在这篇文章中，我们研究了Nippon Life India Asset Management Limited采用的解决方案，该解决方案通过重写用户查询，汇总和重新响应来提高响应的准确性（NAIVE）抹布方法。所提出的解决方案使用增强的抹布方法，例如重新骑行来提高整体精度
Build a drug discovery research assistant using Strands Agents and Amazon Bedrock
在这篇文章中，我们演示了如何使用Strands Agents和Amazon Bedrock创建强大的研究助理来发现药物。该AI助手可以使用模型上下文协议（MCP）同时搜索多个科学数据库，合成其发现，并就药物靶标，疾病机制和治疗领域产生全面的报告。
Amazon Nova Act SDK (preview): Path to production for browser automation agents
在这篇文章中，我们将介绍使Nova Act SDK与众不同的原因，其工作原理以及整个行业的团队如何使用它来自动化基于浏览器的工作流程。
在这篇文章中，我们探讨了Crypto.com如何使用用户和系统反馈来不断改进和优化我们的说明提示。这种反馈驱动的方法使我们能够创建更有效的提示，以适应各种子系统，同时在不同用例中保持高性能。
Build modern serverless solutions following best practices using Amazon Q Developer CLI and MCP
This post explores how the AWS Serverless MCP server accelerates development throughout the serverless lifecycle, from making architectural decisions with tools like get_iac_guidance and get_lambda_guidance, to streamlining development with get_serverless_templates, sam_init, to deployment with SAM
Build an intelligent eDiscovery solution using Amazon Bedrock Agents
在这篇文章中，我们演示了如何使用Amazon Bedrock代理来建立智能的Ediscovery解决方案进行实时文档分析。我们展示了如何通过多代理体系结构一起部署专业代理进行文档分类，合同分析，电子邮件审核和法律文档处理。我们详细介绍实施细节，部署步骤和最佳实践，以创建可扩展的基础，组织可以适应其特定的Edissovery要求。
Benchmarking Amazon Nova: A comprehensive analysis through MT-Bench and Arena-Hard-Auto
MT Bench和Arena-Hard的存储库最初是使用OpenAI的GPT API开发的，主要采用GPT-4作为法官。我们的团队通过将其与Amazon Bedrock API集成来扩大其功能，以便使用Anthropic的Claude Sonnet在Amazon上担任法官。在这篇文章中，我们使用MT-Bench和Arena-Hard同时将Amazon Nova模型与通过Amazon Bedrock提供的其他领先的LLM进行比较。
Customize Amazon Nova in Amazon SageMaker AI using Direct Preference Optimization
在纽约市的AWS峰会上，我们为亚马逊Nova Foundation Models推出了一套全面的模型定制功能。作为现成的食谱Onamazon Sagemaker AI可用，您可以在模型培训生命周期中使用它们来适应Nova Micro，Nova Lite和Nova Pro，包括预训练，监督微调和对齐方式。在这篇文章中，我们提出了一种简化的方法来自定义Sagemaker培训工作中的Nova Micro。
Beyond accelerators: Lessons from building foundation models on AWS with Japan’s GENIAC program
2024年，经济，贸易和工业部（METI）推出了生成的AI Accelerator Challenge（GenIAC），这是一项日本国家计划，该计划通过为公司提供资金，指导和大量计算资源来提高生成AI的基础资源（FM）开发。 AWS被选为Geniac第二周期的云提供商（周期2）。它为12个参与组织提供了基础架构和技术指导。
Streamline deep learning environments with Amazon Q Developer and MCP
在这篇文章中，我们探讨了如何使用Amazon Q开发人员和模型上下文协议（MCP）服务器来简化DLC工作流程以自动化DLC容器的创建，执行和自定义。
这篇文章介绍了一个无服务器的会议摘要系统，该系统利用了亚马逊底石的高级功能和亚马逊转录，以将录音转换为简洁，结构化和可行的摘要。通过自动化此过程，组织可以系统地捕获无数小时的时间，同时确保关键的见解，行动项目和决策是系统地捕获的，并使利益相关者可以访问。
Kyruus builds a generative AI provider matching solution on AWS
在这篇文章中，我们演示了Kyruus Health如何使用AWS服务来构建指南。我们展示了一项全面管理的服务亚马逊Bedrock如何通过单个API从领先的AI公司和亚马逊提供基础模型（FMS），而Amazon Opensearch服务（Amazon Opensearch Service）是托管搜索和分析服务，共同努力了解有关健康问题的日常语言，并将成员与合适的提供者联系起来。
Use generative AI in Amazon Bedrock for enhanced recommendation generation in equipment maintenance
在制造业世界中，服务报告中的宝贵见解在文档存储系统中通常仍然不足。这篇文章探讨了Amazon Web Services（AWS）客户如何构建一个解决方案，该解决方案可以使用生成AI自动化许多报告中关键信息的数字化和提取。
Build real-time travel recommendations using AI agents on Amazon Bedrock
在这篇文章中，我们展示了如何使用Amazon Bedrock构建生成的AI解决方案，该解决方案通过将客户资料和偏好与实时定价数据相结合，从而创建定制的假日软件包。我们演示了如何使用亚马逊基础知识库来获取旅行信息，亚马逊基岩代理以进行实时飞行详细信息以及Amazon OpenSearch无服务器以进行有效的软件包搜索和检索。
Manage multi-tenant Amazon Bedrock costs using application inference profiles
本文探讨了如何使用Amazon Bedrock的功能称为应用推理配置文件，以实现多租户AI部署的强大监视解决方案。我们演示了如何创建一个可以在复杂的多租户环境中启用颗粒状使用跟踪，准确的成本分配以及动态资源管理的系统。
Building cost-effective RAG applications with Amazon Bedrock Knowledge Bases and Amazon S3 Vectors
在这篇文章中，我们演示了如何将Amazon S3向量与Amazon BedRock知识库集成为RAG应用程序。您将学习一种实用方法来扩展知识库，以处理数百万个文档，同时保持检索质量并使用S3矢量的成本效益存储。
Implementing on-demand deployment with customized Amazon Nova models on Amazon Bedrock
在这篇文章中，我们浏览了亚马逊基岩的自定义模型按需部署工作流程，并使用AWS管理控制台和API或AWS SDK提供逐步实施指南。我们还讨论了在亚马逊基岩上部署定制的亚马逊新星模型的最佳实践和考虑因素。
组织正在采用大型语言模型（LLM），例如DeepSeek R1，以改变业务流程，增强客户体验并以前所未有的速度推动创新。但是，独立的LLM具有关键的局限性，例如幻觉，过时的知识和无法获得专有数据的访问。检索增强发电（RAG）通过将语义搜索与生成AI相结合，[…]
