亚马逊AWS官方博客

参考 OWASP 10 大 LLM 安全风险，针对生成式 AI 应用程序构建深度防御安全架构

在开发生成式 AI 应用程序时，大量客户纷纷寻求有关如何管理安全、隐私和合规性的指导。如果能在设计和架构阶段便发现并解决 LLM 漏洞、威胁和风险，团队就能专注于尽可能地实现生成式人工智能所带来的经济价值和生产力效益。清楚地认识风险可以提高生成式人工智能应用程序的透明度和可信度，推动实现更好的可观测性，能够更好地满足合规要求，并促使领导者做出明智的决策。

双壁合一 采用 Amazon DocumentDB 向量和文本搜索构建 RAG 双路召回 集成 Amazon Bedrock Claude 3 实现游戏产品推荐

本博客将展示如何采用 Amazon DocumentDB 和 Amazon Bedrock 构建游戏行业产品推荐，博客中的 Demo 已经接入了目前最新的 Bedrock Claude 3 Sonnet 模型。Anthropic 目前的评估表明，Claude 3 模型系列在数学应用题解决（MATH）和多语言数学（MGSM）基准（目前用于大语言模型的关键基准）方面优于同类模型。另外我们使用了 Amazon Bedrock Titan 模型来生成向量，并使用 DocumentDB 将 Titan 生成的向量存储在 Amazon DocumentDB 数据库中，利用 DocumentDB Vector Search 的相似性向量搜索和 DocumentDB Text Search 全文检索功能实现 RAG 双路召回，并将 RAG 双路召回合并结果，返回给 Amazon Bedrock Claude 3 Sonnet，进行内容总结归并。

基于 Amazon MWAA 和 Amazon Batch，实现载荷仿真任务弹性调度和计算

本文将介绍如何利用 Amazon Managed Workflows for Apache Airflow（MWAA）和 Amazon Batch，构建一个弹性、高效的系统，用于管理和执行 Bladed 载荷仿真任务。Bladed 是一种用于风能和风力涡轮机的仿真软件，对于模拟风力涡轮机在不同工况下的性能至关重要。通过结合 MWAA 和 Batch，我们可以实现任务的灵活调度和计算资源的高效利用，从而提高 Bladed 仿真的整体效率。

← Older posts
Newer posts →