Hugging Face smolagents를 활용해 몇 줄의 코드로 에이전트를 구축하는 방법을 소개하고, AWS 관리형 서비스와 통합하여 멀티 모델 전개 옵션, 벡터 강화 지식 검색, 임상 의사 결정 지원 능력을 보여주는 의료 AI 에이전트를 배포하는 방법을 설명한다.

이 글에서는 강의 개요 생성과 강의 콘텐츠 생성이라는 두 가지 핵심 모듈의 기술적 구현과 함께 각 구성 요소를 자세히 탐구합니다.

금융 기관이 의심스러운 금융 거래를 의심하는 합리적인 근거가 있는 경우 금융 감독기관에 제출해야 하는 의심스러운 거래 보고서(STR)에 대해 살펴봅니다. 이 글에서는 Amazon Bedrock의 FMs를 활용하여 초안 STR을 작성하는 솔루션에 대해 알아봅니다.

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.

도쿄 과학 연구소가 아마존 세이지메이커 하이퍼팟을 사용하여 70억 개의 파라미터를 가진 일본어 능력이 향상된 대형 언어 모델 Llama 3.3 Swallow을 성공적으로 훈련시켰다. 이 모델은 GPT-4o-mini 및 다른 선두 모델을 능가하는 일본어 작업에서 우수한 성능을 보여준다. 이 기술 보고서는 프로젝트 중 개발된 훈련 인프라, 최적화 및 모범 사례를 상세히 설명한다.

FDA와 같은 규제기관이 규정을 변경하면 조직은 내부 SOP를 검토해야 합니다. 이를 위해 Amazon Bedrock를 활용하여 규정 변경과 SOP 간의 관계를 파악하는 다양한 방법을 소개합니다.