每个规模和行业的客户都在AWS上通过将机器学习（ML）融入其产品和服务来进行创新生成式AI模型的最新发展进一步加快了各行业对于采用ML的需求然而，实施安全、数据隐私和治理控制仍然是客户在实施ML时面临的主要挑战
Leave a CommentTag: Amazon SageMaker
高分辨率图像在当今世界非常普遍，从卫星图像到无人机和数码单反相机通过这些图像，我们可以捕捉自然灾害造成的损害，制造设备中的异常情况，或者非常小的缺陷，比如印刷电路板（PCB）或半导体上的缺陷使用高分辨率图像构建异常检测模型可能具有挑战性[…]
Leave a Comment在亚马逊网络服务（AWS）上，我们不仅热衷于为客户提供各种全面的技术解决方案，而且还非常重视深入了解客户的业务流程我们采用第三方的视角和客观的判断，帮助客户整理出他们的价值主张，收集痛点，并提出适当的解决方案，创造 […]
Leave a Comment亚马逊药房是亚马逊网站上的一家全方位药房，提供透明的定价、临床和客户支持，以及免费将药品送到您的门口客户服务代理在快速准确地获取与药房信息相关的信息方面起着至关重要的作用，包括处方澄清和转移状态、订单和发药详细信息以及患者信息
Leave a Comment什么是用于托管大型语言模型（LLMs）的文本生成生成型AI应用的最佳框架和配置？尽管有许多用于提供LLMs的选项，由于模型的大小，不同的模型架构，应用程序的性能要求等等，这个问题很难回答亚马逊SageMaker Large Model Inference（…）
Leave a Comment上线于2021年的Amazon SageMaker Canvas是一个视觉化、点对点服务，允许业务分析师和市民数据科学家使用现成机器学习（ML）模型，并构建自定义ML模型生成准确的预测，无需编写任何代码现成模型使您能够从文本、图像和文档中立即获取洞察力
Leave a Comment“一个推荐引擎的好坏取决于用于准备它的数据将原始数据转换成适用于模型的格式是为了给最终用户提供更好个性化推荐的关键在本文中，我们将介绍如何准备和导入 MovieLens 数据集，这是由 GroupLens 研究团队准备的数据集…”
Leave a Comment在本篇文章中，我们将提供流行的多模态模型概述我们还将演示如何在Amazon SageMaker上部署这些预训练模型此外，我们还将讨论这些模型的各种应用，特别侧重于一些现实场景，如电子商务中的零样本标签和属性生成，以及从图像中自动生成提示语
Leave a Comment在这个分析中，我们使用最近邻（KNN）模型进行作物分割，并将这些结果与农业地区的真实图像进行比较我们的结果表明，与2015年的真实分类数据相比，KNN模型的分类更准确地代表了2017年当前农田的状态这些结果证明了Planet高频率地理空间图像的力量农田经常变化，有时一季度会发生多次变化，拥有高频卫星图像可供观察和分析此类土地，能够为我们对农业土地和快速变化环境的理解提供巨大价值
Leave a Comment在快速发展的人工智能（AI）和机器学习（ML）领域中，基础模型（FMs）表现出巨大的创新潜力和解锁新的用例然而，随着组织越来越多地利用FMs的力量，与数据隐私、安全性、额外成本和合规性相关的担忧变得至关重要受监管和合规导向的行业，例如金融服务行业，[…]
Leave a Comment这是我们系列的第3部分，我们设计和实施边缘视觉质量检测的MLOps流程在本篇文章中，我们专注于如何自动化端到端MLOps流程中的边缘部署环节我们将向您展示如何使用AWS IoT Greengrass来管理模型推理内容
Leave a Comment随着机器学习（ML）进入主流并得到广泛采用，基于ML的推理应用程序在解决各种复杂业务问题方面变得越来越常见解决这些复杂业务问题通常需要使用多个ML模型和步骤本文将向您展示如何使用自定义容器构建和托管一个ML应用程序[…]
Leave a Comment我们正处在机器学习（ML）广泛应用的令人兴奋的转折点上，我们相信大多数客户体验和应用将通过生成式人工智能得到重新创造生成式人工智能能够创造新的内容和想法，包括对话、故事、图像、视频和音乐与大多数人工智能一样，生成式人工智能是由机器学习模型驱动的，这些模型非常庞大[…]
Leave a Comment在本博客文章中，我们演示了如何在Amazon SageMaker上使用RLHF进行实验，通过使用流行的开源RLHF仓库Trlx通过我们的实验，我们展示了如何使用公开可用的由Anthropic提供的Helpfulness and Harmlessness（HH）数据集来增加大型语言模型的帮助性或无害性使用这个数据集，我们在一个运行在ml.p4d.24xlarge实例上的Amazon SageMaker Studio笔记本上进行了实验最后，我们提供一个Jupyter笔记本来复现我们的实验
Leave a Comment在本文中，我们展示了在多云环境中利用AWS最广泛、最深入的人工智能/机器学习能力的众多选项之一我们展示了如何在AWS中构建和训练一个机器学习模型，并在另一个平台上部署该模型我们使用Amazon SageMaker训练模型，将模型工件存储在Amazon Simple Storage Service（Amazon S3）中，并在Azure中部署和运行该模型
Leave a Comment这篇文章是与VirtuSwap的Dima Zadorozhny和Fuad Babaev合作撰写的VirtuSwap是一家初创公司，专注于开发区块链上资产去中心化交换的创新技术VirtuSwap的技术为那些没有直接配对的资产提供更高效的交易方式缺乏直接配对导致间接交易成本高昂，[…]
