Combat financial fraud with GraphRAG on Amazon Bedrock Knowledge Bases
在这篇文章中，我们展示了如何使用Amazon Neptune Analytics使用Amazon Bedrock知识库来构建财务欺诈检测解决方案。
Classify call center conversations with Amazon Bedrock batch inference
在这篇文章中，我们演示了如何使用Amazon Bedrock批处理推理能力构建端到端的解决方案，并使用人类的Claude Haiku模型构建端到端解决方案。我们将浏览分类的旅行社呼叫中心对话分为类别，展示如何生成合成培训数据，处理大量文本数据以及使用AWS服务自动化整个工作流程。
Effective cross-lingual LLM evaluation with Amazon Bedrock
在这篇文章中，我们演示了如何使用亚马逊基岩的评估功能在不需要本地化提示或自定义基础架构的情况下在语言障碍中提供可靠的结果。通过全面的测试和分析，我们共享实用策略，以帮助降低多语言评估的成本和复杂性，同时保持全球大型语言模型（LLM）部署的高标准。
How INRIX accelerates transportation planning with Amazon Bedrock
Inrix率先使用连接车辆的GPS数据进行运输智能。在这篇文章中，我们与Amazon Web Services（AWS）客户Inrix合作，展示了如何使用Amazon Bedrock使用丰富的运输数据来确定特定城市位置的最佳对策，以及如何在Street View图像中自动将这些对策自动可视化。与使用概念图的传统方法相比，这种方法允许大量的计划加速。
今天，我们很高兴地宣布，Qwen3是QWEN家族中最新一代的大型语言模型（LLMS），可通过亚马逊基岩市场和Amazon Sagemaker Jumpstart获得。通过此启动，您可以在0.6B，4B，8B和32B参数尺寸中部署QWEN3模型，以构建，实验和负责任地扩展您的生成AI应用程序。在这篇文章中，我们演示了如何在Amazon Bedrock Marketplace和Sagemaker Jumpstart上使用Qwen3开始。
Build a just-in-time knowledge base with Amazon Bedrock
传统的检索增强发电（RAG）系统通过摄入和维护可能永远不会查询的文档的嵌入来消耗宝贵的资源，从而导致不必要的存储成本和降低的系统效率。这篇文章提出了一个即时知识库解决方案，该解决方案通过智能文档处理来减少未使用的消费。该解决方案仅在需要时处理文档，并自动删除未使用的资源，因此组织可以扩展其文档存储库，而无需按比例增加基础架构成本。
Agents as escalators: Real-time AI video monitoring with Amazon Bedrock Agents and video streams
在这篇文章中，我们展示了如何构建一个完全可部署的解决方案，该解决方案使用OpenCV，Amazon Bedrock来处理视频流，以通过亚马逊基岩代理进行上下文场景的理解和自动响应。该解决方案扩展了使用Amazon Bedrock代理和知识库在Automate Chatbot中显示的功能，用于文档和数据检索，这些功能使用Amazon Bedrock代理进行了文档和数据检索进行了讨论。在这篇文章中，我们将亚马逊基岩代理应用于实时视频分析和事件监控。
Transforming network operations with AI: How Swisscom built a network assistant using Amazon Bedrock
在这篇文章中，我们探讨了瑞士Com的如何发展其网络助理。我们讨论了最初的挑战，以及他们如何实现提供可衡量收益的解决方案。我们检查技术体系结构，讨论关键学习，并查看可以进一步改变网络操作的未来增强功能。
Use Amazon SageMaker Unified Studio to build complex AI workflows using Amazon Bedrock Flows
在这篇文章中，我们演示了如何使用SageMaker Unified Studio使用Amazon Bedrock Flow创建复杂的AI工作流程。
Accelerating AI innovation: Scale MCP servers for enterprise workloads with Amazon Bedrock
在这篇文章中，我们使用亚马逊基地提供了一个集中式的模型上下文协议（MCP）服务器实现，该服务器为企业AI工作负载提供了共享的工具和资源访问权限。该解决方案使组织能够通过MCP对资源和工具进行标准化，同时通过集中式方法来维持安全和治理，从而加速AI创新。
Structured data response with Amazon Bedrock: Prompt Engineering and Tool Use
我们演示了两种使用Amazon Bedrock生成结构化响应的方法：与Converse API一起使用及时工程和工具。及时的工程是灵活的，可与基岩型号（包括没有工具使用支持的型号）一起使用，并处理各种模式类型（例如，开放API模式），使其成为一个很好的起点。工具使用提供了更大的可靠性，一致的结果，无缝的API集成以及JSON模式的运行时验证，以增强控制。
Amazon Bedrock Agents observability using Arize AI
今天，我们很高兴宣布Arize AI和Amazon Bedrock代理商之间的新整合，该集合解决了AI开发中最重要的挑战之一：可观察性。在这篇文章中，我们演示了用于追踪和评估的Arize Phoenix系统。
Build an agentic multimodal AI assistant with Amazon Nova and Amazon Bedrock Data Automation
在这篇文章中，我们演示了如何使用Langgraph启用人工智能和机器学习（AI/ML）开发人员和企业建筑师可以采用和扩展的端到端解决方案，例如检索增强发电（RAG），多工具编排（多工具编排）等代理工作流程。我们介绍了财务管理AI助手的示例，该示例可以通过分析收益电话（音频）和演示幻灯片（图像）以及相关的财务数据提要来提供定量研究和扎根财务建议。
Meeting summarization and action item extraction with Amazon Nova
在这篇文章中，我们介绍了亚马逊基德岩（Amazon Bedrock）上可用的Amazon Nova家族的不同理解模型的基准，以提供有关如何为会议摘要任务选择最佳模型的见解。
Building a custom text-to-SQL agent using Amazon Bedrock and Converse API
在自然语言处理（NLP）和数据库管理领域中，开发强大的文本到SQL功能是一个关键的挑战。 NLP和数据库管理的复杂性在该领域增加，尤其是在处理复杂的查询和数据库结构时。在这篇文章中，我们使用自定义代理实现以及Amazon Bedrock和Converse API引入了一个简单而强大的解决方案，并随附代码与随附的代码一起使用。
Build conversational interfaces for structured data using Amazon Bedrock Knowledge Bases
本文提供了使用实用的代码示例和模板配置结构化数据检索解决方案的说明。它涵盖了实施样本和其他注意事项，使您能够快速构建和扩展对话数据界面。
How Apollo Tyres is unlocking machine insights using agentic AI-powered Manufacturing Reasoner
在这篇文章中，我们分享了Apollo轮胎如何使用Amazon Bedrock的生成AI来利用其机器数据的见解，以自然语言交互模式来获得对其制造过程的全面视图，从而实现数据驱动的决策并优化运营效率。
Deploy Qwen models with Amazon Bedrock Custom Model Import
现在，您可以为qwen2，qwen2_vl和qwen2_5_vl架构导入自定义权重，包括QWEN 2、2.5编码器，QWEN 2.5 VL和QWQ 32B之类的型号。在这篇文章中，我们介绍了如何使用Amazon BedRock自定义模型导入的如何部署QWEN 2.5型号，这使他们可以在AWS基础架构中以有效的成本在AWS基础架构中使用最先进的AI功能。
