Advanced fine-tuning techniques for multi-agent orchestration: Patterns from Amazon at scale
在这篇文章中，我们向您展示微调如何使危险用药错误减少 33%（Amazon Pharmacy）、工程人力减少 80%（Amazon Global Engineering Services）以及内容质量评估如何提高 77% 至 96% 的准确性（Amazon A+）。这篇文章详细介绍了这些结果背后的技术：从监督微调 (SFT)（指令调优）和近端策略优化 (PPO) 等基础方法，到用于人类对齐的直接偏好优化 (DPO)，再到尖端推理优化，例如基于策略优化的分组强化学习 (GRPO)、直接优势策略优化 (DAPO) 和专为代理系统构建的组序列策略优化 (GSPO)。
How Palo Alto Networks enhanced device security infra log analysis with Amazon Bedrock
Palo Alto Networks 的设备安全团队希望检测潜在生产问题的早期预警信号，以便为中小企业提供更多时间来应对这些新出现的问题。他们与 AWS GenAIIC 合作开发由 Amazon Bedrock 提供支持的自动日志分类管道。在这篇文章中，我们讨论 Amazon Bedrock 如何通过 Anthropic 的 Claude Haiku 模型和 Amazon Titan Text Embeddings 协同工作来自动分类和分析日志数据。我们探索这个自动化管道如何检测关键问题，检查解决方案架构，并分享实现可衡量的运营改进的实施见解。
Deploy AI agents on Amazon Bedrock AgentCore using GitHub Actions
在这篇文章中，我们演示了如何使用 GitHub Actions 工作流程在 AgentCore Runtime 上自动部署 AI 代理。这种方法提供了具有企业级安全控制的可扩展解决方案，提供完整的持续集成和交付 (CI/CD) 自动化。
Build a generative AI-powered business reporting solution with Amazon Bedrock
本文介绍了生成式 AI 指导的业务报告，重点是撰写有关您的业务的成就和挑战，提供智能、实用的解决方案，有助于简化和加速内部沟通和报告。
Safeguard generative AI applications with Amazon Bedrock Guardrails
在这篇文章中，我们将演示如何通过使用 Amazon Bedrock Guardrails 向自定义多提供商生成式 AI 网关添加集中式保护措施来应对这些挑战。
Scale creative asset discovery with Amazon Nova Multimodal Embeddings unified vector search
在本文中，我们将介绍如何使用 Amazon Nova 多模式嵌入来检索特定视频片段。我们还回顾了一个现实世界的用例，其中 Nova Multimodal Embeddings 在针对 170 个游戏创意资产的库进行测试时，实现了 96.7% 的召回成功率和 73.3% 的高精度召回率（返回前两个结果中的目标内容）。该模型还展示了强大的跨语言功能，并且跨多种语言的性能下降最小。
How AutoScout24 built a Bot Factory to standardize AI agent development with Amazon Bedrock
在这篇文章中，我们将探讨 AutoScout24 用于构建标准化 AI 开发框架的架构，从而实现安全且可扩展的 AI 代理的快速部署。
本文探讨了新的无服务器模型定制功能、弹性训练、无检查点训练和无服务器 MLflow 如何协同工作，将您的 AI 开发速度从几个月缩短到几天。
Securing Amazon Bedrock cross-Region inference: Geographic and global
在本文中，我们探讨了实施 Amazon Bedrock 跨区域推理配置文件的安全注意事项和最佳实践。无论您是构建生成式 AI 应用程序还是需要满足特定的区域合规性要求，本指南都将帮助您了解 Amazon Bedrock CRIS 的安全架构以及如何正确配置您的实施。
How Omada Health scaled patient care by fine-tuning Llama models on Amazon SageMaker AI
本文由 Omada Health 的 AI/ML 产品经理 Sunaina Kavi 共同撰写。 Omada Health 是虚拟医疗服务领域的长期创新者，于 2025 年推出了新的营养体验，其特色是 OmadaSpark，这是一款接受过强大临床输入训练的人工智能代理，可提供实时动机访谈和营养教育。它是在 AWS 上构建的。 OmadaSpark 的设计 [...]
使用几行代码即可将量化模型无缝部署在 Amazon SageMaker AI 上。在这篇文章中，我们探讨了为什么量化很重要——它如何实现更低成本的推理，支持在资源受限的硬件上的部署，并减少现代法学硕士对财务和环境的影响，同时保留其大部分原始性能。我们还深入研究 PTQ 背后的原理，并演示如何量化您选择的模型并将其部署在 Amazon SageMaker 上。
How Beekeeper optimized user personalization with Amazon Bedrock
Beekeeper 的自动排行榜方法和用于动态法学硕士和即时配对选择的人工反馈循环系统解决了组织在快速发展的语言模型领域面临的关键挑战。
这篇文章是通过 AWS 与 Instituto de Ciência e Tecnologia Itaú (ICTi)（ICTi）（由拉丁美洲最大的私人银行 Itaú Unibanco 维护的 P&D 中心）之间的战略科学合作伙伴关系开发的，探讨了文本和音频情绪分析的技术方面。我们展示了比较多种机器学习 (ML) 模型和服务的实验，讨论了每种方法的权衡和陷阱，并重点介绍了如何编排 AWS 服务来构建强大的端到端解决方案。我们还提供对未来潜在方向的见解，包括针对大型语言模型 (LLM) 的更先进的提示工程，以及扩大基于音频的分析范围以捕获仅文本数据可能会错过的情感线索。
Architecting TrueLook’s AI-powered construction safety system on Amazon SageMaker AI
本文详细介绍了 TrueLook 如何使用 SageMaker AI 构建人工智能驱动的安全监控系统，重点介绍了关键技术决策、管道设计模式和 MLOps 最佳实践。您将获得有关在 AWS 上设计可扩展计算机视觉解决方案的宝贵见解，特别是围绕模型训练工作流程、自动化管道创建和实时推理的生产部署策略。
Migrate MLflow tracking servers to Amazon SageMaker AI with serverless MLflow
本文向您展示如何将自我管理的 MLflow 跟踪服务器迁移到 MLflow 应用程序 - SageMaker AI 上的无服务器跟踪服务器，可根据需求自动扩展资源，同时免费消除服务器修补和存储管理任务。了解如何使用 MLflow 导出导入工具传输实验、运行、模型和其他 MLflow 资源，包括验证迁移是否成功的说明。
Build an AI-powered website assistant with Amazon Bedrock
本文演示了如何通过使用 Amazon Bedrock 和 Amazon Bedrock 知识库构建人工智能驱动的网站助手来解决这一挑战。
Programmatically creating an IDP solution with Amazon Bedrock Data Automation
在本文中，我们将探讨如何以编程方式创建使用 Strands SDK、Amazon Bedrock AgentCore、Amazon Bedrock 知识库和 Bedrock Data Automation (BDA) 的 IDP 解决方案。该解决方案通过 Jupyter 笔记本提供，使用户能够上传多模式业务文档并使用 BDA 作为解析器提取见解，以检索相关块并增强对基础模型 (FM) 的提示。
AI agent-driven browser automation for enterprise workflow management
企业组织越来越依赖基于 Web 的应用程序来执行关键业务流程，但许多工作流程仍然需要大量手动操作，从而造成运营效率低下和合规风险。尽管技术投资巨大，但知识工作者仍会在标准工作流程中在八到十二个不同的 Web 应用程序之间进行导航，不断切换上下文并在系统之间手动传输信息。数据输入和验证任务 [...]
