Conceptual Design of A V/STOL Lift Fan Commercial Short Haul Transport - Summary
一份 NASA 承包商报告副本，编号 NASA CR-2184。日期为 1973 年 1 月。结果产生了 McAir Model 253 概念提案。可从此处或此处或此处或此处下载 (3.7 兆)
Weekly Review 20 December 2024
我上周在 Twitter 上发布的一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：如果人们一直说他们已经实现了通用人工智能，那么最终这可能是真的：https://futurism.com/openai-employee-claims-agi 看起来 OpenAI 还没有学会使用受版权保护的数据来训练其人工智能：https://www.extremetech.com/gaming/openai-appears-to-have-trained-sora-on-game-content 微软希望在澳大利亚和新西兰培训一百万人掌握人工
在本系列的第 1 部分中，我们介绍了 Amazon SageMaker Python SDK 上新推出的 ModelTrainer 类及其优势，并向您展示了如何在自定义数据集上微调 Meta Llama 3.1 8B 模型。在这篇文章中，我们将介绍 ModelBuilder 类的增强功能，它允许您将模型从 ModelTrainer 无缝部署到 SageMaker 终端节点，并为多种部署配置提供单一界面。
在本文中，我们重点介绍 ModelTrainer 类，以简化训练体验。ModelTrainer 类比当前的 Estimator 类有显著改进，本文将对此进行详细讨论。我们将向您展示如何使用 ModelTrainer 类来训练您的 ML 模型，其中包括使用自定义脚本或容器执行分布式训练。在第 2 部分中，我们将向您展示如何使用改进的 ModelBuilder 类构建模型并部署到 SageMaker 终端节点。
我上周在 Twitter 上发布的一些有趣链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：LinkedIn 上的大多数帖子都是由人工智能生成的：https://www.theregister.com/2024/11/28/linkedin_ai_posts/ 光数据传输是满足人工智能计算需求的关键：https://www.theregister.com/2024/11/28/ai_copper_cables_limits/ 谷歌人工智能计划可能面临的法律障碍：https://arstechnica.com/tech-policy/202
A guide to Amazon Bedrock Model Distillation (preview)
这篇文章介绍了 Amazon Bedrock 模型蒸馏的工作流程。我们首先介绍 Amazon Bedrock 中模型蒸馏的一般概念，然后重点介绍模型蒸馏中的重要步骤，包括设置权限、选择模型、提供输入数据集、启动模型蒸馏作业以及在模型蒸馏后对学生模型进行评估和部署。
Types of Outdoor Education You Can Plan For Your Classroom
户外教育可以广泛地描述为在自然界或户外进行的任何一种学习。虽然户外教育或户外学习有多种不同的分类方式，但在本文中，您将了解户外学习可能实施的五种常见方式。您可以为您的课堂规划的户外教育类型文章首先出现在 Model Teaching 上。
今天在 AWS re:Invent 2024 上，我们很高兴地宣布 Amazon SageMaker Inference 中的一项新功能，它显著减少了使用 LMI 部署和扩展 LLM 进行推理所需的时间：Fast Model Loader。在这篇文章中，我们深入探讨了 Fast Model Loader 的技术细节，探索了它与现有 SageMaker 工作流程的集成，讨论了如何开始使用这项强大的新功能，并分享了客户成功案例。
在本文中，我们提供了在 LLM 部署中实施 Fast Model Loader 的详细实践指南。我们探讨了两种方法：使用 SageMaker Python SDK 进行编程实现，以及使用 Amazon SageMaker Studio UI 获得更直观、更具交互性的体验。无论您是喜欢使用代码的开发人员还是喜欢图形界面的人，您都将学习如何利用这一强大功能来加速您的 LLM 部署。
Weekly Review 29 November 2024
我上周在 Twitter 上发布的一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：看起来每个人都在加入诉讼潮流。这种情况可能会持续下去，直到对使用数据训练人工智能是否构成复制数据做出最终裁决：https://techcrunch.com/2024/11/18/indian-news-agency-sues-openai-alleging-copyright-infringement/虽然大多数人对生成人工智能持乐观态度，但安全专家并不热衷于它：https://www.techrepublic.com/article/ciso-
