Introducing AWS Batch Support for Amazon SageMaker Training jobs
aws批次现在与亚马逊萨吉式制造商培训工作无缝集成。在这篇文章中，我们讨论了管理和确定ML培训工作以有效地用于您的业务的好处。我们还引导您了解如何开始使用这种新功能并分享建议的最佳实践，包括使用萨吉式培训计划。
Fraud detection empowered by federated learning with the Flower framework on Amazon SageMaker AI
在这篇文章中，我们探讨了萨格人和联邦学习如何帮助金融机构构建可扩展的隐私优先欺诈检测系统。
在这篇文章中，我们讨论了如何通过使用IDE和SageMaker Studio的IDE和工具以及与Amazon Eks的Sagemaker Hyperpod的可扩展性和弹性来改善和加快数据科学家的开发经验。该解决方案通过使用AWS服务提供的治理和安全功能来简化集中系统的系统管理员的设置。
Training Llama 3.3 Swallow: A Japanese sovereign LLM on Amazon SageMaker HyperPod
Tokyo科学院已经成功训练了Llama 3.3 Swallow，这是一种使用Amazon Sagemaker Hyperpod的700亿参数大语模型（LLM），具有增强的日本能力。该模型在日语任务中表现出了卓越的性能，表现优于GPT-4O-Mini和其他领先的模型。该技术报告详细介绍了项目期间开发的培训基础设施，优化和最佳实践。
Multi-account support for Amazon SageMaker HyperPod task governance
在这篇文章中，我们讨论了具有多个帐户的企业如何访问共享的Amazon Sagemaker HyperPod群集以运行其异质工作负载。我们使用SageMaker HyperPod任务治理来启用此功能。
How Qualtrics built Socrates: An AI platform powered by Amazon SageMaker and Amazon Bedrock
在这篇文章中，我们分享了Qualtrics如何构建由亚马逊萨吉式制造商和亚马逊基岩提供支持的AI平台。
Extend large language models powered by Amazon SageMaker AI using Model Context Protocol
人类提出的MCP提供了将FMS连接到数据源的标准化方法，现在您可以使用SageMaker AI使用此功能。在这篇文章中，我们展示了一个结合Sagemaker AI和MCP的力量来构建应用程序的示例，该应用程序通过专业角色和自动化工作流提供了新的借贷承销观点。
WATCH LIVE: Harris delivers campaign remarks at event in Saginaw, Mich
她将参观康宁的 Hemlock Semiconductor Next Gen 工厂。这家位于萨吉诺的公司从拜登政府通过的《芯片和科学法案》中获得了 3.25 亿美元的投资。
This Star’s Violent Feeding Frenzy May End in a Blinding Supernova
天文学家已经揭示了萨吉塔（V Sagittae）的暴力秘密，萨吉塔（V Sagittae）是一位白矮星，在壮观的喂养疯狂中消耗了伴侣。这种宇宙舞蹈不仅使该系统以异常的光彩燃烧，而且还产生了巨大的燃气光环，标志着它动荡不安的未来。科学家认为，这种疯狂的互动最终将在[...]
Announcing the new cluster creation experience for Amazon SageMaker HyperPod
借助新的群集创建体验，您可以单击一键创建SageMaker HyperPod群集，包括所需的先决条件AWS资源，并自动使用规定默认值。在这篇文章中，我们探索了亚马逊萨吉式制造商Hyperpod的新集群创建体验。
Introducing auto scaling on Amazon SageMaker HyperPod
在这篇文章中，我们宣布，亚马逊萨吉式超级平台现在支持karpenter的托管节点自动扩展，从而使SageMaker HyperPod簇的有效缩放能够满足推理和培训需求。我们深入研究Karpenter的好处，并提供有关在Sagemaker HyperPod EKS群集中启用和配置Karpenter的详细信息。
AI Code Red: Why Libraries Will Matter More Than Ever
我对图书馆的热爱诞生于两个城市和两个世代之间。在密歇根州的萨吉诺，我的祖母是霍顿中学的图书馆员。我和她度过了无休止的日子，坐落在堆栈之间，翻阅风化的书籍，并寻找诸如埋藏的宝藏之类的有趣书籍。她的图书馆是我的圣所，[…]
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。
在这篇文章中，我们宣布了亚马逊萨吉马制造商Hyperpod支持，用于从SageMaker Jumpstart部署基础模型，以及来自Amazon S3或Amazon FSX的自定义或微调模型。这种新功能使客户可以在相同的HyperPod计算资源上训练，微调和部署模型，从而最大程度地利用整个模型生命周期的资源利用率。
Rear Admiral Charles R. “Chase” Sargeant
后院萨吉安特（Sargeant）是佛罗里达州莱克兰（Lakeland）的本地人。他从美国委托
Reduce ML training costs with Amazon SageMaker HyperPod
在这篇文章中，我们探讨了大规模边界模型培训的挑战，重点是硬件故障以及亚马逊萨吉式制造商HyperPod的好处 - 一种解决方案，可最大程度地减少干扰，提高效率并降低培训成本。
