Dieser Beitrag zeigt, wie Roboterrichtlinien für den Unitree H1 Humanoiden mit NVIDIA Isaac Lab auf Amazon SageMaker AI trainiert werden. Es werden zwei Rechenoptionen vorgestellt: Amazon SageMaker HyperPod und Amazon SageMaker Training Jobs.
Dieser Blogbeitrag beschreibt die End-to-End-verschlüsselte ML-Inferenz mit Amazon SageMaker AI und FHE. Er stellt einen flexibleren und höherwertigen Ansatz basierend auf concrete-ml vor, der mehrere gängige Modelle unterstützt und mit der scikit-learn API kompatibel ist.
Dieser Beitrag beschreibt, wie man mit dem großen Tabularmodell NEXUS auf Amazon SageMaker JumpStart beginnt. Er führt durch den Bereitstellungsprozess und zeigt, wie Vorhersagen auf Unternehmensdatensätzen ausgeführt werden können.
Amazon kündigt drei neue Funktionen im SageMaker Python SDK v3.8.0 an, um ML-Feature-Pipelines zu beschleunigen. Der Beitrag bietet Codebeispiele und Links zu Notebooks für umfassende Anleitungen, die die Lake Formation-Governance und Iceberg-Tabelleneigenschaften abdecken.
NVIDIA Nemotron 3 Ultra ist jetzt auf Amazon SageMaker JumpStart verfügbar. Diese Bereitstellung ermöglicht 5-mal schnellere Inferenzen und 30 % geringere Kosten für KI-Workloads.
Dieser Beitrag stellt eine umfassende Observabilitätslösung mit Amazon Managed Grafana-Dashboards vor. Er bietet eine ganzheitliche Sicht auf die Qualität und Quantität von LLMs, die auf Amazon SageMaker AI-Inferenz-Endpunkten bereitgestellt werden.
Azercell Telecom hat sich mit dem AWS Generative AI Innovation Center zusammengetan, um ein großes Sprachmodell (LLM) für Aserbaidschanisch auf Amazon SageMaker AI zu entwickeln. Diese sechswöchige Zusammenarbeit etablierte einen produktionsbereiten Rahmen für Telekommunikationsanwendungsfälle und einen kundenorientierten Chatbot, wobei Herausforderungen wie Datenknappheit und sprachliche Komplexität überwunden wurden.
Dieser Inhalt untersucht die Anpassung von agentischen KI-Modellen mit Amazon SageMaker. Er bietet wahrscheinlich technische Details und Best Practices für die Anpassung dieser fortschrittlichen KI-Systeme auf der AWS-Plattform.
Dieser Beitrag demonstriert, wie ein sicherer Flask-basierter MLflow-Proxy-Dienst erstellt wird, der HTTPS-Zugriff auf Amazon SageMaker MLflow ohne das SDK ermöglicht. Diese Lösung richtet sich an Organisationen, die eine Cloud-Transformation durchlaufen und ihre bestehenden ML-Workflows beibehalten möchten, während sie Cloud-native Dienste einführen.
Dieser Beitrag zeigt, wie ein sicherer und vollständiger LLM-Feinabstimmungs-Workflow erstellt wird, der Databricks Unity Catalog mit Amazon SageMaker AI und Amazon EMR Serverless integriert. Die Lösung ermöglicht sicheren Zugriff auf verwaltete Daten, Nachverfolgung der Herkunft und Registrierung trainierter Artefakte unter Wahrung der Governance und Compliance.
Echtzeit-Sprachanwendungen wie Sprachagenten und Live-Untertitelung erfordern eine simultane Sprache-zu-Text-Transkription. Herkömmliche Inferenzmethoden sind hier unzureichend, da sie Latenz hinzufügen, die die Echtzeitfunktionalität beeinträchtigt.
Amazon SageMaker AI MLflow Apps unterstützen jetzt MLflow Version 3.10, was erweiterte Funktionen für die Entwicklung generativer KI und eine optimierte Experimentverfolgung mit sich bringt. Dieses Update führt leistungsstarke neue Funktionen für Beobachtbarkeit und Evaluierung in generativen KI-Workflows ein.
O autor descreve sua primeira impressão do Amazon SageMaker, inicialmente confundindo-o com um serviço genérico de ML. Ele o compreende melhor como uma plataforma gerenciada da AWS que simplifica a construção, treinamento e implantação de sistemas de aprendizado de máquina para equipes.