-
-
通过 Decisions API 构建更响应迅速的应用程序
适用于任何场景的快速、精准且低成本的决策制定方式。
-
亚马逊Polly的生成式引擎带来了显著的升级。
Amazon Polly的生成式语音服务进行了重大升级：语音效果更加丰富、准确，同时延迟也更低。此外，新增了14种声音选项，涵盖9种不同的地域方言；同时，印地语和芬兰语也正式加入该服务。这种升级方式无需修改任何代码，现在可以直接用于生产环境。
-
IskayPet是如何将企业知识与Amazon Bedrock管理的知识库进行整合的？
了解伊比利亚地区领先的宠物护理公司IskayPet是如何在Amazon Bedrock管理的知识库平台上构建出一款多语言企业知识辅助工具的。该工具能够用四种语言、在三个国家为员工解答各种问题，且无需任何专门的管理基础设施即可运行。
-
宣布使用SageMaker AI来定制模型的新方法，无需管理GPU资源。
Amazon SageMaker AI无服务器模型定制服务现在已正式上线，用户可以在此平台上自行编写和协调训练后的处理流程（如自定义损失函数、奖励信号或多轮强化学习等）。而SageMaker AI则负责处理GPU分配、分布式执行、故障恢复以及检查点存储等相关工作。
-
自己编写训练循环——无需管理GPU资源——使用Amazon SageMaker的训练会话API
Amazon SageMaker AI训练会话API允许你在Python脚本中编写自己的大语言模型训练流程（包括序列训练、强化学习或自定义目标等），而服务则会在后台运行GPU计算任务。本文介绍了该编程模型的详细信息以及三个可用的SDK客户端，随后还展示了在GSM8K上进行的GRPO训练示例，以及在竞赛编程场景下的强化学习训练过程。
-
在符合HIPAA要求的环境中部署人工智能功能，可以使用亚马逊Quick工具来实现。
Amazon Quick是一项符合HIPAA要求的服务，但具备该资格并不等同于能够真正遵守相关法规。本文详细说明了哪些机构需要遵守HIPAA规定、患者的健康信息如何在Amazon Quick系统中传输、该平台如何为受监管环境提供支持，以及如何在医疗环境中逐步部署符合规定的AI代理程序。
-
通过Amazon SageMaker AI上的Kokoro TTS功能，可以实时播放低延迟的语音内容，由AI代理进行播放。
语音代理通常在开始语音合成之前，会等待代理完成全部响应，这会增加用户的等待时间。这篇文章介绍了如何将每句话流式传输到 Amazon SageMaker AI 上的 Kokoro-82M 文本转语音模型中，然后由模型生成相应的音频内容；同时，也介绍了如何通过服务器发送事件或统一的二进制传输方式，将生成的音频回传至浏览器中。
-
不要再猜测Amazon SageMaker AI平台上TTS系统的自动扩展目标了。
在 Amazon SageMaker AI 上部署自定义文本转语音模型的团队通常会通过猜测来设定自动扩展的阈值。然而，如果猜测错误，就会导致资源浪费或延迟问题。本文通过将 Kokoro-82M 作为自定义容器来实施自动扩展策略，而不是依靠猜测来决定阈值。通过这种方式，我们可以根据两个实时测量指标：Q_max 和 T_total，来制定合理的自动扩展策略。
-
Rescale是如何使用Strands Agents和AI-DLC来构建人工智能分诊代理的
Rescale在AWS上使用AI驱动的开发流程框架，并结合了Strands Agents和Amazon Bedrock技术，在几周内就成功开发出了一种智能的测试与分诊代理程序。了解AI-DLC如何帮助实现人工智能辅助开发，以及Rescale是如何将其应用到整个工程团队中的。
-
Flint-interactive：一种用于创建交互式数据可视化的语言
Flint-interactive为AI代理提供了一种创建交互式可视化界面的工具。用户可以点击图表、筛选数据、突出显示相关内容，并探索超出作者最初选择的视图范围的信息。关于Flint-interactive的报道首次出现在微软研究院的网站上。