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 [...]
Simplify multi-account access to Amazon Bedrock models with managed entitlements
在本文中，我们将向您展示如何使用 Amazon Bedrock 的托管权利从中央账户订阅一次并在整个组织中分配模型访问权限。此方法无需工作负载账户中的 AWS Marketplace 权限。
Implementing resilience patterns with Amazon Bedrock and LLM gateway
在本文中，您将学习在 AWS 上构建弹性生成 AI 应用程序的五种实用模式，从原生 Amazon Bedrock 功能发展到使用 LLM 网关的多模型编排。这些模式解决了现实世界的挑战，例如意外流量激增期间的配额耗尽，通过推理的地理分布最大化可用性，并帮助防止多租户环境中的嘈杂邻居问题。
How Outpost VFX Uses AWS to Accelerate AI Model Training for Visual Effects
在这篇文章中，我们将探讨 Outpost VFX 如何使用 AWS 基础设施将训练速度提高 8 倍，以转变其面部替换工作流程、他们为克服单 GPU 限制而实施的技术架构，以及通过 AWS 多 GPU 训练实现的可衡量结果。
Multi-tenant LLM analytics with row-level security: How we built a secure agent on AWS
在这篇文章中，我们将向您展示 PAR 如何构建一个生产就绪的多租户 LLM 分析系统，该系统通过三层架构强制执行行级安全性：使用 AWS SigV4 进行加密请求签名、Amazon Bedrock 上的语义验证以及通过 Split-Plane SQL 进行编程数据隔离。我们演示了每一层如何独立运行，以降低跨租户数据暴露的风险，即使 LLM 本身受到损害或操纵也是如此。
Debugging production agents with Amazon Bedrock AgentCore Observability
在本文中，您将了解如何使用内置的可观察性功能来调试生产代理故障。我们介绍常见的故障模式，展示如何通过跟踪和指标分析代理行为，并提供结构化工作流程来解决无限循环和工具调用失败等问题。这是由两部分组成的系列的第 1 部分。第 2 部分介绍性能优化和内存管理。
How Cara pioneers domain-specific AI for enterprise insurance brokerages with AWS
在这篇文章中，我们将探讨与 AWS 合作构建的 Cara 如何应对这些挑战。我们详细介绍了支持该解决方案的技术设计决策和 AWS 服务。我们还分享 Cara 为企业经纪公司提供的可衡量的成果。
Production-grade AI agents for financial compliance: Lessons from Stripe
在这篇文章中，您将了解 Stripe 如何构建生产级 AI 代理系统以实现财务合规性。我们介绍了 Stripe 的 ReAct 代理框架的技术架构以及专用代理服务背后的基础设施决策。我们还讨论了人类监督在维持责任方面的作用，以及有关任务分解、编排模式和通过即时缓存优化成本的重要经验教训。最后，您将了解如何设计在不影响质量或可审计性的情况下扩展合规性操作的代理系统。
Optimize model training on Amazon SageMaker AI with NVIDIA Blackwell
本文向您展示如何在 Amazon SageMaker AI 上配置训练作业，以充分利用 AWS 上的 Blackwell 架构。您将学习如何选择利用 Blackwell 扩展内存的批量大小和序列长度，为您的模型大小（1B 至 64B 参数）选择正确的精度格式，以及策略性地应用激活检查点。最后，您将拥有一个实用的框架，用于调整训练配置并在 P6-B200 实例上启动分布式训练作业。
Implementing super resolution by deploying SeedVR2 on Amazon SageMaker AI
在这篇文章中，我们演示了如何在 SageMaker AI 上使用 SeedVR2 实现视频升级。我们介绍解决方案架构、逐步介绍部署步骤并展示性能比较，突出显示您可以实现的质量改进和处理效率。读完本文后，您将掌握实施此超分辨率解决方案所需的实践知识。
Build a healthcare appointment agent with Amazon Nova 2 Sonic
在本文中，您将了解如何使用 Amazon Nova 2 Sonic 和 Amazon Bedrock AgentCore 构建处理预约提醒对话的语音代理。该代理通过语音对患者进行身份验证，管理预约（确认、取消或重新安排），收集就诊前的健康信息，并在需要时升级给工作人员。您可以大规模处理例行呼叫，这有助于降低缺席率。此示例重点关注问题的代理方面：语音对话和工具编排。包含一个基于浏览器的界面用于测试。要将代理连接到实际电话线路以进行出站拨号，您可以集成电话服务，例如 Amazon Connect Customer。
AI-powered BI with Snowflake and Amazon Quick
在本文中，您将了解如何在 Snowflake 语义视图和 Amazon Quick 之间构建端到端集成。样本数据是媒体公司的用户评论数据。首先，您将电影评论数据从 Amazon Simple Storage Service (Amazon S3) 加载到 Snowflake 中，在 SQL 中定义语义视图以添加业务含义，通过 Cortex Analyst 使用自然语言查询进行探索，然后生成 Amazon Quick 数据集和仪表板。可以手动或使用提供的自动化脚本创建数据集。最后，您的 BI 团队或 AI 团队可以针对受管数据层提出自然语言问题，并相信每个响应都反映相同的业务逻辑。
