이 글에서는 Amazon SageMaker AI를 활용하여 Supervised Fine-Tuning(SFT)과 Direct Preference Optimization(DPO)를 결합해 소형 언어 모델의 도구 호출 정확도를 향상시키는 방법을 소개합니다.

이 글에서는 SageMaker AI MLflow 앱 UI를 포함한 맞춤형 포털을 구축하는 방법을 배웁니다. React 프론트엔드와 Flask 리버스 프록시를 활용한 아키텍처 패턴을 살펴봅니다.

Amazon Bedrock AgentCore를 활용하여 에이전트 평가를 위한 테스트 케이스를 관리하는 방법을 소개합니다. 온라인 신호와 오프라인 기준을 결합하여 에이전트의 성능 향상을 측정할 수 있습니다.

아마존 베드록 데이터 자동화가 은행 명세서, W-2 양식, 1099-B 세금 양식, 공급업체 계약서 등 네 가지 금융 문서에서 정보를 정확하게 추출하는 방법을 살펴봅니다.

AI 앱을 만드는 과정은 복잡할 수 있지만, Strands를 활용하면 기계 학습에 대한 전문 지식 없이도 지능형 연구 보조 도구를 개발할 수 있습니다. 여러 API 호출과 대화 상태 관리가 필요하지만, 이를 간소화하는 방법을 제시합니다.

이 글에서는 아마존 베드록에서 프로그래매틱 도구 호출(PTC)을 구현하는 세 가지 방법을 소개합니다. 자가 호스팅된 Docker 샌드박스, 관리형 솔루션, Anthropic SDK 호환 경로를 다룹니다.

이 글에서는 Chrome 기업 정책을 설정하여 브라우저 에이전트를 특정 웹사이트로 제한하는 방법을 다룹니다. 세션 기록을 통해 정책 시행을 관찰하고, 공개 테스트 사이트를 사용하여 사용자 정의 루트 CA 인증서를 시연합니다.

이 글에서는 복잡한 금융 문서를 처리하는 데 필요한 문서 추출 및 모델 미세 조정 파이프라인 구축 방법을 소개합니다. Pulse AI와 아마존 베드록의 결합으로 기업 수준의 정확성을 달성할 수 있습니다.

이 글에서는 Databricks 유니티 카탈로그와 아마존 세이지메이커 AI를 통합하여 안전하고 완전한 LLM 미세 조정 워크플로우를 구축하는 방법을 설명합니다.

이 글에서는 아마존 베드록에서 아마존 노바 기초 모델을 사용하여 비즈니스 보호 및 향상을 위한 생성적 AI 기법을 적용하는 방법을 소개합니다.

이 글에서는 아마존 퀵을 활용하여 AI 기반의 첫 번째 워크플로우를 구축하는 방법을 소개합니다. 재무 분석 도구에서 시작해 고급 직원 온보딩 자동화로 발전하는 과정을 다룹니다.

이 글에서는 DVC, 아마존 세이지메이커 AI, MLflow 앱을 결합하여 ML 모델의 완전한 계보를 구축하는 방법을 소개합니다. 데이터셋 수준과 레코드 수준의 두 가지 배포 가능한 패턴을 설명합니다.

이번 포스트에서는 Amazon Nova Micro를 활용해 맞춤형 SQL 방언 생성을 위한 두 가지 접근 방식을 소개합니다. 비용 효율성과 생산 준비 성능을 동시에 달성하는 방법을 설명합니다.

이 글에서는 Amazon Bedrock AgentCore를 사용하여 React 애플리케이션에 실시간 AI 브라우저 에이전트를 임베드하는 방법을 소개합니다. 세 가지 단계로 구성된 이 과정은 샘플 애플리케이션을 생성하는 데 도움을 줍니다.

의료 및 생명과학 분야에서 AI 에이전트는 임상 데이터를 처리하고 규제 서류를 제출하는 데 도움을 줍니다. 그러나 민감한 데이터와 규제 요건으로 인해 인간의 감독이 필요합니다. 이 글에서는 AWS 서비스를 활용한 HITL 구조 구현 방법을 소개합니다.

이 글에서는 아마존 퀵을 활용해 맞춤형 HR 온보딩 에이전트를 만드는 방법을 소개합니다. 조직의 프로세스를 이해하고 HR 시스템과 연결하여 신규 직원 질문에 답변하고 문서 완료를 추적하는 등의 작업을 자동화하는 방법을 설명합니다.

이 글에서는 Amazon Nova Act를 활용한 QA 자동화 구현 방법을 소개합니다. 자연어로 테스트를 정의하고 UI 변화에 자동으로 적응하는 방법을 알아보세요.

아마존 세이지메이커 AI를 활용해 유럽우주국의 STIX 데이터를 기반으로 태양 플레어를 탐지하는 딥러닝 모델을 구축하고 배포하는 방법을 소개합니다.

아마존의 새로운 AI 도구를 활용해 사용자 맞춤형 영화 관람 경험을 제공하는 방법을 소개합니다. 이 시스템은 자연어 대화를 통해 사용자의 선호도를 이해합니다.

이 글에서는 아마존 베드록에서 클로드 도구를 사용하여 대규모 언어 모델의 힘을 활용한 동적이고 적응 가능한 엔티티 인식 방법을 소개합니다.

이 글에서는 VRAG를 통해 자연어 텍스트와 이미지를 고품질 비디오로 변환하는 비디오 생성 접근 방식을 소개합니다. 이 자동화된 솔루션을 통해 구조화된 입력으로부터 현실감 있는 AI 기반 비디오 시퀀스를 생성할 수 있습니다.

이 글에서는 Amazon Quick Microsoft Teams 확장을 여러 AWS 리전에서 배포할 때 데이터 거주지를 준수하는 방법을 소개합니다. GDPR 및 데이터 주권 요구 사항을 준수하는 데 도움이 되는 설정 방법을 배울 수 있습니다.

이 글에서는 Amazon Bedrock, Amazon Elastic Container Service, Amazon DynamoDB, 모델 컨텍스트 프로토콜(MCP)을 사용하여 AI 기반 A/B 테스트 엔진을 구축하는 방법을 소개합니다.