亚马逊AWS官方博客

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。

今天，我们宣布 Amazon EC2 M2 Pro Mac 实例正式发布。在为 Apple 平台构建和测试应用 […]

Amazon Elastic Block Store（Amazon EBS）io2 和 io2 Block E […]

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。

尽管生成式 AI 是一项十分让人兴奋的新技术，最重要还是看你如何将这项技术和你现有的技术、员工技能、价值观、竞争力、愿景相结合。

“性能工程” （Performance engineering）是个日渐流行的概念。顾名思义“性能工程”是包含 […]

在这篇文章中，我们将展示如何使用 DJL Serving 以及 DeepSpeed 和 Hugging Face Accelerate 等开源模型并行库，在 Amazon SageMaker 上部署 OpenChatKit 模型（GPT-NeXT-Chat-Base-20B 和 GPT-JT-Moderation-6B 模型）。

在这篇文章中，我们将说明 RAG 及其优势，并演示如何快速使用示例 notebook，通过 Jumpstart 在 LLM 中使用 RAG 实现来解决问答任务。