Going beyond AI assistants: Examples from Amazon.com reinventing industries with generative AI
非转化应用程序提供了独特的优势，例如较高的延迟耐受性，批处理处理和缓存，但与对话性应用相比，它们的自主性质需要更强的护栏和详尽的质量保证，这受益于实时用户反馈和监督。这篇文章介绍了此类AI应用程序的四种不同的Amazon.com示例。
Architect a mature generative AI foundation on AWS
在这篇文章中，我们概述了建立了良好的生成AI基础，深入研究了其组成部分，并提出了端到端的视角。我们查看不同的操作模型，并探讨了这些基础如何在这些边界内运作。最后，我们提出了一个成熟模型，该模型可帮助企业评估其演化路径。
Amazon Bedrock模型副本和模型共享功能为管理从开发到生产的AI应用程序的生命周期提供了有力的选择。在这篇全面的博客文章中，我们将深入了解模型共享和模型复制功能，在典型的开发到生产方案中探索其功能，好处和实际应用。
这篇文章探讨了使用生成AI模型和Amazon Bedrock部署文本到SQL管道，以向基因组学数据库提出自然语言问题。我们演示了如何使用AWS放大的AI助手Web界面，并解释用于生成SQL查询的及时工程策略。最后，我们提出了将服务部署在您自己的AWS帐户中的说明。
Gemma 3 27B model now available on Amazon Bedrock Marketplace and Amazon SageMaker JumpStart
我们很高兴地宣布，通过亚马逊基岩市场和亚马逊Sagemaker Jumpstart宣布Gemma 3 27B指示模型。在这篇文章中，我们向您展示了如何开始使用Amazon Bedrock Marketplace和SageMaker Jumpstart上的Gemma 3 27B指令，以及如何在应用程序中使用模型强大的指令遵循功能。
AI驱动的购物助理 Rufus依靠许多组件来提供其客户体验，包括Foundation LLM（响应生成）和查询计划者（QP）模型，以进行查询分类和检索增强。这篇文章的重点是QP模型如何使用以平行解码为中心的投机解码（SD）（SD）以及AWS AI芯片来满足Prime Day的需求。通过将平行解码与AWS Trainium和推理芯片相结合，Rufus的响应时间更快，推理成本降低了50％，并且在高峰流量期间无缝可扩展性。 在这篇文章中，我们向您展示了如何实施和评估三种强大的技术，以根据您的业务需求来量身定制FMS：抹布，微调和混合方法，结合了这两种方法。我们提供现成的代码，以帮助您尝试这些方法，
New Amazon Bedrock Data Automation capabilities streamline video and audio analysis
亚马逊基岩数据自动化可帮助组织通过可自定义的多模式分析来简化开发并提高效率。无论是在视频还是音频上，它都消除了非结构化内容处理的繁重提升。新功能使提取量身定制的，生成的AI驱动的见解（如场景摘要，关键主题以及视频和音频的客户意图）变得更快。这可以为用例以提高销售生产率和增强客户体验等用例提供非结构化内容的价值。
GuardianGamer scales family-safe cloud gaming with AWS
在这篇文章中，我们分享了GuardianGamer如何使用AWS服务，包括Amazon Nova和Amazon Bedrock来提供可扩展有效的监督平台。该团队使用亚马逊Nova进行聪明的叙事生成，为父母提供对孩子的游戏活动和社交互动的有意义的见解，同时保持了非侵入性的监测方法。
Optimize query responses with user feedback using Amazon Bedrock embedding and few-shot prompting
这篇文章演示了亚马逊基岩如何与用户反馈数据集结合使用，很少有射击提示，可以完善响应，以提高用户满意度。通过使用Amazon Titan Text Embeddings V2，我们证明了响应质量的统计学上显着改善，使其成为寻求准确和个性化响应的应用程序的宝贵工具。
Amazon Q业务集成与Microsoft 365应用程序直接在您的团队每天使用的工具中提供强大的AI援助。在这篇文章中，我们探讨了这些Outlook和Word的集成如何可以改变您的工作流程。
Integrate Amazon Bedrock Agents with Slack
在这篇文章中，我们提供了一种解决方案，将亚马逊基岩代理商纳入您的松弛工作区。我们指导您配置Slack Workspace，在Amazon Web服务中部署集成组件以及使用此解决方案。
Secure distributed logging in scalable multi-account deployments using Amazon Bedrock and LangChain
在这篇文章中，我们提出了一种解决分布式日志记录多学院部署的解决方案。
在这篇文章中，我们演示了如何使用Amazon Q Business构建自定义插件进行后端集成。该插件可以集成现有系统，包括第三方系统，仅在几周内就几乎没有开发并自动化关键工作流程。此外，我们展示了如何使用Amazon Cognito和AWS IAM身份中心来保护解决方案，以保持敏感数据和工作流的安全性和完整性。
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。
