这篇文章是关于大规模管理机器学习 (ML) 生命周期的系列文章的一部分。要从头开始，请参阅大规模管理 ML 生命周期，第 1 部分：使用 Amazon SageMaker 构建 ML 工作负载的框架。多账户策略不仅对于改善治理至关重要，而且对于增强 […]
How Planview built a scalable AI Assistant for portfolio and project management using Amazon Bedrock
在本文中，我们探讨了 Planview 如何通过采用 Amazon Bedrock 开发生成式 AI 助手来解决复杂的工作管理流程。
Super charge your LLMs with RAG at scale using AWS Glue for Apache Spark
在本文中，我们将探讨在 LangChain（一个基于 LLM 构建应用程序的开源框架）上构建可重复使用的 RAG 数据管道，并将其与 AWS Glue 和 Amazon OpenSearch Serverless 集成。最终解决方案是可扩展 RAG 索引和部署的参考架构。
在本文中，我们深入探讨了银行机构的业务用例。我们将向您展示银行的财务或业务分析师如何使用最适合当前业务问题的机器学习模型轻松预测客户的贷款是否会全额支付、注销或当前。
Create a generative AI-based application builder assistant using Amazon Bedrock Agents
代理工作流是一种全新的视角，它借助大型语言模型 (LLM) 作为推理引擎或大脑，构建基于动态和复杂业务用例的工作流。在这篇文章中，我们使用 Amazon Bedrock Agents 设置了一个代理，作为软件应用程序构建器助手。
在本文中，我们了解了 SnapLogic 的 Agent Creator 如何利用 Amazon Bedrock 提供低代码平台，使企业无需深厚的技术专业知识即可快速开发和部署强大的生成式 AI 应用程序。
在本文中，我们讨论了 Classworks 如何使用 Amazon Bedrock 和 Anthropic 的 Claude Sonnet 通过 Wittly 提供下一代差异化学习。
Boost post-call analytics with Amazon Q in QuickSight
在这篇文章中，我们将向您展示如何解锁强大的通话后分析和可视化，使您的组织能够做出数据驱动的决策并推动持续改进。
在本文中，我们将演示如何部署上下文 AI 助手。我们构建了一个解决方案，使用 Amazon Bedrock 知识库、Amazon Lex 和 Amazon Connect 为用户提供熟悉且方便的界面，并使用 WhatsApp 作为渠道。
Generative AI foundation model training on Amazon SageMaker
在本文中，我们将探讨组织如何使用 AWS 托管服务（例如 Amazon SageMaker 训练作业和 Amazon SageMaker HyperPod）以经济高效的方式定制和调整 FM。我们将讨论这些强大的工具如何帮助组织优化计算资源并降低模型训练和微调的复杂性。我们将探讨如何做出明智的决定，确定哪种 Amazon SageMaker 服务最适合您的业务需求和要求。
Implement Amazon SageMaker domain cross-Region disaster recovery using custom Amazon EFS instances
在本文中，我们将指导您完成分步过程，以无缝地将您的 SageMaker 域从一个活动区域迁移到另一个被动或活动区域，包括所有相关的用户配置文件和文件。
在本文中，我们将介绍如何使用 Amazon EC2 Inf2 实例在专用 AWS AI 芯片 AWS Inferentia2 上经济高效地部署多个行业领先的 LLM，帮助客户快速测试并开放 API 接口，以同时促进性能基准测试和下游应用程序调用。
Train, optimize, and deploy models on edge devices using Amazon SageMaker and Qualcomm AI Hub
在本文中，我们将介绍一种使用 Amazon SageMaker 和 Qualcomm AI Hub 在边缘进行端到端模型定制和部署的创新解决方案。
Generative AI-powered technology operations
在本文中，我们将介绍 AWS 生成式 AI 解决方案（包括 Amazon Bedrock、Amazon Q Developer 和 Amazon Q Business）如何进一步提高 TechOps 生产力、缩短解决问题的时间、增强客户体验、标准化操作程序并扩充知识库。
Optimizing MLOps for Sustainability
在本文中，我们回顾了在 AWS 上优化 MLOps 以实现可持续性的指南，提供了特定于服务的实践来了解和减少这些工作负载对环境的影响。
在这篇文章中，我们详细介绍了我们在创建两个概念验证 (PoC) 练习方面的合作，这些练习围绕多模态机器学习进行生存分析和癌症亚型分析，使用基因组（基因表达、突变和拷贝数变异数据）和成像（组织病理学幻灯片）数据。我们提供了关于使用 Amazon SageMaker 在 AWS 上构建复杂 ML 工作流的可解释性、稳健性和最佳实践的见解。这些多模态管道正在 Genomics England 癌症队列中使用，以增强我们对癌症生物标志物和生物学的理解。
Amazon EC2 P5e instances are generally available
在本文中，我们将讨论 Amazon Elastic Compute Cloud (Amazon EC2) P5e 实例的核心功能以及它们非常适合的用例。我们将通过一个示例向您介绍如何开始使用这些实例并在其上执行 Meta Llama 3.1 70B 和 405B 模型的推理部署。
Exploring data using AI chat at Domo with Amazon Bedrock
在本文中，我们将分享以云为中心的数据体验创新者 Domo 如何使用 Amazon Bedrock 提供灵活而强大的 AI 解决方案。
