Category: Artificial Intelligence

在这篇文章中，我们介绍了一种训练、优化和部署自定义集成的方法。我们详细介绍了使用单个训练作业训练多个模型的过程、如何使用自动模型调整来优化集成超参数，以及如何部署一个融合多个模型推理的无服务器端点。

我们展示了使用由 Streamlit、Lambda 和 API Gateway 提供支持的用户界面的图像生成示例和文本生成示例。现在，您可以在 JumpStart 中使用预训练的人工智能模型来构建生成式人工智能项目。您还可以扩展此项目，针对自己的使用案例对根基模型进行微调，并控制对 API Gateway 端点的访问。

许多公司知道他们需要人工智能，但却不知道从何入手。在这篇博文中，我将分享五项行动，帮助您超越行业术语的空谈，真正落实人工智能驱动的数字转型，重塑企业的未来。

Hugging Face 生态体系中的 Transformers 库为 state-of-the-art 预训练模型提供了非常方便的 API 和工具集，帮助用户轻松下载模型并完成训练，是工程师手边的必备神器。为了在更多加速硬件上（如亚马逊云科技的 Trainium 和 Inferentia）训练和运行 Transformers 模型，提升整体的效率，Hugging Face 推出了开源项目 Optimum 对其进行扩展，它提供了一套性能优化工具，可以最大效率地在目标硬件上训练和运行模型。

在这篇文章中，我们将演示如何通过将 Amazon Kendra 的功能与 LLM 相结合来实现 RAG 工作流，从而创建最先进的 GenAI 应用程序来提供有关企业内容的对话体验。

在这篇博文中，我们将展示如何在 Studio 和 SageMaker notebook 实例中开始使用 Amazon CodeGuru 安全防御工具和 CodeWhisperer。

本文是本系列的第三篇，对 RAG 场景中的知识召回展开介绍，对比和分析了向量召回和倒排召回的优劣势，并基于一些实践总结了倒排召回问题分析和优化的经验。

作为企业信息部门、技术部门、以及数据部门的领导者，面对生成式 AI，你应该思考些什么？你能做些什么准备？本文说明了几个比较主要的方向。

在这篇文章中，我们展示了如何使用 Hugging Face PEFT 和 bitsandbtyes 在 SageMaker Studio notebook 上通过 QLoRA 微调 Falcon-40B 模型。

在这篇博文中，我们展示了如何结合使用 AWS 服务、开源 LLM 和开源 Python 软件包，来创建企业级 RAG 解决方案。