考來源：New – Amazon EBS gp3 Volume Lets You Provision Performance Apart From Capacity

New EBS Volume Type – io2 Block Express

io2 Block Express 為 EBS I/O 優化硬碟，主要針對 IOPS 優化最高可達原先 io2 的四倍，並且支援最高達 256,000 IOPS、最大 64 TB 容量。

現在為 Preview 階段，可以透過 io2 Block Express Preview 做申請！

參考來源：Now in Preview – Larger & Faster io2 Block Express EBS Volumes with Higher Throughput

Database Layer

Aurora Serverless v2

Aurora Serverless v2 主要解決了先前在高峰值負載（peak）時，因對應效能之 ACU 會隨之升高，在其運行成本上會隨之等比衝高的問題。

在這次改版中，讓 Aurora Serverless 可以在不到一秒鐘的時間擴展到處理高達數十萬請求的 capacity，並在高負載時，可以節省約 90% 的運行成本。

Babelfish for PostgreSQL and Aurora PostgreSQL

AWS 不僅提供 AWS Schema Converssion Tool (SCT) 及 Database Migration Service (DMS) 之外，還整合 Babelfish 服務幫助使用者快速整合 Microsoft SQL Server 的應用程式。

Babelfish for PostgreSQL 能協助 Application 在原本 MS SQL Server 轉移至 PostgreSQL 的情況下，不需要修改其 SQL Query (T-SQL)，透過 Babelfish 作翻譯、直接轉成 PostgreSQL 可以使用的語法訪問資料庫，而開發者與 Application 兩者皆不用做修改。

Babelfish 為一個 AWS Open Source 開源專案，預計 2021 年將於 github.com/aws 公開。

參考來源至：Babelfish for Aurora PostgreSQL

AWS Glue Elastic Views 推出 Preview 版本

以往企業有資料庫轉換至不同資料庫引擎時，會借助 AWS DMS 進行資料庫移轉，但如果有多個異質資料庫要做合併時，是相當繁瑣且耗時的工作。

AWS Glue Elastic Views 不需要撰寫程式碼，即可在不同的資料中，合併及複製其資料，也能透過 SQL 語法處理資料，快速創立虛擬報表 — Materialized View，且能持續更新資料，並刷新 Materialized View，維持在 Materialized View 裡的資料是最新的，再將其資料匯入到目標資料位置。

現在即可在 AWS Console 使用，目前支援將 Amazon Aurora、Amazon RDS 及 Amazon DynamoDB 資料轉置成 Amazon Redshift、Amazon Elasticsearch、Amazon S3、Amazon DynamoDB、Amazon Aurora 及 Amazon RDS。

參考來源至：Announcing AWS Glue Elastic Views Preview

Machine Learning

Sagemaker Data Wrangler

資料前處理一直都是 ML 工作中最煩人的步驟之一，現在 AWS 推出 Sagemaker Data Wrangler 來解救大家了！

Sagemaker Data Wrangler 可以讓使用者簡單的完成資料前處理的工作，其中包含 data selection、cleansing、exploration 和 visualization 等工作。Sagemaker Data Wrangler 的 data selection tool 可以讓使用者輕鬆選擇要導入 ML 訓練的資料。

此外，Sagemaker Data Wrangler 提供超過 300 種內建的資料轉換方法，使用者可以用它取代以往需要自己實作的正規化、特徵轉換和特徵合併等功能。最後，使用者可以用 Sagemaker Data Wrangler 的視覺化功能來預覽那些資料轉換的結果。

Sagemaker Feature Store

要儲存那些經過前處理的訓練資料也很麻煩，以往都是用程式重新執行一次前處理，既耗時且繁瑣。現在可以利用 Sagemaker Feature Store 儲存那些前處理後的資料以便日後使用。

SageMaker Feature Store 依附於 SageMaker Studio 當中，儲存在 SageMaker Feature Store 中的特徵可以讓使用者輕鬆的管理及分享這些資料。

SageMaker Pipelines

SageMaker Studio 針對 ML CI/CD pipeline，使用者僅需將資料集準備好，透過設定流程來讓整個 ML CI/CD 流程自動化，主要是透過串接其他 SageMaker Studio 的功能來達成。

