Building intelligent AI voice agents with Pipecat and Amazon Bedrock – Part 2
在本系列的第1部分中，您了解了如何使用Amazon Bedrock和PipeCat的组合，这是语音和多模式对话AI代理的开源框架，以使用类似人类的对话AI来构建应用程序。您了解了语音代理的常见用例和级联模型方法，在此过程中，您可以在其中精心策划多个组件来构建语音AI代理。在这篇文章（第2部分）中，您探讨了如何使用语音到语音基础模型，亚马逊Nova Sonic以及使用统一模型的好处。
在时装行业中，团队经常会迅速进行创新，经常利用AI。共享内容，无论是通过视频，设计还是其他方式，都可以带来内容审核的挑战。产生和共享不适当，进攻或有毒内容的风险（通过故意或无意采取的行动）仍然存在风险。在这篇文章中，我们介绍了亚马逊基岩护栏的多模式毒性检测功能，以防止有毒内容。无论您是时装行业的企业巨头还是一个新兴的品牌，都可以使用此解决方案来筛选潜在的有害内容，然后才能影响品牌的声誉和道德标准。出于本文的目的，道德标准是指时装设计师可以创建的有毒，不尊重或有害内容和图像。
New capabilities in Amazon SageMaker AI continue to transform how organizations develop AI models
在这篇文章中，我们分享了Sagemaker AI中的一些新创新，这些创新可以加速您的构建和培训AI模型。这些创新包括SageMaker Hyperpod中的新可观察性功能，在HyperPod上部署JumpStart模型的能力，从本地开发环境中与SageMaker AI的远程连接以及完全管理的MLFLOW 3.0。
Accelerate foundation model development with one-click observability in Amazon SageMaker HyperPod
With a one-click installation of the Amazon Elastic Kubernetes Service (Amazon EKS) add-on for SageMaker HyperPod observability, you can consolidate health and performance data from NVIDIA DCGM, instance-level Kubernetes node exporters, Elastic Fabric Adapter (EFA), integrated file systems, Kubernet
Accelerating generative AI development with fully managed MLflow 3.0 on Amazon SageMaker AI
在这篇文章中，我们探讨了Amazon Sagemaker如何为MLFLOW 3.0提供全面管理的支持，简化了AI实验并加速了您从想法到生产的生成性AI旅程。该版本将托管的MLFlow从实验跟踪转换为提供端到端可观察性，从而缩短了生成AI开发的市场时间。
在这篇文章中，我们宣布了亚马逊萨吉马制造商Hyperpod支持，用于从SageMaker Jumpstart部署基础模型，以及来自Amazon S3或Amazon FSX的自定义或微调模型。这种新功能使客户可以在相同的HyperPod计算资源上训练，微调和部署模型，从而最大程度地利用整个模型生命周期的资源利用率。
Supercharge your AI workflows by connecting to SageMaker Studio from Visual Studio Code
AI开发人员和机器学习（ML）工程师现在可以直接从其本地Visual Studio代码（VS代码）直接使用Amazon Sagemaker Studio的功能。借助此功能，您可以使用自定义的本地VS代码设置，包括AI辅助开发工具，自定义扩展和调试工具，同时访问SageMaker Studio中的计算资源和数据。在这篇文章中，我们向您展示如何将本地VS代码连接到SageMaker Studio开发环境，以在访问Amazon SageMaker AI计算资源时使用自定义的开发环境。
Use K8sGPT and Amazon Bedrock for simplified Kubernetes cluster maintenance
这篇文章展示了与Amazon Bedrock在AWS中运行K8SGPT的最佳实践：K8SGPT CLI和K8SGPT操作员。它展示了该解决方案如何通过连续监视和操作智能来帮助SRES简化Kubernetes群集管理。
