In diesem Beitrag untersuchen wir, wie man mit Amazon Bedrock AgentCore ein Konversations-Geräteverwaltungssystem aufbaut. Mit dieser Lösung können Benutzer ihre IoT-Geräte über natürliche Sprache verwalten und eine Benutzeroberfläche für Aufgaben wie das Überprüfen des Gerätestatus, das Konfigurieren von WLAN-Netzwerken und die Überwachung der Benutzeraktivität verwenden.

Dieser Beitrag zeigt, wie Salesforce Amazon Bedrock Custom Model Import in ihren Machine-Learning-Operations (MLOps)-Workflow integriert, bestehende Endpunkte ohne Anwendungsänderungen wiederverwendet und die Skalierbarkeit bewertet hat. Wir teilen wichtige Kennzahlen zu betrieblicher Effizienz und Kosteneinsparungen und bieten praktische Einblicke zur Vereinfachung Ihrer Bereitstellungsstrategie.

In diesem Beitrag erkunden wir, wie Physical AI die nächste Grenze in der intelligenten Automatisierung darstellt, in der künstliche Intelligenz digitale Grenzen überschreitet, um die greifbare Welt um uns herum wahrzunehmen, zu verstehen und zu manipulieren.

In diesem Beitrag demonstrieren wir die Entwicklung eines konzeptionellen Dashboards zur Analyse von medizinischen Berichten, das die KI-Fähigkeiten von Amazon Bedrock, die Dokumentenverarbeitung von LangChain und die interaktiven Visualisierungsfunktionen von Streamlit kombiniert. Die Lösung wandelt komplexe medizinische Daten in zugängliche Erkenntnisse um, indem sie ein kontextbewusstes Chatsystem nutzt, das von großen Sprachmodellen von Amazon Bedrock angetrieben wird, und dynamische Visualisierungen von Gesundheitsparametern.

In diesem Beitrag zeigen wir, wie Kitsa, ein Health-Tech-Unternehmen, das sich auf KI-gestützte Rekrutierung für klinische Studien und Standortauswahl spezialisiert hat, Amazon Quick Automate zur Transformation seiner Lösung zur Standortauswahl für klinische Studien einsetzte. Amazon Quick Automate, eine Funktion der Amazon Quick Suite, ermöglicht es Unternehmen, robuste Workflow-Automatisierungen in großem Umfang zu erstellen, bereitzustellen und zu verwalten.

In diesem Beitrag untersuchen wir, wie der Model Context Protocol (MCP) Client von Amazon Quick Suite sichere, standardisierte Verbindungen zu Unternehmensanwendungen und KI-Agenten ermöglicht und so komplexe, kundenspezifische Integrationen überflüssig macht. Sie erfahren, wie Sie MCP Actions-Integrationen mit beliebten Unternehmenswerkzeugen wie Atlassian Jira und Confluence, AWS Knowledge MCP Server und Amazon Bedrock AgentCore Gateway einrichten, um eine kollaborative Umgebung zu schaffen, in der Menschen und KI-Agenten nahtlos über die Daten und Anwendungen Ihres Unternehmens zusammenarbeiten können.

Erfahren Sie, warum Kunden sich für AgentCore entscheiden, um sichere, zuverlässige KI-Lösungen zu erstellen, indem sie ihre bevorzugten Frameworks und Modelle für Produktions-Workloads verwenden.

In diesem Beitrag zeigen wir, wie Sie Amazon SageMaker HyperPod mit der Anyscale-Plattform integrieren, um kritische Infrastrukturherausforderungen beim Erstellen und Bereitstellen von KI-Modellen im großen Maßstab zu bewältigen. Die kombinierte Lösung bietet eine robuste Infrastruktur für verteilte KI-Workloads mit Hochleistungs-Hardware, kontinuierlicher Überwachung und nahtloser Integration mit Ray, der führenden KI-Compute-Engine, wodurch Unternehmen die Markteinführungszeit verkürzen und die Gesamtbetriebskosten senken können.

In diesem Beitrag stellen wir die Amazon Nova-Anpassung für die Moderation von Textinhalten mithilfe von Amazon SageMaker AI vor, die es Unternehmen ermöglicht, Modelle für ihre spezifischen Moderationsanforderungen feinabzustimmen. Die Auswertung anhand von drei Benchmarks zeigt, dass angepasste Nova-Modelle eine durchschnittliche Verbesserung der F1-Scores um 7,3 % im Vergleich zum Basismodell Nova Lite erzielen, wobei die individuellen Verbesserungen je nach Aufgabe der Inhaltsmoderation zwischen 4,2 % und 9,2 % liegen.

In diesem Beitrag zeigen wir, wie Vxceed Amazon Bedrock verwendet hat, um diese KI-gestützte Multi-Agenten-Lösung zu entwickeln, die personalisierte Verkaufsgespräche für Außendienstteams in großem Umfang generiert.

