Esta publicación demuestra cómo entrenar políticas de robots para el humanoide Unitree H1 utilizando NVIDIA Isaac Lab en Amazon SageMaker AI. Explora dos opciones de cómputo: Amazon SageMaker HyperPod y Amazon SageMaker Training Jobs.
Este blog detalla la inferencia ML cifrada de extremo a extremo con Amazon SageMaker AI y FHE. Presenta un enfoque más flexible y de alto nivel basado en concrete-ml, que admite varios modelos comunes y es compatible con la API de scikit-learn.
Esta publicación detalla cómo empezar a usar el modelo tabular grande NEXUS en Amazon SageMaker JumpStart. Explica el proceso de despliegue y demuestra cómo ejecutar predicciones contra conjuntos de datos empresariales.
Amazon anuncia tres nuevas capacidades en SageMaker Python SDK v3.8.0 para acelerar los pipelines de características de ML. La publicación proporciona ejemplos de código y enlaces a cuadernos para tutoriales completos, que cubren la gobernanza de Lake Formation y las propiedades de las tablas de Iceberg.
NVIDIA Nemotron 3 Ultra ya está disponible en Amazon SageMaker JumpStart. Esta implementación proporciona una inferencia 5 veces más rápida y un 30% menos de coste para cargas de trabajo de IA.
Esta publicación presenta una solución de observabilidad integral que utiliza paneles de Amazon Managed Grafana. Ofrece una vista holística tanto de la calidad como de la cantidad de LLMs servidos en los endpoints de inferencia de Amazon SageMaker AI.
Azercell Telecom se asoció con el AWS Generative AI Innovation Center para desarrollar un modelo de lenguaje grande (LLM) en azerí en Amazon SageMaker AI. Esta colaboración de seis semanas estableció un marco listo para producción para casos de uso de telecomunicaciones y un chatbot, superando los desafíos de escasez de datos y complejidad lingüística.
Este contenido explora cómo personalizar modelos de IA agentic utilizando Amazon SageMaker. Probablemente proporciona detalles técnicos y mejores prácticas para adaptar estos sistemas avanzados de IA en la plataforma AWS.
Esta publicación demuestra cómo construir un servicio de proxy MLflow seguro basado en Flask que proporciona acceso HTTPS a Amazon SageMaker MLflow sin el SDK. Esta solución es para organizaciones en transformación a la nube que desean preservar sus flujos de trabajo de ML existentes al adoptar servicios nativos de la nube.
Esta publicación demuestra cómo construir un flujo de trabajo seguro y completo para el ajuste fino de LLM, integrando Databricks Unity Catalog con Amazon SageMaker AI y Amazon EMR Serverless. La solución accede de forma segura a datos gobernados, mantiene la procedencia y registra artefactos entrenados, garantizando la gobernanza y el cumplimiento.
Las aplicaciones de voz en tiempo real, como los agentes de voz y los subtítulos en vivo, dependen de la transcripción simultánea de voz a texto. La inferencia tradicional es insuficiente, introduciendo latencia que impide la funcionalidad en tiempo real.
Amazon SageMaker AI MLflow Apps ahora es compatible con MLflow versión 3.10, lo que aporta capacidades mejoradas para el desarrollo de IA generativa y un seguimiento simplificado de experimentos. Esta actualización introduce nuevas funciones potentes para la observabilidad y la evaluación en los flujos de trabajo de IA generativa.
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.