在这篇文章中，我们展示了拜耳作物科学如何通过培训模型来管理数据分析需求的大规模数据科学操作，并维护高质量的代码文档以支持开发人员。通过这些解决方案，拜耳作物科学计划的开发人员登机时间可下降70％，开发人员生产率提高了30％。
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。
Cohere Embed 4 multimodal embeddings model is now available on Amazon SageMaker JumpStart
Cohere Embered 4多模式嵌入模型现在通常可以在Amazon Sagemaker Jumpstart上获得。 Embed 4模型是为多模式业务文档构建的，具有领先的多语言功能，并且对跨关键基准测试的嵌入3提供了显着的改进。在这篇文章中，我们讨论了这种新模型的好处和功能。我们还可以使用Sagemaker Jumpstart引导您完成如何部署和使用嵌入4型号的型号。
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。
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。
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。
End-to-End model training and deployment with Amazon SageMaker Unified Studio
In this post, we guide you through the stages of customizing large language models (LLMs) with SageMaker Unified Studio and SageMaker AI, covering the end-to-end process starting from data discovery to fine-tuning FMs with SageMaker AI distributed training, tracking metrics using MLflow, and then de
Advancing AI agent governance with Boomi and AWS: A unified approach to observability and compliance
在这篇文章中，我们分享了Boomi如何与AWS合作，以帮助企业加速并使用Agent Control Tower自信地采用AI。
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。
Choosing the right approach for generative AI-powered structured data retrieval
在这篇文章中，我们探讨了五种不同的模式，用于在AWS中实现LLM驱动的结构化数据查询功能，包括直接对话接口，BI工具增强功能以及自定义的文本到SQL解决方案。
Revolutionizing drug data analysis using Amazon Bedrock multimodal RAG capabilities
在这篇文章中，我们探讨了亚马逊基岩的多模式抹布的能力如何通过有效处理包含文本，图像，图形和表格的复杂医疗文档来彻底改变药物数据分析。
Context extraction from image files in Amazon Q Business using LLMs
在这篇文章中，我们查看了一个分步实现，用于在Amazon Q Business应用程序中使用自定义文档丰富（CDE）功能来处理独立图像文件。我们将带您浏览CDE中配置的AWS lambda功能来处理各种图像文件类型，并展示该集成如何增强Amazon Q业务提供全面见解的能力的示例场景。
Build AWS architecture diagrams using Amazon Q CLI and MCP
在这篇文章中，我们探讨了如何使用AWS图MCP和AWS文档MCP服务器使用Amazon Q开发人员CLI来创建遵循AWS最佳实践的复杂体系结构图。我们讨论了基本图和现实图表的技术，并提供详细的示例和分步说明。
AWS costs estimation using Amazon Q CLI and AWS Cost Analysis MCP
在这篇文章中，我们探讨了如何将Amazon Q CLI与AWS成本分析MCP服务器一起执行AWS最佳实践的复杂成本分析。我们讨论基本的设置和高级技术，并提供详细的示例和分步说明。
Tailor responsible AI with new safeguard tiers in Amazon Bedrock Guardrails
在这篇文章中，我们介绍了亚马逊基岩护栏中可用的新保障层，解释其好处和用例，并提供有关如何在AI应用程序中实施和评估它们的指导。
Using Amazon SageMaker AI Random Cut Forest for NASA’s Blue Origin spacecraft sensor data
在这篇文章中，我们演示了如何使用SageMaker AI应用随机砍伐森林（RCF）算法来检测NASA和Blue Origin的Spacecraft位置，速度和季度取向数据的异常，并证明了Lunar Deorbit，Descent和Landing Sensors（Boddl-tp）的蓝色起源。
Build an intelligent multi-agent business expert using Amazon Bedrock
在这篇文章中，我们演示了如何使用亚马逊基岩代理商在亚马逊基岩代理中进行多代理协作来构建多代理系统，以解决生物制药行业中复杂的商业问题。我们展示了研发（R＆D），法律和金融领域的专业代理商如何通过分析来自多个来源的数据来共同提供全面的业务见解。
