Amazon SageMaker AI 相关 AI 资讯 · AI 热点

7月10日

23:55

23:55

官方一手AWS Machine Learning Blog@Troy Miller

精选

Henry Schein One基于Amazon SageMaker AI构建了Image Verify系统，实时评估牙科X光质量。系统在数月内从概念扩展到超过10,000个活跃地点。已处理超过1,100万张X光片，并以每周150万张的速度增长。目标是将规模扩展至全球四个区域的40,000个地点。

行业 Amazon SageMaker AI Henry Schein One Image Verify 牙科X光实时推理

推荐理由：Henry Schein One用SageMaker AI搞了个牙科X光实时质检系统，几个月铺到1万多个诊所，处理了1100万张片子，效率太猛了。

23:29

23:29

官方一手AWS Machine Learning Blog@Michael Battaglia

精选

Unsloth量化的模型可通过四种模式在AWS部署：直接使用Amazon EC2实例、托管SageMaker AI推理端点、以及集成Amazon EKS或Amazon ECS容器编排。文章详细介绍了每种模式的配置步骤和适用场景。还涵盖了生产环境中的运维最佳实践，如自动扩缩容和监控。

技巧 Unsloth Amazon SageMaker AI Amazon EC2 量化模型模型部署

推荐理由：想用Unsloth量化模型上AWS？这篇教你四种部署方式，从直接跑EC2到托管SageMaker，还能用K8s跑，生产技巧也全。

7月8日

01:07

01:07

官方一手AWS Machine Learning Blog@Sandeep Raveesh-Babu

精选

本文展示如何使用开源工具Evidently结合Amazon SageMaker AI生成监控报告。通过MLflow组织并比较不同时间点的监控结果，并可通过管道自动化触发漂移通知。该方法支持数据漂移和模型性能退化检测，帮助维持预测准确性。

技巧 Amazon SageMaker AI MLflow Evidently 模型监控数据漂移

推荐理由：AWS教你用Evidently+SageMaker+MLflow搭一套模型监控流水线，自动检测数据漂移并报警，实操性强。

7月7日

06:46

06:46

官方一手AWS Machine Learning Blog@Hazim Qudah

AWS 宣布 Hugging Face 与 Amazon SageMaker AI 深度链接集成，开发者可在 SageMaker Studio 中一键从模型发现跳转到实验环境。该集成支持通过 SageMaker Studio 界面直接访问 Hugging Face 开源模型库，无需手动复制模型链接或切换平台。用户点击 Hugging Face 模型页面的“在 SageMaker 中打开”按钮即可自动打开 Studio 并预配笔记本环境。集成消除了模型搬运的中间步骤，将模型探索到实验的时间从分钟级缩短至秒级。

AI产品 Hugging Face Amazon SageMaker AI SageMaker Studio 模型部署集成

推荐理由：现在在SageMaker里直接点一下就能把Hugging Face的模型拿过来跑实验，省了好多手动搬运的功夫。

01:23

01:23

官方一手AWS Machine Learning Blog@Caroline Des Rochers

精选

该方案利用 Amazon Nova 的视觉推理能力协调多个工具：Meta 的 SAM 3 进行像素级分割、Amazon Textract 进行 OCR。管道处理指纹、身份证、各种朝向的车牌等边缘案例。所有组件部署在 Amazon SageMaker AI 上。最终输出合规的 PII 编辑结果。

技巧 Amazon Nova SAM 3 Amazon Textract Amazon SageMaker AI PII编辑

推荐理由：AWS 教你用 Nova、SAM 3 和 Textract 搭一套能自动处理身份证和车牌的 PII 编辑管道，挺实用的。

00:54

00:54

官方一手AWS Machine Learning Blog@Mona Mona

Amazon SageMaker AI发布了与MLflow的新集成，支持将优化推理推荐任务和基准任务的指标、参数和图表实时流式传输到无服务器MLflow App。用户无需手动导出数据，即可在统一界面跟踪实验。此集成简化了模型评估和部署流程，提升了A/B测试和模型比较的效率。

技巧 MLflow Amazon SageMaker AI 基准测试推理推荐流式传输

推荐理由：用SageMaker跑基准和推荐任务，结果自动流到MLflow，省去手动导出的麻烦，做实验跟踪更省心了。

7月3日

01:57

01:57

官方一手AWS Machine Learning Blog@Sapana Chaudhary

精选

本教程介绍了在Amazon SageMaker AI上进行多轮强化学习（RL）训练的最佳实践。关键在于构建可信任的训练环境，并设置外部评估来验证模型表现。需要设计一个与最终任务对齐的奖励函数，同时管理好智能体在多轮运行中产生的变化。通过监控特定指标，可以判断何时需要迭代优化。

技巧 Amazon SageMaker AI 强化学习多轮RL 最佳实践 RL训练

推荐理由：AWS手把手教你用SageMaker做多轮RL，从环境搭建到奖励设计都讲透了，适合想落地RL项目的朋友。

7月2日

01:53

01:53

官方一手AWS Machine Learning Blog@Hasun Yu, Ph.D.

