Cet article montre comment entraîner des politiques de robot pour l'humanoïde Unitree H1 avec NVIDIA Isaac Lab sur Amazon SageMaker AI. Il aborde deux options de calcul : Amazon SageMaker HyperPod et Amazon SageMaker Training Jobs.
Ce blog détaille l'inférence ML chiffrée de bout en bout avec Amazon SageMaker AI et FHE. Il introduit une approche plus flexible et de haut niveau basée sur concrete-ml, supportant plusieurs modèles courants et étant compatible avec l'API scikit-learn.
Ce billet explique comment démarrer avec le grand modèle tabulaire NEXUS sur Amazon SageMaker JumpStart. Il décrit le processus de déploiement et montre comment exécuter des prédictions sur des ensembles de données d'entreprise.
Amazon annonce trois nouvelles fonctionnalités dans le SageMaker Python SDK v3.8.0 pour accélérer les pipelines de fonctionnalités ML. L'article fournit des exemples de code et des liens vers des notebooks pour des démonstrations complètes, couvrant la gouvernance de Lake Formation et les propriétés des tables Iceberg.
NVIDIA Nemotron 3 Ultra est désormais disponible sur Amazon SageMaker JumpStart. Ce déploiement offre une inférence 5 fois plus rapide et des coûts réduits de 30 % pour les charges de travail d'IA.
Ce billet présente une solution d'observabilité complète utilisant les tableaux de bord Amazon Managed Grafana. Il offre une vue holistique de la qualité et de la quantité des LLM servis sur les points de terminaison d'inférence Amazon SageMaker AI.
Azercell Telecom s'est associée à l'AWS Generative AI Innovation Center pour développer un grand modèle linguistique (LLM) azéri sur Amazon SageMaker AI. Cette collaboration de six semaines a permis d'établir un cadre prêt pour la production pour des cas d'utilisation en télécommunications et un chatbot, surmontant les défis de la rareté des données et de la complexité linguistique.
Ce contenu explore la personnalisation des modèles d'IA agentiques sur Amazon SageMaker. Il fournit probablement des détails techniques et les meilleures pratiques pour adapter ces systèmes d'IA avancés sur la plateforme AWS.
Ce billet démontre comment construire un service de proxy MLflow sécurisé basé sur Flask pour un accès HTTPS à Amazon SageMaker MLflow sans nécessiter le SDK. Cette solution est destinée aux organisations en transformation cloud souhaitant préserver leurs workflows ML existants tout en adoptant des services cloud-natifs.
Ce billet démontre comment construire un flux de travail sécurisé et complet pour l'affinement de LLM, intégrant Databricks Unity Catalog avec Amazon SageMaker AI et Amazon EMR Serverless. La solution permet d'accéder en toute sécurité aux données gouvernées, de maintenir la lignée et d'enregistrer les artefacts entraînés tout en respectant la gouvernance et la conformité.
Les applications vocales en temps réel, telles que les agents vocaux et le sous-titrage en direct, dépendent d'une transcription vocale simultanée. L'inférence traditionnelle est insuffisante, introduisant une latence qui entrave la fonctionnalité en temps réel.
Les applications MLflow d'Amazon SageMaker AI prennent désormais en charge MLflow version 3.10, offrant des capacités améliorées pour le développement de l'IA générative et un suivi simplifié des expériences. Cette mise à jour introduit de nouvelles fonctionnalités puissantes pour l'observabilité et l'évaluation dans les flux de travail d'IA générative.
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.