Detect hallucinations for RAG-based systems
这篇文章将为您介绍如何为基于抹布的应用创建基本的幻觉检测系统。我们还根据准确性，精确度，召回和成本来权衡不同方法的利弊。
AWS machine learning supports Scuderia Ferrari HP pit stop analysis
维修人员经过培训，以最佳的效率运行，尽管衡量其性能一直具有挑战性。在这篇文章中，我们分享了亚马逊Web服务（AWS）如何帮助Scuderia Ferrari HP使用机器学习（ML）开发更准确的距离停止分析技术。
Accelerate edge AI development with SiMa.ai Edgematic with a seamless AWS integration
在这篇文章中，我们演示了如何使用SageMaker AI和Sima.ai Palette软件套件对模型进行重新训练和量化。目的是准确检测个人在可见性和保护设备检测对于合规性和安全性至关重要的环境中。
在这个专业信息提取解决方案的基础上建立了建立，并利用Sagemaker Hyperpod的功能，我们与Apoidea Group合作探索了使用大型视觉语言模型（LVLM）的使用，以进一步改善银行和财务文档上的表结构识别性能。在这篇文章中，我们介绍了使用Sagemaker Hyperpod上的Llama-Factory进行QWEN2-VL-7B教学模型进行微调的QWEN2-VL-7B教学模型的逐步代码。
How Qualtrics built Socrates: An AI platform powered by Amazon SageMaker and Amazon Bedrock
在这篇文章中，我们分享了Qualtrics如何构建由亚马逊萨吉式制造商和亚马逊基岩提供支持的AI平台。
Vxceed secures transport operations with Amazon Bedrock
aws与VXCECE合作支持其AI策略，从而开发了limoconnect Q，这是一种创新的地面运输管理解决方案。 VXCEED使用AWS服务，包括Amazon Bedrock和Lambda，成功地建立了一个安全的AI驱动解决方案，以简化Trip Trip预订和文档处理。
Cost-effective AI image generation with PixArt-Σ inference on AWS Trainium and AWS Inferentia
这篇文章是我们将在Trainium和推断供电的实例上运行多个扩散变压器的系列中的第一篇文章。在这篇文章中，我们展示了如何将Pixart-Sigma部署到训练和推断供电的实例中。
Cost-effective AI image generation with PixArt-Sigma inference on AWS Trainium and AWS Inferentia
这篇文章是我们将在Trainium和推断供电的实例上运行多个扩散变压器的系列中的第一篇文章。在这篇文章中，我们展示了如何将Pixart-Sigma部署到训练和推断供电的实例中。
Customize DeepSeek-R1 671b model using Amazon SageMaker HyperPod recipes – Part 2
在这篇文章中，我们使用食谱来微调原始的DeepSeek-R1 671b参数模型。我们通过使用Sagemaker培训工作和Sagemaker Hyperpod的逐步实施这些食谱来证明这一点。
在这篇文章中，我们向您展示了亚马逊Q业务如何通过回答问题，提供摘要，生成内容并根据企业系统中的数据和信息安全完成任务来帮助增加所有上述用例中的生成AI需求。
Securing Amazon Bedrock Agents: A guide to safeguarding against indirect prompt injections
生成的AI工具已经改变了我们的工作，创建和处理信息的方式。在Amazon Web服务（AWS），安全是我们的首要任务。因此，亚马逊基岩提供了全面的安全控制和最佳实践，以帮助保护您的应用程序和数据。在这篇文章中，我们探讨了亚马逊基石代理提供的安全措施和实践策略，以保护您的AI交互作用，以防止您的AI交互作用，以确保您的应用程序既安全又可靠。
在这篇文章中，我们使用Amazon Elastic Kubernetes服务（EKS）与Amazon Bedrock一起演示了一个解决方案，以在AWS上为您的生成AI应用程序构建可扩展和容器化的RAG解决方案，同时将非结构化用户文件数据带入直接，快速和安全的方式，并将您的非结构用户文件数据带到Amazon Bedrock。
How Hexagon built an AI assistant using AWS generative AI services
认识到生成AI对企业的变革性好处，我们在Hexagon的资产生命周期情报部门试图增强用户与我们的企业资产管理（EAM）产品互动的方式。了解这些优势，我们与AWS合作，踏上了使用AWS Generative AI服务的AI驱动的数字工作者HXGN ALIX的旅程。这篇博客文章探讨了HXGN ALIX的策略，开发和实施，展示了定制的AI解决方案如何提高效率并提高用户满意度。
Build an intelligent community agent to revolutionize IT support with Amazon Q Business
在这篇文章中，我们演示了您的组织如何减少解决IT支持团队经历的定期挑战的端到端负担，从了解错误，审查诊断，补救步骤和相关文档，再到使用JIRA等常见的第三方服务（例如JIRA）开放外部支持门票。
在媒体和娱乐行业中，了解和预测营销活动的有效性对于成功至关重要。营销活动是成功企业的推动力，在吸引新客户，保留现有客户并最终提高收入方面发挥了关键作用。但是，发起广告系列还不够。为了最大化其影响并帮助实现[…]
传统的预测方法通常依赖于统计建模，但Chronos将时间序列数据视为要建模的语言，并使用预训练的FM来生成预测，类似于大型语言模型（LLMS）的生成文本。与传统方法相比，计时可帮助您更快地实现准确的预测，从而大大减少开发时间。在这篇文章中，我们分享了Deutsche Bahn如何使用Chronos模型重新定义预测，并提供了一个示例用例，以说明如何使用Chronos开始使用。
Use custom metrics to evaluate your generative AI application with Amazon Bedrock
现在使用亚马逊基岩，您可以为模型和抹布评估开发自定义评估指标。此功能扩展了LLM-AS-A-A-a-Gudge框架，该框架推动了亚马逊基岩评估。在这篇文章中，我们演示了如何在亚马逊基岩评估中使用自定义指标，以根据您的特定业务需求和评估标准来衡量和改善生成AI应用程序的性能。
Build a gen AI–powered financial assistant with Amazon Bedrock multi-agent collaboration
这篇文章探讨了专门从事三个关键任务的财务助理系统：投资组合创建，公司研究和沟通。这篇文章旨在说明在亚马逊基地多代理协作能力中使用多个专业代理商的使用，并特别强调了他们在财务分析中的应用。
