Esta publicação demonstra como treinar políticas de robô para o humanoide Unitree H1 utilizando NVIDIA Isaac Lab no Amazon SageMaker AI. Ele explora duas opções de computação: Amazon SageMaker HyperPod e Amazon SageMaker Training Jobs.
Este blog detalha a inferência de ML criptografada de ponta a ponta usando Amazon SageMaker AI e FHE. Ele apresenta uma abordagem flexível e de alto nível baseada em concrete-ml, que suporta vários modelos comuns e é compatível com a API scikit-learn.
Este post detalha como começar a usar o modelo tabular NEXUS no Amazon SageMaker JumpStart. Ele explica o processo de implantação e demonstra como executar previsões em conjuntos de dados empresariais.
A Amazon está anunciando três novas funcionalidades no SageMaker Python SDK v3.8.0 para acelerar pipelines de recursos de ML. A postagem oferece exemplos de código e links para notebooks para tutoriais completos, abordando governança do Lake Formation e propriedades de tabelas Iceberg.
O NVIDIA Nemotron 3 Ultra já está disponível no Amazon SageMaker JumpStart. Esta implantação oferece inferência 5x mais rápida e 30% menos custo para cargas de trabalho de IA.
Este post demonstra uma solução completa de observabilidade usando painéis do Amazon Managed Grafana. A solução oferece uma visão holística da qualidade e quantidade de LLMs em endpoints de inferência do Amazon SageMaker AI.
A Azercell Telecom colaborou com o AWS Generative AI Innovation Center para desenvolver um modelo de linguagem grande (LLM) em azeri no Amazon SageMaker AI. Esta parceria de seis semanas estabeleceu uma estrutura pronta para produção para casos de uso em telecomunicações e um chatbot, superando desafios linguísticos e de dados.
Este conteúdo explora como personalizar modelos de IA agentic usando o Amazon SageMaker. Ele provavelmente detalha métodos e melhores práticas para adaptar esses sistemas avançados de IA na plataforma AWS.
Esta postagem demonstra como construir um serviço de proxy MLflow seguro baseado em Flask para acesso HTTPS ao Amazon SageMaker MLflow sem o SDK. A solução é para organizações em transformação na nuvem que desejam preservar fluxos de trabalho ML existentes ao adotar serviços nativos da nuvem.
Este post demonstra como construir um fluxo de trabalho seguro e completo para ajuste fino de LLM, integrando o Unity Catalog da Databricks com o Amazon SageMaker AI e Amazon EMR Serverless. A solução permite acessar dados governados, manter a linhagem e registrar artefatos treinados com segurança, sem comprometer a conformidade.
Aplicativos de voz em tempo real, como agentes de voz e legendagem ao vivo, dependem da transcrição simultânea de fala para texto. A inferência tradicional é ineficaz, adicionando latência que impede a funcionalidade em tempo real.
Amazon SageMaker AI MLflow Apps agora suporta a versão 3.10 do MLflow, introduzindo recursos aprimorados para o desenvolvimento de IA generativa e rastreamento simplificado de experimentos. Esta atualização oferece novas capacidades para observabilidade e avaliação em fluxos de trabalho 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.