亚马逊云科技 _机器学习领域信息情报检索

AWS的以下部分介绍了机器学习的文章。Amazon Web Services(AWS)是亚马逊公司内部一个充满活力且不断发展壮大的业务部门。订阅我们,获取关于Amazon Web Services机器学习的文章。

使用 Amazon Bedrock 为产品团队构建可扩展的创意解决方案

Build scalable creative solutions for product teams with Amazon Bedrock

在这篇文章中,我们探讨产品团队如何利用 Amazon Bedrock 和 AWS 服务通过生成式 AI 转变其创意工作流程,实现跨多种格式的快速内容迭代,同时保持品牌一致性和合规性。该解决方案展示了团队如何部署可扩展的生成式人工智能应用程序,以加速从产品描述和营销文案到视觉概念和视频内容的一切,显着缩短上市时间,同时提高创意质量。

为 Amazon Bedrock 构建主动 AI 成本管理系统 – 第 2 部分

Build a proactive AI cost management system for Amazon Bedrock – Part 2

在这篇文章中,我们探讨了 Amazon Bedrock 部署的高级成本监控策略,引入了精细的自定义标记方法,以实现精确的成本分配和全面的报告机制,这些机制建立在第 1 部分中建立的主动成本管理基础之上。该解决方案演示了如何实现调用级标记、应用程序推理配置文件以及与 AWS Cost Explorer 的集成,以创建生成式 AI 使用和生成的完整 360 度视图。 费用。

Metagenomi 使用 AWS Inferentia 经济高效地生成数百万种新型酶

Metagenomi generates millions of novel enzymes cost-effectively using AWS Inferentia

In this post, we detail how Metagenomi partnered with AWS to implement the Progen2 protein language model on AWS Inferentia, achieving up to 56% cost reduction for high-throughput enzyme generation workflows. The implementation enabled cost-effective generation of millions of novel enzyme variants u

Amazon SageMaker Canvas 模型的无服务器部署

Serverless deployment for your Amazon SageMaker Canvas models

在这篇文章中,我们将介绍如何采用 SageMaker Canvas 中构建的 ML 模型并使用 SageMaker Serverless Inference 进行部署,帮助您快速高效地从模型创建到生产就绪的预测,而无需管理任何基础设施。该解决方案演示了一个完整的工作流程,从将经过训练的模型添加到 SageMaker 模型注册表,到创建无服务器端点配置,再到部署根据需求自动扩展的端点。

使用 Amazon SageMaker HyperPod 训练算子加速大规模 AI 训练

Accelerate large-scale AI training with Amazon SageMaker HyperPod training operator

在这篇文章中,我们演示了如何使用 Amazon SageMaker HyperPod 训练操作器部署和管理机器学习训练工作负载,该操作器通过精确恢复和可定制的监控功能增强 Kubernetes 工作负载的训练弹性。 Amazon SageMaker HyperPod 训练运算符通过有效管理跨大型 GPU 集群的分布式训练来帮助加速生成式 AI 模型开发,提供集中训练过程监控、精细过程恢复和挂起作业检测等优势,可将恢复时间从数十分钟缩短到几秒钟。

Primary Financial Group 通过自动化加速 Amazon Lex V2 机器人的构建、测试和部署

Principal Financial Group accelerates build, test, and deployment of Amazon Lex V2 bots through automation

在Principal Financial Group 使用 Genesys、Amazon Lex 和 Amazon QuickSight 提高语音虚拟助理性能一文中,我们讨论了使用 Genesys Cloud、Amazon Lex V2、多个 AWS 服务的整体 Primary Virtual Assistant 解决方案,以及使用 Amazon QuickSight 的自定义报告和分析解决方案。

Splash Music 使用 AWS Trainium 和 Amazon SageMaker HyperPod 改变音乐生成方式

Splash Music transforms music generation using AWS Trainium and Amazon SageMaker HyperPod

在这篇文章中,我们展示了 Splash Music 如何通过在 Amazon SageMaker HyperPod 上结合使用其先进的 HummingLM 模型和 AWS Trainium,为 AI 驱动的音乐创作设定新标准。作为 2024 年 AWS Generative AI Accelerator 中入选的初创公司,Splash Music 与 AWS Startups 和 AWS GenAIIC 密切合作,以快速跟踪创新并加速其音乐生成 FM 开发生命周期。

在 Amazon Bedrock 上进行迭代微调以改进战略模型

Iterative fine-tuning on Amazon Bedrock for strategic model improvement

组织在为其生成式 AI 模型实施单次微调方法时经常面临挑战。单次微调方法涉及选择训练数据、配置超参数并希望结果满足预期,但无法进行增量调整。单次微调经常会导致结果不理想,并且需要在改进 [...] 时从头开始整个过程​​

