Build generative AI applications on Amazon Bedrock with the AWS SDK for Python (Boto3)
在本博文中，我们将演示如何使用 Amazon Bedrock 和 AWS SDK for Python (Boto3) 以编程方式整合 FM。我们将探讨如何调用特定 FM 并处理生成的文本，展示开发人员在应用程序中使用这些模型用于各种用例的潜力
Improve factual consistency with LLM Debates
在这篇文章中，我们使用具有基本事实的监督数据集展示了大型语言模型 (LLM) 辩论的潜力。在这篇文章中，我们将通过有说服力的 LLM 来指导 LLM 辩论技巧，其中包括两名专家辩论者 LLM（Anthropic Claude 3 Sonnet 和 Mixtral 8X7B）和一名评委 LLM（Mistral 7B v2），以衡量、比较和对比其与其他技巧（如自洽（与天真的和专家评委）和 LLM 咨询）的表现。
Governing the ML lifecycle at scale, Part 3: Setting up data governance at scale
本文深入探讨了如何使用 Amazon DataZone 为数据网格设置大规模数据治理。数据网格是一种现代数据管理方法，它分散了数据所有权并将数据视为产品。它使组织内的不同业务部门能够创建、共享和管理自己的数据资产，促进自助服务分析并减少将数据实验转换为可用于生产的应用程序所需的时间。
Amazon Bedrock Flows is now generally available with enhanced safety and traceability
今天，我们很高兴地宣布 Amazon Bedrock Flows（以前称为 Prompt Flows）正式推出。使用 Bedrock Flows，您可以快速构建和执行复杂的生成式 AI 工作流，而无需编写代码。Bedrock Flows 使开发人员和企业更容易利用生成式 AI 的强大功能，使您能够为客户创建更复杂、更高效的 AI 驱动解决方案。
Amazon Q Business 提供了一组丰富的 API 来执行管理任务并为您的企业构建具有定制用户体验的 AI 助手。在这篇文章中，我们展示了在使用 AWS Identity and Access Management (IAM) 联合进行用户访问管理时如何使用 Amazon Q Business API。
Revolutionizing knowledge management: VW’s AI prototype journey with AWS
我们很高兴与大家分享大众汽车集团（汽车行业的创新者和欧洲最大的汽车制造商）的历程，他们利用生成式人工智能、Amazon Bedrock 和 Amazon Kendra 设计了基于检索增强生成 (RAG) 的解决方案，让用户更轻松地访问内部信息，从而增强了知识管理。该解决方案可有效处理包含文本和图像的文档，从而显著增强了大众汽车集团在其生产领域的知识管理能力。
在当今数据密集型业务环境中，组织面临着从分散在其基础设施中的各种数据源中提取有价值见解的挑战。无论是数据库中的结构化数据还是文档存储库中的非结构化内容，企业通常都难以有效地查询和使用这些丰富的信息。在本文中，我们将探讨如何使用 Amazon […]
Automate Q&A email responses with Amazon Bedrock Knowledge Bases
在本文中，我们将说明如何使用 Amazon Bedrock Knowledge Bases 和 Amazon Simple Email Service (Amazon SES)（这两项都是完全托管的服务）自动回复电子邮件查询。通过将用户查询链接到相关的公司域信息，Amazon Bedrock Knowledge Bases 可提供个性化响应。
Streamline RAG applications with intelligent metadata filtering using Amazon Bedrock
在本文中，我们探索了一种创新方法，该方法使用 Amazon Bedrock 上的 LLM 智能地从自然语言查询中提取元数据过滤器。通过结合 LLM 函数调用和 Pydantic 数据模型的功能，您可以动态地从用户查询中提取元数据。这种方法还可以提高检索到的信息和 RAG 应用程序生成的响应的质量。
Embedding secure generative AI in mission-critical public safety applications
这篇文章展示了 Mark43 如何使用 Amazon Q Business 创建一个安全的、生成式的 AI 助手，以提高运营效率并改善社区服务。我们解释了他们如何以低代码将 Amazon Q Business Web 体验嵌入到他们的 Web 应用程序中，以便他们可以专注于为客户创造丰富的 AI 体验。
How FP8 boosts LLM training by 18% on Amazon SageMaker P5 instances
近年来，LLM 培训取得了显著的进步，组织在模型大小、性能和效率方面不断突破极限。在本文中，我们将探讨 FP8 优化如何显著加快 Amazon SageMaker P5 实例上的大型模型训练。
Racing into the future: How AWS DeepRacer fueled my AI and ML journey
2018 年，我坐在 AWS re:Invent 的观众席上，听 Andy Jassy 宣布推出 AWS DeepRacer——一款由强化学习驱动的全自动 1/18 比例赛车。当时，我对人工智能或机器学习 (ML) 知之甚少。作为一名从传统网络过渡到云技术的工程师，我从未将自己视为开发人员。[…]
Customize small language models on AWS with automotive terminology
在本文中，我们将指导您完成在 AWS 上自定义 SLM 的各个阶段，特别关注汽车术语作为问答任务的诊断。我们从数据分析阶段开始，然后逐步完成端到端流程，涵盖微调、部署和评估。我们将定制的 SLM 与通用 LLM 进行比较，使用各种指标来评估词汇丰富度和整体准确性。
在本文中，我们演示了如何使用 Amazon Bedrock 及其功能（包括 Amazon Bedrock Agents、Amazon Bedrock Knowledge Bases 和 Amazon Bedrock Guardrails）创建自动电子邮件响应解决方案。
Automate building guardrails for Amazon Bedrock using test-driven development
Amazon Bedrock Guardrails 可帮助根据特定用例和负责任的 AI 政策为生成式 AI 应用程序实施保护措施。Amazon Bedrock Guardrails 通过检测和过滤不良和潜在有害内容，帮助控制用户与基础模型 (FM) 之间的交互，同时保持安全性和隐私性。在本文中，我们将探索一种使用测试驱动开发方法自动构建护栏的解决方案。
今天，我们很高兴地宣布 Amazon Bedrock 知识库和 Amazon OpenSearch Serverless 中推出了 Amazon Titan 文本嵌入 V2 的二进制嵌入。这篇文章总结了这种新的二进制向量支持的好处，并为您提供了入门信息。
Automate cloud security vulnerability assessment and alerting using Amazon Bedrock
本博文演示了使用 Amazon GuardDuty、Amazon Bedrock 和其他 AWS 无服务器技术对您的账户和工作负载进行安全漏洞评估的主动方法。此方法旨在主动识别潜在漏洞并及时向您的用户提供警报和建议，避免被动升级和其他损害。
DXC transforms data exploration for their oil and gas customers with LLM-powered tools
在本博文中，我们向您展示了 DXC 和 AWS 如何合作使用大型语言模型 (LLM) 构建 AI 助手，使用户能够访问和分析来自各种数据源的不同数据类型。AI 助手由智能代理提供支持，该代理将用户问题路由到针对不同数据类型（例如文本、表格和特定于域的格式）优化的专用工具。它利用 LLM 理解自然语言、编写代码和推理对话上下文的能力。