精选

本文展示如何将BoltzGen部署到Amazon SageMaker AI，并运行端到端蛋白质设计实验。该方案提供快速验证和生产批量处理两种执行模式，适用于不同研究阶段。通过步骤级缓存减少迭代工作流中的计算成本。用户可通过完整教程获得从设置到产出的工作配置。

技巧 BoltzGen Amazon SageMaker AI 蛋白质设计教程计算缓存

推荐理由：AWS教你用BoltzGen做蛋白质设计，有缓存省算力，步骤清晰直接上手。

7月1日

00:50

00:50

官方一手AWS Machine Learning Blog@Le Vy

AWS 博客介绍如何通过 Amazon SageMaker AI 微调 Amazon Nova 模型，以提升电子邮件数据提取的准确性。微调使模型识别特定数据模式并区分相似字段，提取准确率可达 94.77%。该方案同时将成本降低 50%，适用于需要高精度提取的业务场景。文章提供了详细步骤和示例代码。

技巧 Amazon Nova Amazon SageMaker AI 微调提示词工程

推荐理由：想用 Amazon Nova 搞邮件数据提取？这篇教程手把手教微调，准确率飙到 94.77%，成本还省一半。

6月26日

00:56

00:56

官方一手AWS Machine Learning Blog@Nick Biso

精选

本文演示了如何在Amazon SageMaker AI上部署SeedVR2进行视频超分辨率。介绍了解决方案架构和具体部署步骤。通过性能对比展示了SeedVR2在视频放大质量和处理效率上的提升。

技巧 SeedVR2 Amazon SageMaker AI 超分辨率视频增强模型部署

推荐理由：AWS教你用SeedVR2在SageMaker上给视频做超分辨率，有步骤有对比，想试试高清视频放大可以看看。

00:55

00:55

官方一手AWS Machine Learning Blog@Andrea Gallo

精选

本文介绍如何在Amazon SageMaker AI上利用NVIDIA Blackwell架构优化训练配置。包括根据模型大小（1B到64B参数）选择合适精度格式，调整batch size和序列长度以利用Blackwell扩展内存，以及策略性应用激活检查点。通过P6-B200实例启动分布式训练，提供一套实用的训练调优框架。

技巧 Amazon SageMaker AI NVIDIA Blackwell P6-B200实例训练优化编程助手

推荐理由：AWS发了篇实战教程，教你用NVIDIA Blackwell在SageMaker上调优训练，从选精度到调batch size都讲清了，搞大模型训练的人别错过。

6月23日

00:50

00:50

官方一手AWS Machine Learning Blog@Nick Biso

精选

本文介绍了如何通过Amazon SageMaker AI处理作业部署ComfyUI工作流，实现单次批量生成数百张高质量图像。使用AWS CDK配置基础设施，利用GPU加速处理自动执行图像生成。该方案可适配自定义ComfyUI工作流，适用于规模化创意流水线。

技巧 ComfyUI Amazon SageMaker AI 图像生成工作流 AWS CDK

推荐理由：AWS官方教你用ComfyUI和SageMaker AI批量跑图，省时省GPU钱，适合需要自动生成大量图像的团队。

6月17日

01:55

01:55

官方一手AWS Machine Learning Blog@Andy Peng

精选

本文介绍如何利用Amazon SageMaker AI中的P-EAGLE方法并行化推测解码，加速生成式AI推理。用户可从SageMaker JumpStart目录中选择兼容模型，并配置并行草稿生成参数。通过部署优化的实时SageMaker AI端点，可显著降低推理延迟。P-EAGLE基于EAGLE框架，支持多头并行推测，适用于Llama等主流模型。

技巧 P-EAGLE Amazon SageMaker AI SageMaker JumpStart 推测解码推理加速

推荐理由：AWS教你用P-EAGLE在SageMaker上把推理加速好几倍，选模型调参数就能部署，简单实用。