Announcing OpenAI-compatible API support for Amazon SageMaker AI endpoints
今天，Amazon SageMaker AI 推出了针对实时推理终端节点的 OpenAI 兼容 API 支持。如果您使用 OpenAI SDK、LangChain 或 Strands Agents，您现在可以通过仅更改端点 URL 来调用 SageMaker AI 上的模型。您不需要自定义客户端、SigV4 包装器或代码重写。概述 通过此次发布，SageMaker AI 端点 [...]
Accelerate ML feature pipelines with new capabilities in Amazon SageMaker Feature Store
今天，我们宣布 SageMaker Python SDK v3.8.0 提供三项新功能。在这篇文章中，我们将通过可用于入门的代码示例来介绍每项功能。有关完整的端到端演练，请参阅 SageMaker Python SDK 存储库中有关 Lake Formation 治理和 Iceberg 表属性的随附笔记本。
在本文中，您将了解如何使用适用于 ML 的 Amazon Elastic Compute Cloud (Amazon EC2) 容量块和 Amazon SageMaker 训练计划来确保短期工作负载的预留 GPU 容量。当您需要短期容量进行负载测试、模型验证、有时限的研讨会或在发布前准备推理能力时，这些解决方案可以解决 GPU 可用性挑战。
Streamlining generative AI development with MLflow v3.10 on Amazon SageMaker AI
今天，我们很高兴地宣布 Amazon SageMaker AI MLflow 应用程序现已支持 MLflow 版本 3.10，为您的生成式 AI 工作流程带来增强的生成式 AI 开发功能和简化的实验跟踪。该最新版本建立在 Amazon SageMaker AI MLflow 应用程序的基础上，引入了强大的可观察性、评估和生成新功能 [...]
I'm backing up my Samsung Messages before it's too late - 2 free and easy methods
当应用程序在 7 月关闭时，您的文本不必消失。以下是如何备份它们。
Capacity-aware inference: Automatic instance fallback for SageMaker AI endpoints
今天，Amazon SageMaker AI 为新的和现有的推理终端节点引入了容量感知实例池。您定义实例类型的优先级列表，只要在创建、横向扩展和横向收缩期间容量受到限制，SageMaker AI 就会自动处理您的列表。您的端点无需人工干预即可配置可用的人工智能基础设施。此功能适用于单模型端点、基于推理组件的端点和异步推理端点。
Agent-guided workflows to accelerate model customization in Amazon SageMaker AI
Amazon SageMaker AI 现在提供的代理体验改变了这一点。开发人员使用自然语言描述他们的用例，AI 编码代理简化了整个过程，从用例定义和数据准备到技术选择、评估和部署。在这篇文章中，我们将引导您使用 SageMaker AI 代理技能完成模型自定义生命周期。
Unleashing Agentic AI Analytics on Amazon SageMaker with Amazon Athena and Amazon Quick
本文演示了 Amazon Quick 的代理 AI 助手如何使用 Amazon Simple Storage Service (Amazon S3) 作为存储、使用 Amazon SageMaker 和 AWS Glue for Lakehouse、Amazon Athena 跨多种存储格式（S3 表、Iceberg 和 Parquet）进行无服务器 SQL 查询，从而将数据分析转变为自助服务功能。
How I'm backing up my Samsung Messages before the service ends in July - local and cloud options
您的短信不必随应用程序一起消失。以下是如何在它们永远消失之前保留它们。
Build Strands Agents with SageMaker AI models and MLflow
在这篇文章中，我们演示了如何使用 Strands Agents SDK 以及部署在 SageMaker AI 端点上的模型来构建 AI 代理。您将了解如何从 SageMaker JumpStart 部署基础模型，将其与 Strands Agent 集成，以及使用 SageMaker Serverless MLflow 进行代理跟踪建立生产级可观测性。我们还介绍了如何跨多个模型变体实施 A/B 测试，使用 MLflow 指标评估代理性能，并展示如何在您控制的基础设施上构建、部署和持续改进 AI 代理。
Amazon SageMaker AI now supports optimized generative AI inference recommendations
如今，Amazon SageMaker AI 支持优化的生成式 AI 推理建议。通过提供经过验证的、具有性能指标的最佳部署配置，Amazon SageMaker AI 让您的模型开发人员专注于构建准确的模型，而不是管理基础设施。
End-to-end lineage with DVC and Amazon SageMaker AI MLflow apps
在这篇文章中，我们将展示如何结合 DVC（数据版本控制）、Amazon SageMaker AI 和 Amazon SageMaker AI MLflow 应用程序来构建端到端 ML 模型谱系。我们将介绍两种可部署模式——数据集级沿袭和记录级沿袭——您可以使用配套笔记本在自己的 AWS 账户中运行这两种模式。
