Serverless deployment for your Amazon SageMaker Canvas models
在这篇文章中，我们将介绍如何采用 SageMaker Canvas 中构建的 ML 模型并使用 SageMaker Serverless Inference 进行部署，帮助您快速高效地从模型创建到生产就绪的预测，而无需管理任何基础设施。该解决方案演示了一个完整的工作流程，从将经过训练的模型添加到 SageMaker 模型注册表，到创建无服务器端点配置，再到部署根据需求自动扩展的端点。
Accelerate large-scale AI training with Amazon SageMaker HyperPod training operator
在这篇文章中，我们演示了如何使用 Amazon SageMaker HyperPod 训练操作器部署和管理机器学习训练工作负载，该操作器通过精确恢复和可定制的监控功能增强 Kubernetes 工作负载的训练弹性。 Amazon SageMaker HyperPod 训练运算符通过有效管理跨大型 GPU 集群的分布式训练来帮助加速生成式 AI 模型开发，提供集中训练过程监控、精细过程恢复和挂起作业检测等优势，可将恢复时间从数十分钟缩短到几秒钟。
Splash Music transforms music generation using AWS Trainium and Amazon SageMaker HyperPod
在这篇文章中，我们展示了 Splash Music 如何通过在 Amazon SageMaker HyperPod 上结合使用其先进的 HummingLM 模型和 AWS Trainium，为 AI 驱动的音乐创作设定新标准。作为 2024 年 AWS Generative AI Accelerator 中入选的初创公司，Splash Music 与 AWS Startups 和 AWS GenAIIC 密切合作，以快速跟踪创新并加速其音乐生成 FM 开发生命周期。
Scala development in Amazon SageMaker Studio with Almond kernel
本文提供了有关将 Almond 内核集成到 SageMaker Studio 的综合指南，为平台内的 Scala 开发提供了解决方案。
Use Amazon SageMaker HyperPod and Anyscale for next-generation distributed computing
在这篇文章中，我们演示了如何将 Amazon SageMaker HyperPod 与 Anyscale 平台集成，以解决构建和部署大规模 AI 模型时的关键基础设施挑战。该组合解决方案通过高性能硬件、持续监控以及与领先的 AI 计算引擎 Ray 的无缝集成，为分布式 AI 工作负载提供强大的基础设施，使组织能够缩短上市时间并降低总体拥有成本。
在这篇文章中，我们演示了 PowerSchool 如何使用 Amazon SageMaker AI 构建和部署自定义内容过滤解决方案，该解决方案在保持较低误报率的同时实现了更高的准确性。我们将详细介绍微调 Llama 3.1 8B 的技术方法、我们的部署架构以及内部验证的性能结果。
Rapid ML experimentation for enterprises with Amazon SageMaker AI and Comet
在这篇文章中，我们展示了如何使用sagemaker和Comet一起旋转具有可重现性和实验跟踪功能的完全管理的ML环境。
Use AWS Deep Learning Containers with Amazon SageMaker AI managed MLflow
在这篇文章中，我们展示了如何将AWS DLC与MLFlow集成，以创建一个解决基础结构控制与强大ML治理的解决方案。我们将浏览您的团队可以使用的功能设置，以满足您的专业要求，同时大大减少ML生命周期管理所需的时间和资源。
Schedule topology-aware workloads using Amazon SageMaker HyperPod task governance
在这篇文章中，我们通过提交代表层次网络信息的作业来介绍使用SageMaker HyperPod任务治理的拓扑感知调度。我们提供有关如何使用SageMaker HyperPod任务治理来优化您的工作效率的详细信息。
