这篇文章介绍了一个无服务器的会议摘要系统，该系统利用了亚马逊底石的高级功能和亚马逊转录，以将录音转换为简洁，结构化和可行的摘要。通过自动化此过程，组织可以系统地捕获无数小时的时间，同时确保关键的见解，行动项目和决策是系统地捕获的，并使利益相关者可以访问。
Kyruus builds a generative AI provider matching solution on AWS
在这篇文章中，我们演示了Kyruus Health如何使用AWS服务来构建指南。我们展示了一项全面管理的服务亚马逊Bedrock如何通过单个API从领先的AI公司和亚马逊提供基础模型（FMS），而Amazon Opensearch服务（Amazon Opensearch Service）是托管搜索和分析服务，共同努力了解有关健康问题的日常语言，并将成员与合适的提供者联系起来。
Use generative AI in Amazon Bedrock for enhanced recommendation generation in equipment maintenance
在制造业世界中，服务报告中的宝贵见解在文档存储系统中通常仍然不足。这篇文章探讨了Amazon Web Services（AWS）客户如何构建一个解决方案，该解决方案可以使用生成AI自动化许多报告中关键信息的数字化和提取。
Build real-time travel recommendations using AI agents on Amazon Bedrock
在这篇文章中，我们展示了如何使用Amazon Bedrock构建生成的AI解决方案，该解决方案通过将客户资料和偏好与实时定价数据相结合，从而创建定制的假日软件包。我们演示了如何使用亚马逊基础知识库来获取旅行信息，亚马逊基岩代理以进行实时飞行详细信息以及Amazon OpenSearch无服务器以进行有效的软件包搜索和检索。
Manage multi-tenant Amazon Bedrock costs using application inference profiles
本文探讨了如何使用Amazon Bedrock的功能称为应用推理配置文件，以实现多租户AI部署的强大监视解决方案。我们演示了如何创建一个可以在复杂的多租户环境中启用颗粒状使用跟踪，准确的成本分配以及动态资源管理的系统。
Building cost-effective RAG applications with Amazon Bedrock Knowledge Bases and Amazon S3 Vectors
在这篇文章中，我们演示了如何将Amazon S3向量与Amazon BedRock知识库集成为RAG应用程序。您将学习一种实用方法来扩展知识库，以处理数百万个文档，同时保持检索质量并使用S3矢量的成本效益存储。
Implementing on-demand deployment with customized Amazon Nova models on Amazon Bedrock
在这篇文章中，我们浏览了亚马逊基岩的自定义模型按需部署工作流程，并使用AWS管理控制台和API或AWS SDK提供逐步实施指南。我们还讨论了在亚马逊基岩上部署定制的亚马逊新星模型的最佳实践和考虑因素。
组织正在采用大型语言模型（LLM），例如DeepSeek R1，以改变业务流程，增强客户体验并以前所未有的速度推动创新。但是，独立的LLM具有关键的局限性，例如幻觉，过时的知识和无法获得专有数据的访问。检索增强发电（RAG）通过将语义搜索与生成AI相结合，[…]
Deploy conversational agents with Vonage and Amazon Nova Sonic
在这篇文章中，我们探讨了开发人员如何将Amazon Nova Sonic与Vonage Communications Service集成，以实时建立响应式，自然的语音体验。通过将Vonage Voice API与亚马逊Sonic的低延迟和表达性语音能力相结合，企业可以部署与传统语音界面相比，提供更类似人类的互动的AI语音代理。这些代理可以用作客户支持，虚拟助手等。
Enabling customers to deliver production-ready AI agents at scale
今天，我很高兴分享我们如何将这种愿景带入新的能力，这些功能应对建筑和部署代理的基本方面。这些创新将帮助您超越实验，再到可以通过最关键的业务流程来信任生产的代理系统。
Monitor agents built on Amazon Bedrock with Datadog LLM Observability
我们很高兴宣布Datadog LLM可观察性与亚马逊基岩代理之间的新集成，以帮助监视基于亚马逊基岩建造的代理应用程序。在这篇文章中，我们将探讨Datadog的LLM可观察性如何提供成功监视，操作和调试生产级代理应用所需的可见性和控制性。
How PayU built a secure enterprise AI assistant using Amazon Bedrock
Payu提供了一个全栈数字金融服务系统，可通过技术来满足商人，银行和消费者的财务需求。在这篇文章中，我们解释了如何为Payu团队提供企业AI解决方案，并使用Amazon Bedrock将AI访问民主化，而不会损害数据居住要求。
这篇文章与Nvidia的Andrew Liu，Chelsea Isaac，Zoey Zhang和Charlie Huang共同撰写。 Amazon Web服务（AWS）上的DGX Cloud代表了民主化获得高性能AI基础架构的重大飞跃。通过将NVIDIA GPU专业知识与AWS可扩展的云服务相结合，组织可以加速训练时间，降低操作复杂性并解锁[…]
Accelerate generative AI inference with NVIDIA Dynamo and Amazon EKS
这篇文章介绍了Nvidia Dynamo，并解释了如何在Amazon EKS上设置它以进行自动缩放和简化Kubernetes操作。我们提供了动手演练，该演练使用AWS Labs在EKS GitHub Repo上的AI上使用NVIDIA Dynamo蓝图来提供基础架构，配置监视并安装NVIDIA DYNAMO操作员。
AWS doubles investment in AWS Generative AI Innovation Center, marking two years of customer success
在这篇文章中，AWS宣布对其AWS生成AI创新中心进行了1亿美元的额外投资，标志着从金融服务到医疗保健的行业，两年的成功客户合作。这项投资随着AI发展朝着更加自主的代理系统发展，该中心已经帮助数千个客户推动了数百万的生产力增长并改变客户体验。
How Rapid7 automates vulnerability risk scores with ML pipelines using Amazon SageMaker AI
在这篇文章中，我们分享了Rapid7如何实施端到端自动化，以用于预测CVSS向量的ML模型的培训，验证和部署。 Rapid7客户拥有所需的信息，以准确了解其风险并确定补救措施。
Build secure RAG applications with AWS serverless data lakes
在这篇文章中，我们探讨了如何使用无服务器数据湖体系结构构建安全的RAG应用程序，这是支持生成AI开发的重要数据策略。我们使用亚马逊Web服务（AWS）服务，包括Amazon S3，Amazon DynamoDB，AWS Lambda和Amazon Bedrock知识库来创建一个全面的解决方案，以支持可以扩展到结构化数据的非结构化数据资产。该帖子涵盖了如何为您的企业数据实施细粒度的访问控件，并设计元数据驱动的检索系统，以尊重安全边界。这些方法将帮助您最大程度地提高组织数据的价值，同时保持强大的安全性和合规性。
Advanced fine-tuning methods on Amazon SageMaker AI
在AWS上微调ML模型时，您可以为您的特定需求选择合适的工具。 AWS为数据科学家，ML工程师和业务用户提供了一系列全面的工具，以实现其ML目标。 AWS建立了支持各种ML复杂性的解决方案，从简单的Sagemaker培训工作进行FM微调到萨吉马制造商Hyperpod的力量进行尖端研究。我们邀请您探索这些选项，从适合您当前需求的内容开始，并随着这些需求的变化而发展您的方法。