Machine Learning Operations (MLOps) ist die Kombination aus Menschen, Prozessen und Technologie, um ML-Anwendungsfälle effizient in Produktion zu bringen. Um dies zu erreichen, müssen Unternehmenskunden MLOps-Plattformen entwickeln, die die Reproduzierbarkeit, Robustheit und End-to-End-Beobachtbarkeit des Lebenszyklus des ML-Anwendungsfalls unterstützen. Diese Plattformen basieren auf einem Multi-Account-Setup unter Einhaltung strenger Sicherheitsvorgaben, Entwicklung Best […]

In diesem Beitrag zeigen wir, wie Amazon Nova Act die Erstellung von QuickSight-Datenstorys automatisiert und so Zeit spart, damit Sie sich auf wichtige, datengesteuerte Geschäftsentscheidungen konzentrieren können.

In diesem Beitrag haben wir gezeigt, wie ein Finanzdienstleistungsunternehmen eine FM nutzen kann, um große Mengen an Kundendaten zu verarbeiten und spezifische datengesteuerte Produktempfehlungen zu erhalten. Wir haben auch gezeigt, wie eine automatisierte Überwachungslösung für Amazon Bedrock Batch-Inferenzaufträge implementiert werden kann. Durch die Verwendung von EventBridge, Lambda und DynamoDB können Sie Echtzeit-Einblicke in Batch-Verarbeitungsoperationen gewinnen, um personalisierte Produktempfehlungen basierend auf Kundendaten zu generieren.

In diesem Beitrag zeigen wir, wie PowerSchool eine benutzerdefinierte Inhaltsfilterungslösung mit Amazon SageMaker AI entwickelt und implementiert hat, die eine höhere Genauigkeit bei gleichzeitig niedrigen Fehlalarmraten erzielt. Wir erläutern unseren technischen Ansatz zur Feinabstimmung von Llama 3.1 8B, unsere Bereitstellungsarchitektur und die Leistungsergebnisse interner Validierungen.

Organisationen integrieren zunehmend generative KI-Funktionen in ihre Anwendungen, um Kundenerlebnisse zu verbessern, Abläufe zu optimieren und Innovationen voranzutreiben. Da generative KI-Workloads in Umfang und Bedeutung weiter zunehmen, stehen Organisationen vor neuen Herausforderungen bei der Aufrechterhaltung konsistenter Leistung, Zuverlässigkeit und Verfügbarkeit ihrer KI-gestützten Anwendungen. Kunden suchen nach Möglichkeiten, ihre KI-Inferenz-Workloads zu skalieren über […]

In diesem Beitrag zeigen wir, wie Sie über einen VPC-Interface-Endpunkt von einer Amazon Elastic Compute Cloud (Amazon EC2)-Instanz in einer VPC auf das AgentCore Gateway zugreifen können. Wir zeigen auch, wie Sie Ihre VPC-Endpunktrichtlinie konfigurieren, um einen sicheren Zugriff auf das AgentCore Gateway zu ermöglichen und gleichzeitig das Prinzip des geringsten Privilegs zu wahren.

In diesem Beitrag zeigen wir, wie Unternehmen die Produktivität ihrer Mitarbeiter steigern können, indem sie die AI for Work-Plattform von Kore.ai mit Amazon Q Business integrieren. Wir zeigen, wie AI for Work als Datenzugreifer für den Amazon Q-Index für unabhängige Softwareanbieter (ISVs) konfiguriert wird, damit Mitarbeiter Unternehmenswissen durchsuchen und End-to-End-Agenten-Workflows ausführen können, die Suche, Schlussfolgerung, Aktionen und Inhaltserstellung umfassen.

Heute freuen wir uns, den Amazon Bedrock AgentCore Model Context Protocol (MCP) Server anzukündigen. Mit integrierter Unterstützung für Laufzeit, Gateway-Integration, Identitätsmanagement und Agenten-Speicher ist der AgentCore MCP Server speziell dafür konzipiert, die Erstellung von Komponenten zu beschleunigen, die mit Bedrock AgentCore kompatibel sind. Sie können den AgentCore MCP Server für schnelles Prototyping, Produktions-KI-Lösungen, […]

In diesem Beitrag teilen wir mit, wie Hapag-Lloyd einen KI-gestützten Assistenten entwickelt und implementiert hat, der Ankunfts- und Abfahrtszeiten von Schiffen vorhersagt und damit ihre Zeitplanung revolutioniert. Durch die Nutzung von Amazon SageMaker AI und die Implementierung robuster MLOps-Praktiken hat Hapag-Lloyd seine Planungszuverlässigkeit verbessert – ein wichtiger Leistungsindikator in der Branche und ein Qualitätsversprechen an seine Kunden.

Wir freuen uns, Ihnen mitteilen zu können, dass Rox ab sofort allgemein verfügbar ist. Die Rox-Infrastruktur basiert auf AWS und wird über Web, Slack, macOS und iOS bereitgestellt. In diesem Beitrag erfahren Sie, wie Rox die Vertriebsproduktivität mit KI-Agenten beschleunigt, die von Amazon Bedrock unterstützt werden.

