亚马逊AWS官方博客

Category: Artificial Intelligence

基于 Amazon Bedrock 和 Amazon Connect 打造智能客服自助服务 – 设计篇

本文探讨亚马逊云科技 Amazon Connect 与 Amazon Bedrock 构建智能呼叫中心方案，通过提示词工程和 RAG 知识库提升客户体验，利用 Connect 随路数据简化提示词缓存机制。方案从技术实现与成本效益双维度出发，结合模型选型分析及详细费用测算，为搭建兼顾性能与成本的智能化呼叫中心提供最佳实践参考，特别优化了系统架构的实用性和经济性。

Apache Seatunnel & Amazon Bedrock 助力生成式 AI 应用规模化生产实践

在本方案中，我们以 SeaTunnel 为数据处理主干，利用其 Source 模块从业务数据库/对象存储中实时提取原始数据，使用 Transform 模块调用Amazon Bedrock 接口完成文本向量化，最终通过 Sink 模块将结果写入 Amazon OpenSearch，构建支持语义检索的向量索引。

AWS 一周综述：Amazon S3 Express One Zone 存储类降价、Pixtral Large 在 Amazon Bedrock 中推出、Amazon Nova Sonic 发布等（2025 年 4 月 14 日）

2025 年 AWS Summit 本周正式开启，首站巴黎 Summit 率先拉开帷幕。这些免费活动汇聚全球云 […]

Amazon Inf2 上的 DeepSeek-R1 蒸馏模型：监控与评估实践

客户部署自己的大模型时，常常会遇到如何评估模型部署的性能和如何调优的问题， 本篇主要针对如何评估性能进行讨论。 基于 vllm 部署的模型， 通过 Prometheus 和 Grafana 如何取得模型推理的性能参数，以及如何解读这些参数进行讨论。 本文采用 inferentia2 作为测试环境， 因为本篇的目的主要是解读性能参数， 在这篇里不会讨论 inferentia2 的规格和运行配置进行优化。

使用 SageMaker InferenceComponent 和 LiteLLM 构建自己的 MaaS 平台

通过 liteLLM，Sagemaker Inference Component 推理端点，构建一个统一的 MaaS 中台，客户不仅能够集成多种模型，还能充分利用高性能硬件，实现资源的高效管理。这种灵活且高效的架构，将为客户在人工智能领域的应用打下坚实的基础，助力其在竞争中脱颖而出。

企业级 AI 平台建设思路

这篇文章探讨了构建企业级AI平台的重要性和方法。它提出了四步法：识别关键业务流程、评估所需 AI 能力、设计灵活可扩展的技术架构、培养人才并整合团队。文章详细介绍了一个七层架构框架，从基础设施到应用层。同时，提供了实施路线图，建议采用案例驱动、迭代式方法，逐步建立全面的 AI 生态系统，同时确保法律合规和风险管理。

← Older posts
Newer posts →