Deploy DeepSeek-R1 distilled Llama models with Amazon Bedrock Custom Model Import
在本文中，我们将演示如何使用 Amazon Bedrock 自定义模型导入来部署精简版的 DeepSeek-R1 模型。我们专注于导入当前支持的变体 DeepSeek-R1-Distill-Llama-8B 和 DeepSeek-R1-Distill-Llama-70B，它们在性能和资源效率之间实现了最佳平衡。
Generative AI operating models in enterprise organizations with Amazon Bedrock
随着生成式 AI 的采用率不断增长，组织应该建立生成式 AI 运营模型。运营模式定义了推动企业运营的组织设计、核心流程、技术、角色和职责、治理结构和财务模型。在本文中，我们评估了可以采用的不同生成式 AI 运营模式架构。
Develop a RAG-based application using Amazon Aurora with Amazon Kendra
RAG 从预先存在的知识库（您的数据）中检索数据，将其与 LLM 的知识相结合，并生成更像人类语言的响应。但是，为了让生成式 AI 理解您的数据，需要进行一定程度的数据准备，这涉及很大的学习曲线。在这篇文章中，我们将引导您了解如何将现有的 Aurora 数据转换为索引，而无需为 Amazon Kendra 进行数据准备以执行数据搜索并实施 RAG，将您的数据与 LLM 知识相结合以产生准确的响应。
Optimizing AI responsiveness: A practical guide to Amazon Bedrock latency-optimized inference
在本文中，我们将探讨 Amazon Bedrock 延迟优化推理如何帮助解决在 LLM 应用程序中保持响应能力的挑战。我们将深入探讨优化应用程序性能和改善用户体验的策略。无论您是构建新的 AI 应用程序还是优化现有的应用程序，您都会找到有关延迟优化技术方面和实际实施方法的实用指导。我们首先解释 LLM 应用程序中的延迟。
Track LLM model evaluation using Amazon SageMaker managed MLflow and FMEval
在本文中，我们将展示如何使用 FMEval 和 Amazon SageMaker 以编程方式评估 LLM。FMEval 是一个开源 LLM 评估库，旨在为数据科学家和机器学习 (ML) 工程师提供代码优先体验，以评估 LLM 的各个方面，包括准确性、毒性、公平性、稳健性和效率。
Image and video prompt engineering for Amazon Nova Canvas and Amazon Nova Reel
亚马逊在 Amazon Bedrock 上推出了两种新的创意内容生成模型：用于图像生成的 Amazon Nova Canvas 和用于视频创作的 Amazon Nova Reel。这些模型将文本和图像输入转换为自定义视觉效果，为专业和个人项目开辟了创意机会。Nova Canvas 是一种最先进的图像生成模型，可创建专业级图像 [...]
How Kyndryl integrated ServiceNow and Amazon Q Business
在这篇文章中，我们将向您展示 Kyndryl 如何通过几个简单的步骤将 Amazon Q Business 与 ServiceNow 集成。您将了解如何配置 Amazon Q Business 和 ServiceNow、如何为您的 ServiceNow 事件创建生成式 AI 插件以及如何使用 Amazon Q Business Web 体验测试和与 ServiceNow 交互。这篇文章将帮助您通过 Amazon Q Business 增强您的 ServiceNow 体验，并享受生成式 AI 驱动界面带来的好处。
Implement RAG while meeting data residency requirements using AWS hybrid and edge services
在本文中，我们展示了如何将 Amazon Bedrock Agents 扩展到混合和边缘服务（例如 AWS Outposts 和 AWS Local Zones），以使用本地数据构建分布式检索增强生成 (RAG) 应用程序，从而改善模型结果。借助 Outposts，我们还涵盖了完全本地 RAG 应用程序的参考模式，该应用程序需要基础模型 (FM) 和数据源都驻留在本地。
Unlocking complex problem-solving with multi-agent collaboration on Amazon Bedrock
AWS 的研究团队已广泛致力于构建和评估多代理协作 (MAC) 框架，以便客户可以在 Amazon Bedrock Agents 上协调多个 AI 代理。在这篇文章中，我们探讨了多代理协作 (MAC) 的概念及其优势，以及我们 MAC 框架的关键组件。我们还深入探讨了我们的评估方法，并介绍了我们研究的见解。
这篇文章展示了 MuleSoft 如何使用 Amazon Q Business 引入生成式 AI 助手来增强其内部 Cloud Central 仪表板。这个个性化门户向 100 多名工程师展示了所拥有的资产、成本和使用情况以及精心设计的建议。
Build an Amazon Bedrock based digital lending solution on AWS
在本文中，我们将使用 DigitalDhan 提出一种解决方案，DigitalDhan 是一种基于生成式 AI 的解决方案，用于自动化客户入职和数字贷款。 所提出的解决方案使用 Amazon Bedrock Agents 来自动化与 KYC 验证、信用和风险评估以及通知相关的服务。 金融机构可以使用此解决方案来帮助自动化客户入职、KYC 验证、信用决策、信用承保和通知流程。
Amazon Bedrock 是一项完全托管的服务，它通过单一 API 提供来自 AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI 和 Amazon 等领先 AI 公司的高性能基础模型 (FM)，以及一系列广泛的功能，用于构建具有安全性、隐私性和负责任 AI 的生成式 AI 应用程序。在这篇文章中，我将向您展示如何将 Amazon Bedrock（及其完全托管的按需 API）与您的 Amazon SageMaker 训练或微调模型结合使用。
应开发生成式 AI 应用程序，并采用足够的控制来指导 FM 的行为。负责任的 AI 考虑因素（例如隐私、安全性、可控性、公平性、可解释性、透明度和治理）有助于确保 AI 系统值得信赖。在这篇文章中，我们演示了如何使用 AWS Audit Manager 上的 AWS 生成式 AI 最佳实践框架从负责任的 AI 角度评估此保险索赔代理。
London Stock Exchange Group uses Amazon Q Business to enhance post-trade client services
在这篇博文中，我们探讨了伦敦证券交易所集团 (LSEG) 使用 Amazon Q Business 开发的客户服务代理助理应用程序。我们将讨论 Amazon Q Business 如何在生成答案方面节省时间，包括总结文档、检索复杂会员查询的答案以及组合来自不同数据源的信息（同时为每个答案使用的数据源提供文内引用）。
Evaluate large language models for your machine translation tasks on AWS
这篇博客文章及其附带代码介绍了一种解决方案，可使用 Amazon Bedrock 中的基础模型 (FM) 试验实时机器翻译。它可以帮助收集更多有关 LLM 对您的内容翻译用例的价值的数据。
Parameta accelerates client email resolution with Amazon Bedrock Flows
在本文中，我们将向您展示 Parameta 如何使用 Amazon Bedrock Flows 将他们的手动客户电子邮件处理转变为自动化、智能的工作流程，从而将解决时间从几周缩短到几天，同时保持高准确性和运营控制。
Efficiently build and tune custom log anomaly detection models with Amazon SageMaker
在本文中，我们将引导您完成使用 Amazon SageMaker 构建自动化机制以处理您的日志数据、对其进行训练迭代以获得性能最佳的异常检测模型并将其注册到 Amazon SageMaker 模型注册表以供您的客户使用的过程。
Optimizing costs of generative AI applications on AWS
优化 AWS 上生成式 AI 应用程序的成本对于充分发挥这项变革性技术的潜力至关重要。本文概述了关键的成本优化支柱，包括模型选择和定制、代币使用、推理定价计划和矢量数据库注意事项。
