亚马逊AWS官方博客

本文介绍了如何利用 Amazon Personalize 机器学习服务快速构建高效的电商个性化推荐系统。重点阐述了数据 Schema 设计、算法配方选择、游客/匿名用户推荐、推荐策略优化等最佳实践，以及防止推荐重复商品、处理下架商品、利用 Context 信息等技巧，旨在帮助电商企业提升推荐系统的营销转化率。Amazon Personalize 作为完全托管的推荐服务，降低了算法工程门槛，是构建个性化推荐系统的优选方案。

为了提高数据库系统的安全性，满足国家网络安全等级保护制度（后文简称“等保”）的要求，本文章以亚马逊云科技北京区域的 Amazon RDS（MySQL 8.0.35 版本）为例，参考等保三级测评要求，探讨并为客户对 Amazon RDS for MySQL 在进行等保自查时提供整改和加固指南。

AI Character 角色扮演应用中的聊天对话管理是生成式 AI 在实际应用中的一个重要场景，需要借助数据库来有效管理大量的对话数据，以确保角色表现的连贯性和自然性，体现场景的快速响应和高频互动。

博客将详细介绍如何对 Amazon EC2 实例实现自动化弹性纵向扩缩容，让不便横向扩展的应用能根据实际需求动态调整单台 EC2 实例的计算资源，享受云端资源的灵活性和经济性，从而优化资源利用率和成本效益。

该方案旨在为客户构建一个基于 AWS Global Accelerator (AGA) 的加速链路，并使用 Network Load Balancer (NLB) 作为回源目标的场景下，通过 AWS IP Range 提取 AGA 用来回源 NLB 的 IP 列表，构建 NLB 安全组所需的 AGA IP Prefix，限制 NLB 流量只来自于 AGA，减小攻击面，增强面向公网 NLB 的安全性。

使用 Amazon SES 以及 Serverless 快速上线营销邮件方案

以客户的实际场景出发，介绍了全语音智能问答在 Amazon 云上，通过 SageMaker 和 Bedrock 服务提供的能力进行落地的实践，本文中的示例脚本和代码，可以供感兴趣的小伙伴在类似的业务场景中，方便快捷地进行语音问答对话助手的集成实施和优化。

客户目前在其架构中使用 Nginx 作为反向代理，但希望将其迁移至 AWS 托管服务。他们的主要目标是利用 AWS 的功能来实现更高效的资源管理和更可靠的服务。其中一项需求是确保可以使用自定义域名来访问存储在 AWS S3 中的资源，而不直接暴露 S3 桶的地址给终端用户。这样做可以提高安全性并使管理更加方便。此外，客户还希望在遇到 S3 资源不存在、无法访问或权限问题时，不直接返回标准的 4XX 错误代码，而是返回自定义的状态码，以便在用户界面上提供更加友好和可控的体验。

Amazon CodeGuru Security 是一种静态应用程序安全测试（SAST）工具，它结合了机器学习（ML）和自动推理，可以识别代码中的漏洞，提供有关如何修复已发现漏洞的建议。 Amazon CodeGuru Security的高精度漏洞检测。Amazon CodeGuru 检测器检测代码中的安全漏洞，如注入漏洞、数据泄漏、弱加密等。

在当今全球化的环境中，高质量的翻译服务变得越来越重要。大语言模型凭借其强大的语言理解和生成能力，在翻译任务中表现出色。通过精心设计的提示词（prompts），LLM 能够更好地理解翻译场景，产出符合特定业务需求的翻译结果。然而，在涉及大量专业术语的特定领域中，LLM 的原生翻译能力往往显得力不从心。本文将探讨如何结合多个AWS服务来增强 LLM 的翻译能力，特别是在处理专业术语时的表现。