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。
How PerformLine uses prompt engineering on Amazon Bedrock to detect compliance violations
Performline在营销合规行业内运作，这是更广泛的合规软件市场的专业子集，其中包括各种合规性解决方案，例如反洗钱（AML），了解您的客户（KYC）等。在这篇文章中，Performline和AWS探讨了表演线如何使用AmazonbedRock来加速合规过程，生成可行的见解并提供上下文数据，从而延长了大规模监督必不可少的速度和准确性。
Boost cold-start recommendations with vLLM on AWS Trainium
在这篇文章中，我们演示了如何使用VLLM进行可扩展推理，并使用AWS深度学习容器（DLC）来简化模型包装和部署。我们将通过结构化的提示来产生兴趣扩展，将其编码为嵌入，用Faiss检索候选者，应用验证以保持结果的扎根，并以科学实验的形式构成寒冷的挑战 - 对LLM和编码器配对进行基础，并在建议级别上快速迭代，并显示出清晰的ROI
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。
Multi-tenant RAG implementation with Amazon Bedrock and Amazon OpenSearch Service for SaaS using JWT
在这篇文章中，我们引入了一种解决方案，该解决方案使用OpenSearch Service作为多租户RAG中的向量数据存储，使用JWT和FGAC实现数据隔离和路由。该解决方案结合使用JWT和FGAC来实现严格的租户数据访问隔离和路由，因此需要使用OpenSearch服务。
Enhance generative AI solutions using Amazon Q index with Model Context Protocol – Part 1
在这篇文章中，我们探讨了结合亚马逊Q索引和MCP的最佳实践和集成模式，使企业能够构建安全，可扩展且可操作的AI搜索和重新校正架构。
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。
Deploy a full stack voice AI agent with Amazon Nova Sonic
在这篇文章中，我们展示了如何为一个名为Anytelco的虚构公司创建AI驱动的呼叫中心代理。名为Telly的代理商可以使用模型上下文协议（MCP）框架实现的自定义工具在访问实时客户数据时处理客户查询。
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。
Evaluating generative AI models with Amazon Nova LLM-as-a-Judge on Amazon SageMaker AI
评估大语言模型（LLM）的性能超出了统计指标，例如困惑或双语评估研究（BLEU）得分。对于大多数真实世界的生成AI方案，重要的是要了解模型是否比基线或更早的迭代产生更好的输出。这对于诸如摘要，内容生成，[…]
