- Центр архитектуры›
- Рекомендации по архитектуре машинного обучения
Рекомендации по архитектуре машинного обучения
Реинвент AWS 2025
Генеральный директор Мэтт Гарман рассказывает о том, как AWS формирует будущее облачных технологий
Присоединяйтесь к генеральному директору AWS Мэтту Гарману и узнайте, как AWS внедряет инновации во всех аспектах ведущего мирового облака. Он рассказывает о том, как мы заново изобретаем базовые элементы, а также разрабатываем совершенно новый опыт, чтобы предоставить клиентам и партнерам все необходимое для построения лучшего будущего.
Агенты искусственного интеллекта в действии: проектирование приложений будущего
Узнайте, как агентский искусственный интеллект трансформирует архитектуру облачных приложений, ускоряет циклы инноваций и открывает совершенно новые шаблоны приложений. Узнайте, как новые возможности AWS позволяют разработчикам создавать безопасные агенты, основанные на аргументах, которые управляют данными, кодом и инструментами в любом масштабе, уделяя особое внимание управлению, надежности и экономической эффективности. Узнайте, как клиенты AWS сегодня развертывают готовые к работе агенты, и ознакомьтесь с передовыми практиками, которые помогут вам создавать агентские приложения, которые автономно адаптируются, оптимизируются и действуют в режиме реального времени.
Сравнительный анализ моделей искусственного интеллекта с Amazon SageMaker, Amazon Bedrock и AWS IoT Greengrass
Развертывание моделей искусственного интеллекта на периферийных устройствах создает уникальные проблемы при балансировании требований к оборудованию, энергопотреблению и производительности модели. На практических примерах использования распределенного обучения Amazon SageMaker и AWS IoT Greengrass вы узнаете о подходах к автоматическому развертыванию, проверке и мониторингу производительности моделей на периферийных устройствах. Узнайте, как Strands Agents и Amazon Bedrock могут дополнить легкие модели на устройствах большими базовыми моделями. Изучите методы агрегирования результатов на панели управления на базе Jupyter для быстрого прототипирования и оптимизации и согласования моделей периферийных устройств с базовыми моделями Amazon Bedrock для агрегирования данных и углубленного анализа. В этом сеансе представлены стратегии создания масштабируемых конвейеров искусственного интеллекта, оптимизированных для периферийных развертываний.
Создание конвейеров для аналитики, машинного обучения и искусственного интеллекта в Amazon Sagemaker Unified Studio
Узнайте, как создавать комплексные конвейеры для управления данными и приложениями искусственного интеллекта в Amazon SageMaker Unified Studio. Мы расскажем, как внедрить пакетные и потоковые конвейеры для интеграции различных источников данных и оптимизации перемещения данных с помощью современных методов ETL. На этом занятии вы получите знания по разработке комплексных решений по обработке данных и искусственному интеллекту с использованием Amazon SageMaker нового поколения, начиная с первоначальной обработки данных и заканчивая развертыванием моделей.