借助 Amazon Nova Sonic 和动态菜单显示,由人工智能语音驱动的得来速订购

Voice AI-powered drive-thru ordering with Amazon Nova Sonic and dynamic menu displays

在本文中,我们将演示如何使用 Amazon Nova Sonic 和 AWS 服务实施快速服务餐厅 (QSR) 得来速解决方案。我们将逐步构建一个将语音人工智能与交互式菜单显示相结合的智能系统,提供技术见解和实施指导,以帮助餐厅实现得来速运营的现代化。

转变企业运营:Amazon Nova 的四个高影响力用例

Transforming enterprise operations: Four high-impact use cases with Amazon Nova

在这篇文章中,我们分享了四个在 Amazon Bedrock 中使用 Nova 构建的高影响力、广泛采用的用例,并得到实际客户部署、AWS 合作伙伴提供的产品和经验的支持。这些示例非常适合研究自己的人工智能采用策略和跨行业用例的组织。

构建更智能的 AI 代理:AgentCore 长期记忆深入探讨

Building smarter AI agents: AgentCore long-term memory deep dive

在这篇文章中,我们将探讨 Amazon Bedrock AgentCore Memory 如何通过反映人类认知过程的复杂提取、整合和检索机制将原始会话数据转换为持久的、可操作的知识。该系统解决了构建人工智能代理的复杂挑战,这些代理不仅存储对话,还提取有意义的见解、跨时间合并相关信息,并维护连贯的内存存储,从而实现真正的上下文感知交互。

使用 Amazon EKS 上的 AWS Deep Learning Containers 配置和验证分布式训练集群

Configure and verify a distributed training cluster with AWS Deep Learning Containers on Amazon EKS

通过采用系统方法启动所需组件并验证其正确配置,可以防止 Amazon EKS 分布式训练中的错误配置问题。本文将逐步介绍设置和验证 EKS 集群以使用 DLC 训练大型模型的步骤。

使用 Almond 内核在 Amazon SageMaker Studio 中进行 Scala 开发

Scala development in Amazon SageMaker Studio with Almond kernel

本文提供了有关将 Almond 内核集成到 SageMaker Studio 的综合指南,为平台内的 Scala 开发提供了解决方案。

使用 Amazon Bedrock AgentCore 构建设备管理代理

Build a device management agent with Amazon Bedrock AgentCore

在本文中,我们将探讨如何使用 Amazon Bedrock AgentCore 构建对话式设备管理系统。借助此解决方案,用户可以通过自然语言管理其 IoT 设备,使用 UI 执行检查设备状态、配置 WiFi 网络和监控用户活动等任务。

Amazon Bedrock 自定义模型导入如何简化 Salesforce 的 LLM 部署

How Amazon Bedrock Custom Model Import streamlined LLM deployment for Salesforce

本文展示了 Salesforce 如何将 Amazon Bedrock 自定义模型导入集成到其机器学习操作 (MLOps) 工作流程中,在不更改应用程序的情况下重用现有终端节点,以及如何对可扩展性进行基准测试。我们分享有关运营效率和成本优化收益的关键指标,并提供简化部署策略的实用见解。

用人工智能改变物理世界:智能自动化的下一个前沿

Transforming the physical world with AI: the next frontier in intelligent automation

在这篇文章中,我们探讨物理人工智能如何代表智能自动化的下一个前沿,其中人工智能超越数字边界来感知、理解和操纵我们周围的有形世界。

使用 Amazon Bedrock、LangChain 和 Streamlit 的医疗报告分析仪表板

Medical reports analysis dashboard using Amazon Bedrock, LangChain, and Streamlit

在这篇文章中,我们演示了概念性医疗报告分析仪表板的开发,该仪表板结合了 Amazon Bedrock AI 功能、LangChain 的文档处理和 Streamlit 的交互式可视化功能。该解决方案通过上下文感知聊天系统将复杂的医疗数据转化为可访问的见解,该系统由 Amazon Bedrock 提供的大型语言模型和健康参数的动态可视化提供支持。

Kitsa 利用 Amazon Quick Automate 改变临床试验地点选择

Kitsa transforms clinical trial site selection with Amazon Quick Automate

在这篇文章中,我们将展示 Kitsa(一家专门从事 AI 驱动的临床试验招募和选址的健康科技公司)如何使用 Amazon Quick Automate 转变其临床试验选址解决方案。 Amazon Quick Automate 是 Amazon Quick Suite 的一项功能,使企业能够大规模构建、部署和维护弹性工作流程自动化。