AWS CDK를 사용하여 Amazon Rekognition을 통한 얼굴 및 물체 감지, Amazon Neptune을 통한 관계 매핑, 그리고 AI 기반 캡션 기능을 통합한 포괄적인 사진 검색 시스템을 구축하는 방법을 소개합니다.

본문은 GitHub Actions 워크플로우를 사용하여 AI 에이전트를 AgentCore Runtime에 자동으로 배포하는 방법을 보여준다. 이 접근법은 기업급 보안 제어와 함께 확장 가능한 솔루션을 제공하며 완전한 CI/CD 자동화를 제공한다.

이 게시물은 세금 양식 데이터 추출을 중점으로 한 문서 처리 작업을 위해 Amazon Nova Lite를 세밀하게 조정하는 포괄적인 실무 안내서를 제공합니다. 오픈소스 GitHub 저장소의 코드 샘플을 사용하여 데이터 준비부터 모델 배포까지의 전체 워크플로우를 시연합니다.

기업은 MLOps 플랫폼을 개발하여 ML use case의 라이프사이클을 지원하고, 보안 제약 조건을 채택한 멀티 계정 설정에 기반한 플랫폼을 구축해야 한다.

이 솔루션에서 사용자(부모)가 Strands 또는 LangGraph 에이전트와 대화 형식으로 상호 작용하여 자녀의 예방 접종 이력 및 일정에 대한 정보를 얻고, 가능한 슬롯을 문의하고, 예약을 할 수 있는 방법을 보여줍니다. 일부 변경을 통해 AI 에이전트를 이벤트 기반으로 만들어서 자동으로 알림을 보내거나 예약을 할 수 있습니다.

기술 혁신 연구소(TII)의 Falcon-H1 모델이 Amazon Bedrock Marketplace 및 Amazon SageMaker JumpStart에 출시되었습니다. 이를 통해 개발자와 데이터 과학자들은 AWS에서 여섯 가지 Falcon-H1 모델(0.5B, 1.5B, 1.5B-Deep, 3B, 7B, 34B)을 사용할 수 있게 되었으며 전통적인 어텐션 메커니즘과 State Space Models(SSMs)를 결합한 하이브리드 아키텍처 모델을 통해 탁월한 성능과 획기적인 효율성을 제공받을 수 있습니다.

새로운 코드 편집기와 다중 공간 지원을 활용하여 SageMaker 통합 스튜디오에서 ML 파이프라인을 개발하는 방법을 안내합니다. 이 샘플 솔루션은 전형적인 ML 활동을 자동화하여 ML 모델을 구축, 훈련, 평가 및 (선택적으로) 배포하는 방법을 보여줍니다.

MT-Bench와 Arena-Hard의 저장소는 OpenAI의 GPT API를 사용하여 개발되었으며, 주로 GPT-4를 심사관으로 활용했습니다. 우리 팀은 Amazon Bedrock API와 통합하여 Amazon의 심사관으로 Anthropic의 Claude Sonnet을 사용할 수 있도록 기능을 확장했습니다. 이 게시물에서는 MT-Bench와 Arena-Hard를 사용하여 Amazon Nova 모델을 벤치마킹하고, Amazon Bedrock를 통해 사용 가능한 다른 주요 LLM과 비교합니다.

이 솔루션은 OpenSearch Service를 사용하여 Multi-tenant RAG에서 벡터 데이터 저장소로 사용하며 JWT 및 FGAC를 사용하여 데이터 격리 및 라우팅을 달성합니다.

NVIDIA와 함께 작성된 이 글은 AWS의 DGX 클라우드가 고성능 AI 인프라에 대한 접근을 민주화하는 데 어떻게 도움이 되는지 소개합니다. NVIDIA GPU 전문 지식과 AWS 확장 가능한 클라우드 서비스를 결합하여 조직은 학습 시간을 가속화하고 운영 복잡성을 줄이며 Amazon Bedrock를 활용할 수 있습니다.

아마존 베드록을 사용하여 구조화된 응답을 생성하는 두 가지 방법을 소개합니다. 프롬프트 엔지니어링은 유연하며 Bedrock 모델과 함께 작동하며 다양한 스키마 유형을 처리하여 탁월한 시작점이 됩니다. 도구 사용은 더 큰 신뢰성, 일관된 결과, 매끄러운 API 통합 및 JSON 스키마의 런타임 유효성 검사를 제공하여 향상된 제어를 제공합니다.

이 블로그에서는 NASA와 Blue Origin의 달 강하 근접, 하강 및 착륙 센서 (BODDL-TP) 데모에서 우주선 위치, 속도 및 쿼터니언 방향 데이터에서 이상을 감지하는 데 SageMaker AI를 사용하는 방법을 보여줍니다.

이 블로그는 생성 모델 AI 및 아마존 베드락을 사용하여 유전체 데이터베이스에 자연어 질문을 하는 텍스트-SQL 파이프라인을 배포하는 것을 탐구합니다. AWS Amplify를 사용하여 AI 어시스턴트 웹 인터페이스를 구현하는 방법과 SQL 쿼리를 생성하는 데 채택된 프롬프트 엔지니어링 전략을 설명합니다. 마지막으로, 서비스를 자체 AWS 계정에 배포하는 방법을 안내합니다.

IT 지원팀이 겪는 문제를 해결하는 데 도움을 주는 지능형 커뮤니티 에이전트를 구축하는 방법을 소개합니다. 이를 통해 오류 이해, 진단 검토, 조치 및 관련 문서 검토, Jira와 같은 외부 지원 티켓 개설까지의 엔드 투 엔드 부담을 줄일 수 있습니다.