AI Services

Amazon CodeGuru 支援 Python 語法分析及新增 Security Detector 功能

Amazon CodeGuru 為自動執行程式碼審查並提供應用程式效能建議的服務。藉由找到耗費資源的程式碼，提供如何修正或改善程式碼的建議，改善應用程式效能及成本，原先僅支援 Java-base 作檢測。

此次更新支援 Python 語言，同時推出 Security Detector 提供即時偵測程式碼的 安全性。

Security Detector 可以檢測程式碼是否有安全性的疑慮，如是否有加密處理、或是 Memory/Security Leak 的潛在風險，使用者可以根據執行後的建議去做調整，以實踐 Security Best Practice。

現在可以在 Amazon CodeGuru Console 中，選擇 Code and security recommendation，針對存在 S3 中的 source code 去做分析。

按下 Create repository analysis 開始分析。

當 Status 狀態變成 Completed 後，即可看到 Recommandations 的數量。

點進去 Recommandations，除了看到建議內容的類別以外，也能看在程式碼的哪個部分存在什麼樣的風險，使用者即可進一步改善程式碼的安全性。

參考來源至：Incorporating security in code-reviews using Amazon CodeGuru Reviewer

Amazon DevOps Guru 推出 Preview 版本

Amazon DevOps Guru 主要透過 CloudWatch、Config、CloudTrail、 CloudFormation 以及 X-Ray 等多個數據來源整合為單一控制台，讓使用者查詢和視覺化這些監控數據，以減少使用者在多個服務中切換的繁瑣過程。

使用者可直接於 Amazon DevOps Guru 中啟用此功能，大概會花數小時的時間來蒐集並彙整這些資訊。

假設使用者目前的架構為一個 Serverless 無伺服器環境，API Gateway + Lambda + DynamoDB：

倘若架構中有錯誤，我們會習慣從每個服務依序去查看 log，確認是哪一個部分有錯誤，但這個 Trail 的過程對於開發者來說不夠友善。啟用 Amazon DevOps Guru 後，使用者可以直接從 Amazon DevOps Guru Console，看到整個架構中不同階段的 Insights report。

參考來源：New- Amazon DevOps Guru Helps Identify Application Errors and Fixes

Amazon Connect

Amazon Connect 早在 2017 年就已經發布了，至今已經超過了數千名使用者建立他們自己的雲端客服中心，而 Amazon 蒐集了使用者的經驗後，加入了 AI/ML 的思維在其中，並在 Amazon Connect 中推出了以下幾種延伸服務，預計可以節省超過 80% 的傳統客服中心資源，並且在這個過程中，你不需要手動部署任何資源。

AWS 從使用者的回饋中，發現了許多需求，並將其整合至各個 feature 中。

參考來源至：Amazon Connect – Now Smarter and More Integrated With Third-Party Tools

Amazon Connect Wisdom

Amazon Connect Wisdom 可以利用機器學習將查詢或想瞭解的商品及服務資訊即時回覆給客戶，且能在最短的時間內解決客戶的疑問。

相信這項服務可以在 Amazon Connect 中發揮極大的功效，讓客戶不必花太多時間就能獲得回應。

而在運作邏輯的部分，Amazon Connect Wisdom 會即時抓取客戶的話語，並將抓取的語音轉成文字後經過機器學習辨識，回覆客戶所需要的內容。

參考來源至：Amazon Connect Wisdom provides contact center agents the information they need to quickly solve customer issues

Amazon Connect Customer Profiles

在客戶聯絡客服中心的情況下，若是能在電話接通前瞭解客戶之前提出的要求或是回應，可以幫助客服中心建立完全個人化的服務，這可以大大的提升使用者體驗，讓客戶覺得被關心且被理解。

使用 Amazon Connect Customer Profiles 可以讓客服立即獲得客戶的資訊，並在通話中協助客戶建立資料，提供更加個人化的體驗。

舉例來說：某一客戶在上午向客服詢問，為了幫助日後的回答更加貼近客戶的問題，客服可以查詢這個客戶的訂單歷史記錄、客訴歷史記錄…等客戶資料作為 Customer Profile 參考。

只需要簡單幾個步驟，就可以利用第三方的應用程式建立統一的客戶資料，如：Salesforce、ServiceNow、Zendesk 等第三方應用。

參考來源至：Deliver personalized customer experience using Amazon Connect Customer Profiles

