Integrating custom dependencies in Amazon SageMaker Canvas workflows
在亚马逊sagemaker画布中实施机器学习工作流程时，组织可能需要考虑其特定用例所需的外部依赖项。尽管Sagemaker画布为快速实验提供了强大的无代码和低编码功能，但某些项目可能需要默认情况下默认情况下的专门依赖项和库。这篇文章提供了一个示例，说明了如何将依赖外部依赖关系的代码合并到您的SageMaker画布工作流程中。
在这篇文章中，我们讨论了组织更新生产模型时面临的挑战。然后，我们深入研究推理组件的新滚动更新功能，并使用DeepSeek蒸馏器模型提供实践示例来演示此功能。最后，我们探索如何在不同方案中设置滚动更新。
在这篇文章中，我们演示了如何在Sagemaker Unified Studio中使用Amazon Bedrock来构建生成AI应用程序，以与现有的端点和数据库集成。
Running NVIDIA NeMo 2.0 Framework on Amazon SageMaker HyperPod
在这篇博客文章中，我们探讨了如何将Nemo 2.0与Sagemaker Hyperpod集成，以实现对大型语言模型（LLMS）的有效培训。我们介绍设置过程，并提供逐步指南，以在Sagemaker HyperPod群集上运行NEMO作业。
今天，我们很高兴地宣布，Nemo Retriever Llama3.2文本嵌入和重新启动NVIDIA NIM微服务可在Amazon Sagemaker Jumpstart中获得。通过此发布，您现在可以部署NVIDIA优化的重新骑行和嵌入模型来构建，实验和负责任地扩展您的生成AI想法。在这篇文章中，我们演示了如何在Sagemaker Jumpstart上开始这些模型。
Unleash AI innovation with Amazon SageMaker HyperPod
在这篇文章中，我们展示了SageMaker HyperPod及其在AWS RE：Invent 2024上引入的新功能如何满足现代AI工作负载的需求，从而提供了针对分布式培训和加速推理的持久和优化的群集，并在云规模上加速推理和有吸引力的价格。
Optimize hosting DeepSeek-R1 distilled models with Hugging Face TGI on Amazon SageMaker AI
在这篇文章中，我们演示了如何通过Amazon Sagemaker AI优化托管DeepSeek-R1蒸馏型模型（TGI）。
Customize DeepSeek-R1 distilled models using Amazon SageMaker HyperPod recipes – Part 1
在这个两部分的系列中，我们讨论了如何通过使用deepSeek-R1模型及其蒸馏变量的预先构建的微调工作流（也称为“食谱”）来减少DeepSeek模型的自定义复杂性，并作为亚马逊SageMaker HyproPod食谱的一部分发布。 In this first post, we will build a solution architecture for fine-tuning DeepSeek-R1 distilled models and demonstrate the approach by providing a step-by-step example on customizing t
在这篇文章中，我们将连续的自我实施微型调整框架作为DSPY框架实现的复合AI系统。该框架首先从域知识库中生成一个综合数据集，并为自我建筑生成文档，然后通过SFT驱动模型进行微调，并介绍了人类的工作流程，以将人类和AI的反馈收集到模型响应中，它用于通过增强学习（RLHF/RLAIF）来对齐人类偏好来进一步提高模型性能。
Best practices for Amazon SageMaker HyperPod task governance
在这篇文章中，我们提供了最佳实践，以最大程度地提高SageMaker HyperPod任务治理的价值，并使管理和数据科学体验无缝。在管理和运行生成的AI开发任务时，我们还讨论了共同的治理方案。
Create a private workforce on Amazon SageMaker Ground Truth with the AWS CDK
在这篇文章中，我们提供了一个完整的解决方案，用于使用AWS Cloud Development Kit（AWS CDK）在Amazon Sagemaker AI上编程创建私人劳动力，包括设置专用，完整配置的Amazon Cognito用户池。
Maximize HyperPod Cluster utilization with HyperPod task governance fine-grained quota allocation
我们很高兴地宣布高元素和内存配额分配的一般可用性，并宣布高架任务治理。借助此功能，客户可以优化Amazon弹性Kubernetes服务（Amazon EKS）上的Amazon Sagemaker HyperPod群集利用，分发公平用法，并支持不同团队或项目之间的有效资源分配。有关更多信息，请参见HyperPod Task Task Ponsectance […]
Train and deploy models on Amazon SageMaker HyperPod using the new HyperPod CLI and SDK
在这篇文章中，我们演示了如何使用新的Amazon Sagemaker HyperPod CLI和SDK来简化通过使用完全碎片数据并行的分布式培训（FSDP）（FSDP）和模型部署进行推理的分布式培训训练和部署大型AI模型的过程。这些工具通过直接命令提供了简化的工作流程，以实现常见任务，同时通过SDK为更复杂的要求提供灵活的开发选项，以及全面的可观察性功能和准备生产的部署功能。
Empowering air quality research with secure, ML-driven predictive analytics
在这篇文章中，我们使用Amazon Sagemaker AI，AWS Lambda和AWS步骤功能提供了数据插补解决方案。该解决方案是为需要可靠的PM2.5数据进行趋势分析，报告和决策的可靠数据的环境分析师，公共卫生官员和商业智能专业人员设计的。我们从OpenAfrica采购了样本培训数据集。我们的解决方案使用预测时间序列预测PM2.5值。
Learn how Amazon Health Services improved discovery in Amazon search using AWS ML and gen AI
在这篇文章中，我们向您展示了亚马逊卫生服务（AHS）如何使用亚马逊Sagemaker，Amazon Bedrock和Amazon EMR等AWS服务在Amazon.com搜索上解决可发现性挑战。通过将机器学习（ML），自然语言处理和矢量搜索功能相结合，我们提高了将客户与相关的医疗保健服务联系起来的能力。
在这篇文章中，我们通过使用Amazon SageMaker AI和MCP整合预测ML模型来演示如何增强AI代理的功能。通过使用开源链代理SDK和SageMaker AI的灵活部署选项，开发人员可以创建复杂的AI应用程序，将对话性AI与强大的预测分析功能相结合。
Simplify access control and auditing for Amazon SageMaker Studio using trusted identity propagation
在这篇文章中，我们探讨了如何在Amazon Sagemaker Studio中启用和使用可信赖的身份传播，该工作室允许组织通过授予现有AWS IAM IAM身份中心身份的权限来简化访问管理。该解决方案演示了如何根据物理用户的身份实现细粒度的访问控件，在受支持的AWS服务中保持详细的审核日志，并支持长期运行的用户背景会话以进行培训工作。
Optimizing Salesforce’s model endpoints with Amazon SageMaker AI inference components
在这篇文章中，我们分享了Salesforce AI平台团队如何优化GPU利用率，提高了资源效率并使用Amazon SageMaker AI，特别是推理组件来节省成本。
