在本文中，我们将讨论使用基础模型评估库 (FMEval) 进行地面实况管理和指标解释的最佳实践，以评估问答应用程序的事实知识和质量。
Build powerful RAG pipelines with LlamaIndex and Amazon Bedrock
在这篇文章中，我们向您展示了如何将 LlamaIndex 与 Amazon Bedrock 结合使用，以构建强大而复杂的 RAG 管道，从而充分发挥 LLM 在知识密集型任务中的潜力。
在这篇文章中，我们探讨了 Model Registry 的新功能，这些功能简化了基础模型 (FM) 管理：您现在可以注册解压的模型工件并传递最终用户许可协议 (EULA) 接受标志，而无需用户干预。
Build an ecommerce product recommendation chatbot with Amazon Bedrock Agents
在本文中，我们将向您展示如何使用 Amazon Bedrock Agents 和 Amazon Bedrock 中的基础模型 (FM) 构建电子商务产品推荐聊天机器人。
How Thomson Reuters Labs achieved AI/ML innovation at pace with AWS MLOps services
在本文中，我们将向您展示汤森路透实验室 (TR Labs) 如何通过采用使用 AWS SageMaker、SageMaker Experiments、SageMaker Model Registry 和 SageMaker Pipelines 的标准化 MLOps 框架来开发高效、灵活且功能强大的 MLOps 流程。目标是加快团队使用 AI 和机器学习 (ML) 进行实验和创新的速度——无论是使用自然语言处理 (NLP)、生成式 AI 还是其他技术。我们讨论了这如何帮助缩短新想法的上市时间并帮助构建具有成本效益的机器学习生命周期。
在本文中，我们将深入研究构建和部署示例应用程序的过程，该应用程序能够使用 Streamlit UI、由 Amazon Bedrock SDK 提供支持的 AWS Lambda 和由开源 Generative AI CDK Constructs 驱动的 AWS AppSync 为多个图像生成多语言描述。
在本文中，我们将探讨如何使用新的 EMR Serverless 集成、Spark 的分布式处理以及由 LangChain 编排框架提供支持的 Amazon OpenSearch Service 向量数据库构建可扩展且高效的检索增强生成 (RAG) 系统。此解决方案使您能够处理大量文本数据，生成相关嵌入，并将它们存储在强大的向量数据库中，以实现无缝检索和生成。
Best practices for prompt engineering with Meta Llama 3 for Text-to-SQL use cases
在本文中，我们将探索一种解决方案，该解决方案使用向量引擎 ChromaDB 和 Meta Llama 3（托管在 SageMaker JumpStart 上的公开基础模型）来实现文本到 SQL 用例。我们分享了 Meta Llama 3 的简要历史、使用 Meta Llama 3 模型进行快速工程的最佳实践，以及使用少样本提示和 RAG 提取存储在 ChromaDB 中的相关模式的架构模式。
Accelerate Generative AI Inference with NVIDIA NIM Microservices on Amazon SageMaker
在本文中，我们将演示客户如何通过 NVIDIA NIM 与 SageMaker 的集成来使用生成人工智能 (AI) 模型和 LLM。我们演示了这种集成的工作原理，以及如何在 SageMaker 上部署这些最先进的模型，以优化其性能和成本。
Celebrating the final AWS DeepRacer League championship and road ahead
AWS DeepRacer League 是世界上第一个面向所有人开放并由机器学习 (ML) 提供支持的自动驾驶赛车联盟。AWS DeepRacer 将来自世界各地的建设者聚集在一起，创建一个社区，您可以通过友好的自动驾驶赛车比赛亲身学习 ML。在我们庆祝来自 150 多个国家/地区的 560,000 多名参与者在过去 6 年中通过 AWS DeepRacer League 磨练技能所取得的成就的同时，我们也准备以最后一季来结束这一篇章，这既是胜利圈，也是 AWS DeepRacer 世界下一步发展的起点。
在本文中，我们将展示如何使用 AWS AI/ML 服务向用户推荐突发新闻。通过利用 Amazon Bedrock 上的 Amazon Personalize 和 Amazon Titan Text Embeddings 的强大功能，您可以在文章发布后的几秒钟内向感兴趣的用户展示文章。
在本文中，我们将向您展示如何使用 Amazon Q Business 提供的 AI 聊天界面对索引的 GitHub（云）数据执行自然语言查询。我们还介绍了 Amazon Q Business 如何应用与索引文档关联的访问控制列表 (ACL) 来提供权限过滤的响应。
Elevate customer experience through an intelligent email automation solution using Amazon Bedrock
在本文中，我们向您展示了如何使用 Amazon Bedrock 自动回复客户查询的电子邮件。使用我们的解决方案，您可以识别客户电子邮件的意图，如果意图与您现有的知识库或数据源匹配，则发送自动回复。如果意图不匹配，电子邮件将发送给支持团队进行手动回复。
Build an end-to-end RAG solution using Knowledge Bases for Amazon Bedrock and the AWS CDK
在本文中，我们演示了如何使用 Amazon Bedrock 知识库和 AWS 云开发工具包 (AWS CDK) 无缝地自动部署端到端 RAG 解决方案，从而使组织能够快速建立强大的问答系统。
Detect and protect sensitive data with Amazon Lex and Amazon CloudWatch Logs
在当今的数字环境中，保护个人身份信息 (PII) 不仅是监管要求，也是消费者信任和商业诚信的基石。组织使用先进的自然语言检测服务（如 Amazon Lex）来构建对话界面，使用 Amazon CloudWatch 来监控和分析运营数据。许多组织面临的一个风险是 [...]
AWS AI chips deliver high performance and low cost for Llama 3.1 models on AWS
今天，我们很高兴地宣布 AWS Trainium 和 AWS Inferentia 支持 Llama 3.1 模型的微调和推理。Llama 3.1 系列多语言大型语言模型 (LLM) 是一组预先训练和指令调整的生成模型，大小分别为 8B、70B 和 405B。在上一篇文章中，我们介绍了如何在 Amazon SageMaker JumpStart 中基于 AWS Trainium 和 Inferentia 的实例上部署 Llama 3 模型。在这篇文章中，我们概述了如何开始在 AWS AI 芯片上微调和部署 Llama 3.1 系列模型，以实现其性价比优势。
Llama 3.1 models are now available in Amazon SageMaker JumpStart
今天，我们很高兴地宣布，最先进的 Llama 3.1 多语言大型语言模型 (LLM) 集合（包括 8B、70B 和 405B 大小的预训练和指令调整生成式 AI 模型）可通过 Amazon SageMaker JumpStart 部署以进行推理。Llama 是一种可公开访问的 LLM，专为开发人员、研究人员和企业设计，用于构建、试验和负责任地扩展他们的生成式人工智能 (AI) 创意。在这篇文章中，我们将介绍如何使用 SageMaker JumpStart 发现和部署 Llama 3.1 模型。
随着数字商务的扩展，欺诈检测已成为保护参与在线交易的企业和消费者的关键。实施机器学习 (ML) 算法可以实时分析大量交易数据，以快速识别欺诈活动。这种先进的功能有助于降低金融风险并在不断扩展的数字市场中保护客户隐私。德勤是一家全球战略 […]