Real-time Contact Lens for Amazon Connect

客服中心的主管希望在每一個通話中了解客戶體驗的情況，在舊的解決方案中，只能隨機抽樣錄音來了解這些問題。

Real-time Contact Lens For Amazon Connect 可以即時獲得客戶的體驗情況，讓客服人員可以主動提供幫助，例如：可以即時偵測類似「這客服真的很糟」、「以後不會再用了」等相關客訴字眼，並協助改進整體的體驗情況。

參考來源至：Real-time customer insights using machine learning with Contact Lens for Amazon Connect

Amazon Connect Task

在一般的情況下，客服人員會收到來自不同來源的案件，例如：email、電話、網頁表單等，這使得 追蹤及評估案件 變得困難，當需要將不同來源的案件以其他方式回覆時又更加困難，這讓客戶需要不斷重複他們的問題，以便客服人員可以追蹤到他們的案件，有些案件甚至會被遺忘，客戶體驗因此變得很差。

Amazon Connect Task 可以幫使用者解決此問題，透過對任務（Task）進行排序、分類、追蹤、甚至是自動化回應，有助於降低成本且提高生產力，客服人員只需要專注回應客戶的問題，而不必擔心如何追蹤案件進度，客服人員甚至可以手動建立案件，方便案件追蹤。

參考來源至：Easily prioritize, assign, track, and automate contact center agent work with Amazon Connect Tasks

Amazon Connect Voice ID

為了對撥電話進來的客戶進行身份驗證，客服中心通常會詢問基本資料及其他問題，例如：住家地址、出生日期等，而這個過程非常耗費時間，且容易導致不良的客戶體驗。

Amazon Connect Voice ID 透過機器學習的方式，分析語音特徵並提供即時的身份驗證，使客服中心不需要冗長的問答，驗證客戶身份，只需要進行正常的對答，就能輕鬆地驗證客戶身份。

參考來源至：Machine learning-based caller authentication with Amazon Connect Voice ID (preview)

Business Applications

AWS QuickSight Q – 運用機器學習技術來實現 Natural Language Query (NLQ) 功能

AWS QuickSight 是 AWS Business Intelligence (BI) 服務。在本次的 re:Invent 中，AWS 推出 QuickSight Q 的功能。當使用者利用 QuickSight 產生 BI 圖表時，多數使用者期望能馬上了解大量 Data 裡的 Insight。

現在，透過 QuickSight Q 讓使用者以輸入問題的方式，QuickSight 會擷取使用者的提問，並比對使用者所需要的資料，最後經過資料過濾，回覆使用者設定範圍內的資料，藉此加速使用者了解資料中所隱含的資訊。

假設現在使用者在 QuickSight 有以下和銷售額相關的資料圖表：

接著使用者可以直接在上方的 QuickSight Q 的搜尋框中，輸入想知道的問題，例如：特定地區在一段時間內的銷售額。

QuickSight 可快速過濾掉不需要的資料，僅呈現使用者需要的內容。

或是可以要求比對兩個地區：比較 A 地區與 B 地區在一段時間內的銷售額。

參考來源：New – Amazon QuickSight Q Answers Natural-Language Questions About Business Data

IoT

硬體設備監控服務 – Amazon Monitron

Amazon Monitron 是一個設備監控服務，設置 Amazon Monitron 非常簡單，使用者將 Sensor 安裝好後，透過藍牙將 Sensor 讀取到的資訊發送到附近的 Monitron gateway。

Monitron gateway 本身會連接到網路並將資料發送到 AWS，每個 gateway 至多可連接 20 個 Sensor，最遠可距離 30 公尺左右（若無特殊障礙物）。

使用者得先於 Monitron 開啟 project，並透過手機藍芽註冊 gateway。

選擇要註冊的 gateway 便會顯示 online。

下一步是要於 Monitron 創建 Sensor，並將其配對。

當使用者與所有 Sensor 配對完成後，便可查看 Monitron 所提供的簡易圖表。

參考來源：Amazon Monitron, a Simple and Cost-Effective Service Enabling Predictive Maintenance

預測性維護服務 – Amazon Lookout for Equipment

製造業為了提高生產效率，降低機台故障而導致的意外停機風險，大多數企業會選擇使用 Sensor 將資料儲存並建立 DashBoard，監視其設備狀況並獲得即時警報。