已宣布今年或明年初将发布几款日本主题的新套件。日本的 Platz 发布了珍珠港外观的 Eduard 1/48 A6M2（上图），图片表明他们正在遵循零式战斗机颜色方面的最新潮流/理论，稍后会详细介绍。该套件主题是 BII-120，我很荣幸能够检查和分析 BII-124（由 Bob Alford 提供）零件上实际存在的油漆层，因此对此有一些看法。模型的侧面图（下图）看起来也有点奇怪。另一款 A6M2 零式战斗机套件，这次是 Border Models 的 1/35 比例，将于 1 月发布，将具有令人印象深刻的内部驾驶舱和发动机细节以及炸弹装备。包装盒艺术（上图）描绘的是 1945 年 4 月九州
Meshy AI Review: How I Generated 3D Models in One Minute
您是否曾花费数小时（甚至数天）精心创建 3D 模型，却感觉创作过程陷入了繁琐的技术细节中？作为有使用 Blender 进行项目经验的人，您并不孤单！耗时的工作流程是设计师和开发人员的常见痛点。事实上，平均 3D 模型创建 […]The post Meshy AI Review: How I Generated 3D Models in One Minute appeared first on Unite.AI.
Centralize model governance with SageMaker Model Registry Resource Access Manager sharing
我们最近宣布使用 AWS Resource Access Manager (AWS RAM) 实现 Amazon SageMaker Model Registry 的跨账户共享，从而更轻松地在您的 AWS 账户之间安全地共享和发现机器学习 (ML) 模型。在本文中，我们将向您展示如何使用这个新的跨账户模型共享功能来构建您自己的集中模型治理能力，这通常是集中模型审批、部署、审计和监控工作流所需要的。
Bargain Buys on AircraftForSale: 1929 Brunner Winkle Bird Model A
这台机器可以被视为一个活生生的飞行博物馆藏品。文章《特价飞机出售：1929 年 Brunner Winkle Bird Model A》首次出现在《飞机与飞行员》杂志上。
我上周在 Twitter 上发布的一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：我认为这是不使用 AI 生成重要代码或材料的最大原因——不良行为者太容易将恶意代码注入所使用的模型中：https://arstechnica.com/tech-policy/2024/10/bytedance-intern-fired-for-planting-malicious-code-in-ai-models/Google 的 AI 调解员，有助于引导人们达成一致：https://arstechnica.com/ai/2024/10/goo
OSARO Unveils AutoModel: AI-Powered Order Fulfillment Robots Adapt to New Products in Real Time
OSARO 最新的 AI 软件可消除昂贵的再培训停机时间、简化新 SKU 引入，并在动态订单履行环境中最大限度地提高生产力
构建最小的可用于生产的情绪分析模型照片由 Stephen Dawson 在 Unsplash 上拍摄什么是可用于生产的模型？我们听到了很多关于生产化机器学习的消息，但拥有一个可以在实际应用中蓬勃发展的模型到底意味着什么？有很多因素会影响机器学习模型在生产中的有效性。为了本文的目的，我们将重点介绍其中的五个。可重复性监控测试自动化版本控制服务推理构建可用于生产的机器学习模型的最重要部分是能够访问它。为此，我们构建了一个提供情绪分析响应的 fastapi 客户端。我们利用 pydantic 来确保输入和输出的结构。我们使用的模型是 huggingface 的 transformers 库中的基础情
Customized model monitoring for near real-time batch inference with Amazon SageMaker
在本文中，我们介绍了一个框架，用于自定义使用 Amazon SageMaker Model Monitor 来处理近乎实时推理场景的多负载推理请求。SageMaker Model Monitor 监控生产中 SageMaker ML 模型的质量。尽早主动检测模型质量偏差使您能够采取纠正措施，例如重新训练模型、审核上游系统或修复质量问题，而无需手动监控模型或构建其他工具。
