在这篇文章中，我们将介绍什么是数据集丰富、它与旧主题有何不同，并提供三种迁移场景和分步指导，以便您可以放心地将业务上下文迁移到数据集层。
Data modeling best practices for Amazon Quick Sight multi-dataset relationships
今天，我们很高兴地宣布 Amazon Quick Sight 中的多数据集关系。这项新功能允许您定义 Quick Sight 数据集之间的逻辑关系并在查询时执行运行时联接。您无需提前展平表，而是将每个表保留为其自己的 Quick Sight 数据集，并在 Quick Sight 主题内声明这些数据集如何相互关联。
Data modeling patterns for Amazon Quick Sight multi-dataset relationships
在这篇文章中，我们从概念转向模式。对于每个模式，您将找到表结构、用例、实施步骤和示例 SQL 查询。我们还介绍了需要额外建模步骤的高级场景的解决方法，并总结了当前的限制。
Multi-dataset Topic best practices for Amazon Quick Chat
本文适用于为基于自然语言聊天的探索构建或优化 Quick Sight 主题的数据架构师、商业智能 (BI) 工程师和分析工程师。
Build a serverless image editing agent with Amazon Bedrock AgentCore harness
这篇文章逐步介绍了如何构建一个无服务器图像编辑器，用户可以在其中上传照片，用简单的英语描述编辑内容，并在几秒钟内收到结果。代理在 AgentCore 线束上运行，无需自定义编排代码。我们使用单个部署命令部署完整的解决方案，包括身份验证、加密存储、三个图像编辑工具和一个 React 前端。基础设施是使用 AWS 云开发套件 (AWS CDK) 定义的。
How AWS Finance teams reclaimed hundreds of hours with Amazon Quick
在这篇文章中，我们展示了 AWS Finance 如何使用 Amazin Quick 中的聊天代理和 Flows 来转变其两个最耗时的工作流程。
From Hugging Face to Amazon SageMaker Studio in one click
今天，我们很高兴地宣布 Hugging Face 与 Amazon SageMaker AI 之间的深度链接集成。开发人员现在只需进行一次选择，即可在 SageMaker Studio 中从模型发现到实践实验。
Teaching models to forget: Selective unlearning with Amazon Nova
在这篇文章中，我们介绍了反向直接偏好优化 (rDPO)，这是 Amazon Nova 可自定义内容审核设置 (CCMS) 背后的一种新颖的遗忘技术，并展示了它如何在保持模型质量的同时减少过度偏转。我们还为想要将这些偏好优化技术应用到自己的实验中的客户提供指导。
Run MiniMax models on Amazon Bedrock
在这篇文章中，我们将介绍如何开始在 Amazon Bedrock 上使用 MiniMax 模型，包括这些模型支持的功能、可用的服务层、按需推理如何扩展以处理您的工作负载，以及您可以用来访问它们的不同 API。使用这些模型，客户可以构建代理应用程序、长上下文文档分析管道和软件工程工作流程，所有这些都得到 AWS 的安全和运营保证的支持。
Deploying Multi-Turn RL Infrastructure for Amazon Nova on Amazon SageMaker HyperPod
在本文中，您将在 Amazon SageMaker HyperPod 上使用 Amazon Nova Forge 部署用于多回合 RL 的两阶段基础设施。最后，您将拥有一个事件驱动的管道，当您将数据上传到 Amazon Simple Storage Service (Amazon S3) 时，该管道就会开始训练。训练作业教模型玩 Wordle，这是您自己的 RL 任务的占位符。
Automatically redact PII in images with Amazon Nova
在这篇文章中，我们介绍了一个由 Amazon Nova 指导的多步骤管道，该管道使用其上下文视觉推理来协调互补工具，包括部署在 Amazon SageMaker AI 上用于像素级分割的 Meta 开源 Segment Anything Model (SAM 3) 和用于光学字符识别 (OCR) 的 Amazon Textract。该管道旨在提供全面且合规的 PII 编辑，即使是具有挑战性的边缘情况，例如任意方向的指纹、身份证或车牌。
How Amazon Bedrock catches AI-generated phishing
通过网络钓鱼进行社会工程仍然是发起网络攻击的最常见策略之一。人工智能生成的网络钓鱼电子邮件现在给管理电子邮件系统的安全团队带来了新的挑战，由于其先进性而显着增加了风险。现代社会工程师使用生成式人工智能和开源情报 (OSINT) 来制作数千条独特的消息 [...]
Run NVIDIA Nemotron and OpenAI GPT OSS models on Amazon Bedrock in AWS GovCloud (US)
我们很高兴在 AWS GovCloud（美国）中引入基于美国的前沿开放权重模型。通过此版本，Amazon Bedrock 现在支持 OpenAI 的开放权重 GPT OSS 模型（120B 和 20B）和 NVIDIA Nemotron（Nano 9B v2、Nano 12B v2、Nano 30B、Super 120B）模型。在这篇文章中，我们将介绍这些模型及其功能、数据驻留的推理选项、可用的服务层以及如何开始。
Structured memory filtering with metadata in AgentCore Memory
在本文中，您将了解元数据如何跨配置、摄取和检索工作，探索包括多代理和多租户架构在内的企业用例，并发现实施的最佳实践。
How Inscribe uses Amazon Bedrock to stop document fraud in seconds
在本文中，您将了解 Inscribe 如何使用 Amazon Bedrock 开发代理 AI 系统，以专业欺诈分析师的方式跨文档进行推理。借助这一新的代理 AI 系统，Inscribe 现在可以在 90 秒内检测到被篡改、伪造和 AI 生成的财务文档。这比传统的人工审核提高了 20 倍，同时保持了金融服务法规所要求的准确性和可解释性。
Accelerate protein design with BoltzGen on Amazon SageMaker AI
在这篇文章中，我们演示了如何在 SageMaker AI 上部署 BoltzGen 并运行端到端蛋白质设计实验。在演练结束时，您将拥有一个可从快速验证运行扩展到生产批处理的工作设置。该设置为不同的研究阶段提供了两种执行模式，并使用步骤级缓存来减少迭代工作流程期间的计算费用。
Safely Releasing Frontier Models to Customers
我们的目标是让 AWS 成为运行任何工作负载的最安全的地方，为了支持这一目标，自 AWS 二十多年前成立以来，我们一直在整个服务的安全性方面进行深入投资。我们的 AI 服务（例如 Amazon Bedrock）建立在这个基础上，并具有相同的重点。
Introducing Claude Sonnet 5 on AWS: Anthropic’s most capable Sonnet model
今天，我们很高兴地宣布 Anthropic 最先进的 Sonnet 模型 Claude Sonnet 5 在 Amazon Bedrock 和 AWS 上的 Claude Platform 上可用。 Claude Sonnet 5 是 Anthropic 最新一代的第一个 Sonnet 模型，代表着向前迈出的有意义的一步。它以 Sonnet 定价为编码、代理和日常专业人士提供顶级情报 [...]
