亚马逊AWS官方博客
基于 Amazon Bedrock 和 Llama2 构建智能导购解决方案
本文介绍了一种电商导购的实现方案,该方案考虑了电商这个垂直行业的行业属性,导购场景的特殊语料和商品属性,有针对性的预训练一个电商导购对话模型,同时结合电商既有的商品推荐 Agent,训练了模型的 function call 任务,在整个购物对话过程中,还通过 Bedrock Claude3 Haiku 模型完成了数据扩写、意图识别和商品推荐任务,经过客户真实数据和商品推荐 API 的验证,其对话理解能力、api 抽取能力、意图识别能力、推荐文案生成能力都能满足导购需求。
重构为无服务器架构:从应用程序到自动化
无服务器技术不仅能够最大限度地减少构建者用于管理基础设施的时间,还可以协助构建者减少他们需要编写的应用程序代码的数量。得益于业务逻辑和应用程序拓扑之间的更清晰的分离,将应用程序代码替换为完全托管式云服务可以提高应用程序的运营性和可维护性。本博客文章将向您介绍其中的工作原理。
游戏公司如何使用 Amazon Redshift Serverless 更快、更轻松地构建可扩展的分析应用程序
这篇博文旨在指导如何使用 Amazon Redshift Serverless 为游戏行业应用场景构建可扩展的分析解决方案。文中介绍了如何使用概念逻辑架构来应对一些十分常见的游戏行业应用场景,例如活动分析、游戏内购买推荐、衡量玩家满意度、遥测数据分析等。
使用多个 Amazon Redshift Serverless 工作组和网络负载均衡器实现卓越性能并提高可扩展性
本篇博文将讨论了一种可扩展的架构,该架构可以在低延迟、高并发场景中提高 Redshift Serverless 的吞吐量。通过在网络负载均衡器的后面部署多个 Redshift Serverless 工作组,可以提供水平扩缩解决方案并实现极为出色的性价比。
使用亚马逊云构建企业智能知识问答助手第二篇 之 提升问答准确率的优化实践
在上一篇文章《使用亚马逊云构建企业智能知识问答助手第一篇 之 架构演进》中我们通过一个真实客户案例介绍了Chatbot在企业内部。作为系列博客中的第二篇,我们会专注于介绍项目组在PoC中,针对Knowledge Base类型的数据提高整体问答准确率的优化思路和实践过程。
使用亚马逊云构建企业智能知识问答助手第一篇 之 架构演进
本文将通过一个在亚马逊云上构建企业智能知识问答助手的真实客户案例,来介绍它的技术架构是如何随着需求的变化和自然语言处理技术的进步而逐步演进的。本篇也是一个系列博客的开始,后续还将继续为您介绍诸如如何针对Knowledge Base类型文章提高问答准确率,如何针对长文档问答的需求提高准确率,以及源数据的权限管理和数据同步等内容。
AWS 一周综述:Amazon Bedrock 和 Amazon Q 中的高级功能等(2024 年 7 月 15 日)。
正如预期的那样,在纽约 AWS 峰会期间,宣布了许多激动人心的发布内容和更新。您可以快速浏览 2024 年 […]
Amazon Bedrock 防护机制现在可以检测幻觉并保护使用自定义或第三方 FM 构建的应用程序
Amazon Bedrock 防护机制使客户能够根据应用程序要求和贵公司负责任的人工智能(AI)政策实施防 […]
Amazon Bedrock 知识库现在支持其他数据连接器(预览版)
使用适用于 Amazon Bedrock 的知识库,基础模型(FM)和代理可以从贵公司的私有数据来源中检索 […]
Amazon Bedrock 代理现在支持记忆保留和代码解释(预览版)
借助 Amazon Bedrock 代理,生成式人工智能(AI)应用程序可以在不同的系统和数据来源上运行多 […]