How Rocket streamlines the home buying experience with Amazon Bedrock Agents
Rocketaiagent不仅仅是数字助理。这是由代理AI支持的重新构想客户参与方法。通过将Amazon Bedrock代理与Rocket的专有数据和后端系统相结合，Rocket在不等待的情况下创造了24/7的更智能，更可扩展和更多的人类体验。这篇文章探讨了火箭如何使用亚马逊基岩代理商将这种愿景带入生活，从而为AI驱动支持的新时代提供动力，该时代始终可用，深入个性化和建立以采取行动。
Build an MCP application with Mistral models on AWS
这篇文章演示了使用Mistral AI模型在AWS和MCP上建立智能AI助手，从而集成了实时位置服务，时间数据和上下文内存，以处理复杂的多模式查询。此用例，餐厅的建议是一个例子，但是可以通过修改MCP服务器配置以与您的特定数据源和业务系统连接来适应企业用例。
Build real-time conversational AI experiences using Amazon Nova Sonic and LiveKit
Mazon Nova Sonic现在与LiveKit的WebRTC Framework集成在一起，这是一个广泛使用的平台，使开发人员能够构建实时音频，视频和数据通信应用程序。这种集成使开发人员可以构建对话性语音接口，而无需管理复杂的音频管道或信号协议。在这篇文章中，我们解释了这种集成如何工作，它如何解决语音优先应用程序的历史挑战以及开始使用此解决方案的一些初始步骤。
在这篇文章中，我们宣布由NVIDIA Blackwell GPU驱动的Amazon EC2 P6E-GB200 Ultraservers和P6-B200实例的一般可用性，该实例旨在培训和部署最大，最复杂的AI型号。
Amazon Q Business for Retail Intelligence是AI驱动的助手，旨在帮助零售业务简化运营，改善客户服务并增强决策流程。该解决方案专门设计为可扩展和适应各种规模的企业，帮助他们更有效地竞争。在这篇文章中，我们展示了如何使用Amazon Q Business进行零售情报将数据转换为可行的见解。
Democratize data for timely decisions with text-to-SQL at Parcel Perform
包裹中的业务团队经常需要访问数据来回答与商人包裹交付有关的问题，例如“我们上周看到交货延误的激增吗？以前，数据团队必须手动形成查询并运行它以获取数据。凭借包裹中新的生成AI驱动的文本到SQL功能，业务团队可以使用AI Assistant界面来自达其数据需求。在这篇文章中，我们讨论了包裹在通过AWS服务中执行包含的生成AI，数据存储和数据访问，以及时做出决定。
Query Amazon Aurora PostgreSQL using Amazon Bedrock Knowledge Bases structured data
在这篇文章中，我们讨论了如何使您的Amazon Aurora PostgreSQL兼容版数据可通过Amazon Bedrock知识库进行自然语言查询，同时保持数据新鲜度。
Configure fine-grained access to Amazon Bedrock models using Amazon SageMaker Unified Studio
在这篇文章中，我们演示了如何使用SageMaker Unified Studio和AWS Identity and Access Management（IAM）来为Amazon Bedrock模型建立强大的许可框架。我们展示了管理员如何在安全，协作的环境中精确管理哪些用户和团队可以访问特定模型。我们指导您创建粒状权限以控制模型访问，并使用常见企业治理方案的代码示例。
这篇文章演示了如何将Amazon Bedrock流媒体API与AWS AppSync订阅集成在一起，从而显着提高了AI助手响应能力和用户满意度。通过实施这种流媒体方法，全球金融服务组织将复杂查询的初始响应时间减少了约75％，从10秒到仅2-3秒，可以使用户能够在生成时查看响应，而不是等待完整的答案。
n这个由两部分组成的系列，我们讨论了一个枢纽和讲话架构模式，用于构建多租户和多学院的体系结构。该模式支持跨用例和团队共享服务的抽象，有助于创建安全，可扩展和可靠的生成AI系统。在第1部分中，我们使用AWS Transit Gateway提供跨学科互操作性，提出了用于生成AI服务抽象和特定于租户的辐条的集中式枢纽。
