Track, allocate, and manage your generative AI cost and usage with Amazon Bedrock
Amazon Bedrock 推出了一项功能，组织可以使用该功能标记按需模型并监控相关成本。组织现在可以为所有 Amazon Bedrock 模型添加 AWS 成本分配标签，将使用情况与特定的组织分类法（例如成本中心、业务部门和应用程序）保持一致。
Advance environmental sustainability in clinical trials using AWS
在本文中，我们将讨论如何使用 AWS 支持分散式临床试验，涵盖分散式临床试验的四大支柱（虚拟试验、个性化患者参与、以患者为中心的试验设计和集中式数据管理）。通过探索这些由 AWS 提供支持的替代方案，我们旨在展示组织如何推动更环保的临床研究实践。
Create a generative AI–powered custom Google Chat application using Amazon Bedrock
AWS 提供强大的生成 AI 服务，包括 Amazon Bedrock，它允许组织创建定制的用例，例如基于聊天的 AI 助手，可根据客户文档中包含的知识提供答案等等。许多企业希望将这些尖端的 AI 功能与他们现有的协作工具（例如 Google Chat）集成，以 [...]
Achieve multi-Region resiliency for your conversational AI chatbots with Amazon Lex
全局弹性是 Amazon Lex 的一项新功能，可在第二个 AWS 区域中近乎实时地复制您的 Amazon Lex V2 机器人。激活此功能后，激活后关联的所有资源、版本和别名都将在所选区域之间同步。借助全局弹性，复制的机器人资源和别名在 […]
Create and fine-tune sentence transformers for enhanced classification accuracy
在本文中，我们展示了如何微调句子转换器，专门用于将 Amazon 产品归类到其产品类别（例如玩具或体育用品）。我们展示了两个不同的句子转换器，paraphrase-MiniLM-L6-v2 和专有的 Amazon 大型语言模型 (LLM) M5_ASIN_SMALL_V2.0，并比较它们的结果。
Empower your generative AI application with a comprehensive custom observability solution
在本文中，我们为 Amazon Bedrock 应用程序的可观察性和评估设置了自定义解决方案。通过代码示例和分步指导，我们演示了如何将此解决方案无缝集成到您的 Amazon Bedrock 应用程序中，为您的生成式 AI 应用程序解锁新的可见性、控制和持续改进水平。
Automate Amazon Bedrock batch inference: Building a scalable and efficient pipeline
虽然批量推理提供了许多好处，但每个区域每个模型最多只能提交 10 个批量推理作业。为了解决这一问题并增强您对批量推理的使用，我们使用 AWS Lambda 和 Amazon DynamoDB 开发了一个可扩展的解决方案。本文将指导您实施一个队列管理系统，该系统会自动监控可用的作业槽位并在有槽位时提交新作业。
这篇文章是关于大规模管理机器学习 (ML) 生命周期的系列文章的一部分。要从头开始，请参阅大规模管理 ML 生命周期，第 1 部分：使用 Amazon SageMaker 构建 ML 工作负载的框架。多账户策略不仅对于改善治理至关重要，而且对于增强 […]
How Planview built a scalable AI Assistant for portfolio and project management using Amazon Bedrock
在本文中，我们探讨了 Planview 如何通过采用 Amazon Bedrock 开发生成式 AI 助手来解决复杂的工作管理流程。
Super charge your LLMs with RAG at scale using AWS Glue for Apache Spark
在本文中，我们将探讨在 LangChain（一个基于 LLM 构建应用程序的开源框架）上构建可重复使用的 RAG 数据管道，并将其与 AWS Glue 和 Amazon OpenSearch Serverless 集成。最终解决方案是可扩展 RAG 索引和部署的参考架构。
在本文中，我们深入探讨了银行机构的业务用例。我们将向您展示银行的财务或业务分析师如何使用最适合当前业务问题的机器学习模型轻松预测客户的贷款是否会全额支付、注销或当前。
Create a generative AI-based application builder assistant using Amazon Bedrock Agents
代理工作流是一种全新的视角，它借助大型语言模型 (LLM) 作为推理引擎或大脑，构建基于动态和复杂业务用例的工作流。在这篇文章中，我们使用 Amazon Bedrock Agents 设置了一个代理，作为软件应用程序构建器助手。
在本文中，我们了解了 SnapLogic 的 Agent Creator 如何利用 Amazon Bedrock 提供低代码平台，使企业无需深厚的技术专业知识即可快速开发和部署强大的生成式 AI 应用程序。
在本文中，我们讨论了 Classworks 如何使用 Amazon Bedrock 和 Anthropic 的 Claude Sonnet 通过 Wittly 提供下一代差异化学习。
Boost post-call analytics with Amazon Q in QuickSight
在这篇文章中，我们将向您展示如何解锁强大的通话后分析和可视化，使您的组织能够做出数据驱动的决策并推动持续改进。
在本文中，我们将演示如何部署上下文 AI 助手。我们构建了一个解决方案，使用 Amazon Bedrock 知识库、Amazon Lex 和 Amazon Connect 为用户提供熟悉且方便的界面，并使用 WhatsApp 作为渠道。
Generative AI foundation model training on Amazon SageMaker
在本文中，我们将探讨组织如何使用 AWS 托管服务（例如 Amazon SageMaker 训练作业和 Amazon SageMaker HyperPod）以经济高效的方式定制和调整 FM。我们将讨论这些强大的工具如何帮助组织优化计算资源并降低模型训练和微调的复杂性。我们将探讨如何做出明智的决定，确定哪种 Amazon SageMaker 服务最适合您的业务需求和要求。
Implement Amazon SageMaker domain cross-Region disaster recovery using custom Amazon EFS instances
在本文中，我们将指导您完成分步过程，以无缝地将您的 SageMaker 域从一个活动区域迁移到另一个被动或活动区域，包括所有相关的用户配置文件和文件。