Leave a Comment多模态数据是金融行业的宝贵组成部分，包括市场、经济、客户、新闻和社交媒体以及风险数据金融机构生成、收集和使用这些数据来获得对金融业务的洞察，做出更好的决策和提高绩效然而，由于多模态数据的复杂性和缺乏…，存在一些挑战
Leave a Comment这篇文章是与来自Arup的Richard Alexander和Mark Hallows共同撰写的Arup是一个全球的设计师、顾问和专家团队，致力于可持续发展数据是Arup为客户提供服务的基础，通过世界级的数据收集和分析，提供洞察力以产生影响本文介绍的解决方案是为弹性城市的决策过程提供指导
Leave a Comment随着客户尝试解决越来越具有挑战性的问题，机器学习（ML）变得越来越复杂这种复杂性通常会导致对分布式ML的需求，即使用多台机器来训练一个模型尽管这可以实现跨多个节点的任务并行化，从而加快训练时间、提高可伸缩性和改进[…]
Leave a Comment今天，生成式人工智能模型涵盖了各种任务，包括文本摘要、问答以及图像和视频生成为了提高输出的质量，采用了一些方法，如N-Short学习、提示工程、检索增强生成（RAG）和微调微调允许您调整这些生成式人工智能模型，以在您的领域特定的任务上实现更好的性能
Leave a Comment在这篇文章中，我们分享了SageMaker如何帮助Scalable的数据科学团队高效地管理数据科学项目的生命周期，特别是电子邮件分类器项目生命周期从使用SageMaker Studio进行初始阶段的数据分析和探索开始，然后通过SageMaker训练、推理和Hugging Face DLCs进行模型实验和部署，并最终通过与其他AWS服务集成的SageMaker Pipelines完成训练流程
Leave a Comment机器学习（ML）正在改变每一个行业、流程和业务，但成功的道路并不总是一帆风顺在这篇博文中，我们展示了杜克能源（Duke Energy）与亚马逊云服务（AWS）机器学习解决方案实验室（MLSL）合作，利用计算机视觉自动化检测木杆设施，帮助预防停电、财产损失甚至人员受伤杜克能源是一家总部位于北卡罗来纳夏洛特市的财富500强企业
Leave a Comment在本文中，我们将使用Amazon SageMaker和Ray的RLlib库，基于历史数据构建一个端到端的解决方案，以寻找最优的控制策略要了解更多关于强化学习的信息，请查看在Amazon SageMaker中使用强化学习
Leave a Comment在这篇文章中，我们使用AWS Amplify构建了一个安全的企业应用程序，该应用程序调用了Amazon SageMaker JumpStart基础模型、Amazon SageMaker端点和Amazon OpenSearch服务，以解释如何创建文本到文本或文本到图像以及检索增强生成（RAG）您可以使用本文作为参考，使用AWS服务在生成AI领域构建安全的企业应用程序
Leave a Comment我们很高兴地宣布，通过Amazon SageMaker实时推理，响应流式传输已经可用现在，当使用SageMaker实时推理构建生成式AI应用程序（如聊天机器人、虚拟助手和音乐生成器）时，您可以连续地将推理响应流返回给客户端，以帮助您构建交互式体验通过这个新功能，您可以在可用时立即开始流式传输响应，而不是等待整个响应生成这降低了生成式AI应用程序的首字节响应时间在本文中，我们将展示如何使用SageMaker实时终端节点和新的响应流式传输功能为交互式聊天用例构建流式网络应用程序我们在示例演示应用程序UI中使用Streamlit
Leave a Comment作为ML治理的一部分，Amazon SageMaker Model Cards 是可用的工具之一，它具有通过在整个模型生命周期中集中和标准化文档来创建模型信息的单一真相的能力
SageMaker模型卡片使您能够标准化模型的文档记录方式，从而实现对模型的生命周期（从设计、构建、训练和评估）的可见性模型卡片旨在成为有关模型的业务和技术元数据的单一真相，可可靠地用于审计和文档记录目的它们提供了模型的重要事实表
Leave a Comment在这篇文章中，我们展示了如何使用Amazon SageMaker Clarify来改进临床环境中的模型可解释性在医学领域中使用的机器学习（ML）模型的可解释性变得越来越重要，因为为了获得认可，这些模型需要从多个角度进行解释这些角度包括医学、技术、法律和最重要的——患者的角度在医学领域中，基于文本开发的模型在统计学上已经变得准确，然而，为了为每个病人提供最佳护理，临床医生在伦理上要求评估与这些预测相关的弱点为了让临床医生能够根据每个病人的情况做出正确的选择，这些预测的可解释性是必需的
Leave a CommentAmazon Redshift是最受欢迎的云数据仓库，每天被数以万计的客户用于分析数十亿字节的数据许多从业人员正在使用Amazon SageMaker扩展这些Redshift数据集，以便进行机器学习（ML），其要求是在离线环境中以代码的方式开发功能[…]
Leave a Comment在日益数字化的世界中，数字资产是企业产品、服务、文化和品牌身份的重要视觉表现数字资产与记录的用户行为一起，可以通过提供互动和个性化体验来促进客户参与，使公司能够与目标受众更深入地连接高效地发现和搜索特定的数字资产[…]
Leave a Comment在这篇文章中，我们展示了如何使用Haystack pipelines和来自Amazon SageMaker JumpStart和Amazon OpenSearch Service的Falcon-40b-instruct模型，构建一个端到端的生成式AI应用程序，用于企业搜索，并加以检索增强生成（RAG）
Leave a Comment