傳統的統計方法預測硬體設備是否該維修已無法滿足企業對於準確度的需求，所以 AWS 針對製造業新增了預測性維護服務，以機器學習為基礎，使用者可以針對振動頻率、聲音、溫度等資訊進行預測。

參考來源：New – Amazon Lookout for Equipment Analyzes Sensor Data to Help Detect Equipment Failure

AWS Panorama Appliance

Panorama Appliance 是一台實體的裝置，透過此裝置連接現有的攝影設備，並將 SageMaker 訓練出的影像辨識模型載入，即可達到Real-time的邊緣運算。

Panorama 實體機器：

首先，進入 AWS Panorama Appliance Console，可點擊 Get started 開始設定

設定 Panorama Appliance 總共有三個步驟，以下為如何將 Panorama Appliance 與 AWS 連接：

使用者可以透過網路線或是 Wi-Fi 將 Panorama Appliance 連接上區域網路。

基於安全性考量，必須要將 Panorama Appliance 的設定檔下載至 USB 隨身碟，並將設定檔儲存至 Panorama Appliance 內。

確保 Panorama Appliance 電源、網路已連接成功，按下開機鍵後指示燈會閃爍一陣子，待 Console 顯示成功連接即可。

接著點擊 Add camera streams 連接實體攝影機。

使用者可以選擇自動模式或是手動模式，自動模式會搜尋區域網路中的攝影機設備，在此選擇自動模式。

若使用者的攝影機需要帳號密碼，則可以在此輸入

以下會顯示所有可連接的攝影機，打勾之後點擊 Add camera streams 即可加入。

參考來源：AWS Panorama Appliance: Bringing Computer Vision Applications to the Edge

參考部署方式文件

AWS Panorama Appliance SDK

AWS Panorama Appliance SDK 可提供硬體廠商自行設計應用程式，來符合各種不同場景，包括工業現場、光線不足及室外的場景。

Global Infrastructure – Edge Computing

AWS Outposts for any location

AWS Outposts 在 re:Inevnt 2019 正式發布，幫助解決機房管理員在維護、安裝、更新實體伺服器時，所需要花費的心力與時間，現在只需要透過 AWS Console 選定規格、發送請求，AWS 便會到府安裝並接手處理這些維運行為，若後續有要更新升級，也能透過 Console 提出申請。

然而，Outposts 實體機櫃卻高達 203 公分，這個大小讓許多使用者為之卻步。而在今年則新推出了兩款不同大小的機櫃提供使用者選擇（如下圖）。

目前最小容量 4 個 m5.12xlarge 要價 $181,838USD 或是每月支付 $5,803.34USD

Local Zone 新增支援地點

AWS Local Zone 於 2019 年 AWS re:Invent 推出，是一種全新類型的 AWS 基礎設施。而 Local Zone 之所以誕生，主要是為了解決部分使用者希望能夠給予在特定區域內的 end-user 低至 single-digit latency 的使用者體驗。

繼 2019 年推出 Local Zone 後，在本次 re:Invent 預計將在 2021 新增更多地點：Atlanta、Chicago、Dallas、Denver、Kansas City、Las Vegas、Minneapolis、New York、Philadelphia、Phoenix、Portland、Seattle。

5G Edge – AWS Wavelength

Wavelength Zone 讓在同一個 Region 內的 AWS 服務，能夠透過電信商的 5G 網路來互相溝通，加速服務之間的反應時間。同時，也可以大幅縮短從 5G 設備連接到 AWS 服務所需的延遲。

而 Wavelength Zone 可應用於許多需要超低延遲的案例中，像是已有大量用戶的線上遊戲、虛擬實境、直播等等的案例，皆可利用 Wavelength Zone 優化應用程式的表現。

在這次的 re:Invent 中，AWS 也宣佈了未來將會新增三個位置作為 Wavelength 的據點，分別是：日本東京 與 韓國大德，並期待在 2021 年，也會在 英國倫敦 設立據點。

結語

多數企業主與決策者都想找尋一個一勞永逸的解決方案，但在資訊爆炸的時代，需求同時以爆炸的速度在增長，我們需要不斷的找尋新需求並滿足、解決它，不能夠安於現況，要隨時觀察、隨著世代的流動，keep invent and reInvent。

大家明年見！