Using Amazon OpenSearch ML connector APIs
OpenSearch提供了广泛的第三方机器学习（ML）连接器，以支持此增强。这篇文章突出显示了这些第三方ML连接器中的两个。我们演示的第一个连接器是Amazon Classend Connector。在这篇文章中，我们向您展示如何使用此连接器调用LangDetect API来检测摄入文档的语言。我们演示的第二个连接器是亚马逊基岩连接器，用于调用Amazon Titan Text Embeddings V2模型，以便您可以从摄入的文档中创建嵌入并执行语义搜索。
Optimize query responses with user feedback using Amazon Bedrock embedding and few-shot prompting
这篇文章演示了亚马逊基岩如何与用户反馈数据集结合使用，很少有射击提示，可以完善响应，以提高用户满意度。通过使用Amazon Titan Text Embeddings V2，我们证明了响应质量的统计学上显着改善，使其成为寻求准确和个性化响应的应用程序的宝贵工具。
在本文中，我们展示了 OfferUp 如何使用 Amazon Titan Multimodal Embeddings 和 OpenSearch Service 转变其基础搜索架构，从而显著提高用户参与度、提高搜索质量并为用户提供使用文本和图像进行搜索的能力。OfferUp 选择 Amazon Titan Multimodal Embeddings 和 Amazon OpenSearch Service 是因为它们具有完全托管的功能，能够开发出具有高准确度的强大多模态搜索解决方案，并加快搜索和推荐用例的上市时间。
今天，我们很高兴地宣布 Amazon Bedrock 知识库和 Amazon OpenSearch Serverless 中推出了 Amazon Titan 文本嵌入 V2 的二进制嵌入。这篇文章总结了这种新的二进制向量支持的好处，并为您提供了入门信息。
在本文中，您将学习如何使用 Amazon Rekognition 从图像查询中提取关键对象，并使用 Amazon Bedrock 的 Amazon Titan Multimodal Embeddings 结合 Amazon OpenSearch Serverless Service 构建反向图像搜索引擎。
在本文中，我们将展示如何使用 AWS AI/ML 服务向用户推荐突发新闻。通过利用 Amazon Bedrock 上的 Amazon Personalize 和 Amazon Titan Text Embeddings 的强大功能，您可以在文章发布后的几秒钟内向感兴趣的用户展示文章。