In diesem Beitrag zeigen wir, wie Sie mit den neuen Funktionen von GraphStorm v0.5 zur Bereitstellung von Graph Neural Network (GNN)-Modellen über Amazon SageMaker eine Betrugsprävention in Echtzeit implementieren können. Wir zeigen, wie Sie mit minimalem Betriebsaufwand vom Modelltraining zu produktionsreifen Inferenz-Endpunkten übergehen können, was eine Betrugserkennung in Transaktionsgraphen mit Milliarden von Knoten und Kanten in weniger als einer Sekunde ermöglicht.

In dieser Lösung demonstrieren wir, wie der Benutzer (ein Elternteil) auf konversationelle Weise mit einem Strands- oder LangGraph-Agenten interagieren und Informationen über den Impfverlauf und -plan seines Kindes erhalten, verfügbare Termine erfragen und buchen kann. Mit einigen Änderungen können KI-Agenten ereignisgesteuert gestaltet werden, sodass sie automatisch Erinnerungen senden, Termine buchen und so weiter.

In diesem Beitrag zeigen wir, wie man einen Multi-Agenten-SRE-Assistenten mit Amazon Bedrock AgentCore, LangGraph und dem Model Context Protocol (MCP) erstellt. Dieses System setzt spezialisierte KI-Agenten ein, die zusammenarbeiten, um die tiefe, kontextbezogene Intelligenz bereitzustellen, die moderne SRE-Teams für eine effektive Reaktion auf Vorfälle und die Infrastrukturverwaltung benötigen.

Heute freuen wir uns, die Unterstützung für DoWhile-Schleifen in Amazon Bedrock Flows bekannt zu geben. Mit dieser leistungsstarken neuen Funktion können Sie iterative, bedingungsbasierte Workflows direkt in Ihren Amazon Bedrock Flows erstellen, indem Sie Prompt-Knoten, AWS Lambda-Funktionen, Amazon Bedrock Agents, Inline-Code von Amazon Bedrock Flows, Amazon Bedrock Knowledge Bases, Amazon Simple Storage Service (Amazon S3) usw. verwenden.

In diesem Beitrag untersuchen wir, wie wir ein Multi-Agenten-Konversations-KI-System mit Amazon Bedrock aufgebaut haben, das wissensbasierte Immobilienberatung bietet. Wir untersuchen die Agentenarchitektur, die Strategie zur Modellauswahl und das umfassende kontinuierliche Bewertungssystem, das qualitativ hochwertige Gespräche ermöglicht und gleichzeitig schnelle Iterationen und Verbesserungen fördert.

In der Branche der Leistungsverwaltung ist die Bearbeitung von Ansprüchen eine entscheidende operative Säule, die sicherstellt, dass Mitarbeiter und Begünstigte rechtzeitig Leistungen wie Kranken-, Zahn- oder Invaliditätszahlungen erhalten, während gleichzeitig Kosten kontrolliert und Vorschriften wie HIPAA und ERISA eingehalten werden. In diesem Beitrag untersuchen wir den typischen Arbeitsablauf bei der Bearbeitung von Leistungsansprüchen und identifizieren, wo generative KI-gestützte Automatisierung die größten Auswirkungen erzielen kann.

KI-Agenten entwickeln sich von einfachen Helfern für einzelne Aufgaben zu leistungsfähigeren Systemen, die planen, kritisieren und mit anderen Agenten zusammenarbeiten können, um komplexe Probleme zu lösen. Deep Agents – ein kürzlich eingeführtes Framework, das auf LangGraph basiert – erweckt diese Fähigkeiten zum Leben und ermöglicht Multi-Agenten-Workflows, die reale Teamdynamiken widerspiegeln. Die Herausforderung besteht jedoch nicht nur darin, solche Agenten zu bauen, sondern […]

In diesem Beitrag zeigen wir Ihnen, wie Sie Amazon Bedrock Guardrails mit Tokenisierungsdiensten von Drittanbietern integrieren, um sensible Daten zu schützen und gleichzeitig die Datenumkehrbarkeit zu gewährleisten. Durch die Kombination dieser Technologien können Unternehmen strengere Datenschutzrichtlinien implementieren und gleichzeitig die Funktionalität ihrer generativen KI-Anwendungen und zugehörigen Systeme erhalten.

In diesem Beitrag haben wir gezeigt, wie man SageMaker und Comet zusammen verwendet, um vollständig verwaltete ML-Umgebungen mit Reproduzierbarkeit und Experimentverfolgungsfunktionen einzurichten.

Dieser Beitrag untersucht, wie Amazon Bedrock AgentCore Ihnen hilft, Ihre agentenbasierten Anwendungen von experimentellen Proof-of-Concept-Projekten in produktionsreife Systeme zu überführen. Wir verfolgen die Entwicklung eines Kundensupport-Agenten, der sich von einem einfachen lokalen Prototyp zu einer umfassenden, unternehmensgerechten Lösung entwickelt, die in der Lage ist, mehrere gleichzeitige Benutzer zu verarbeiten und gleichzeitig Sicherheits- und Leistungsstandards einzuhalten.

Dieser Beitrag wurde mit Alex Gnibus von Stability AI verfasst. Die Bilddienste von Stability AI sind jetzt in Amazon Bedrock verfügbar und bieten sofort einsatzbereite Medienbearbeitungsfunktionen, die über die Amazon Bedrock API bereitgestellt werden. Diese Bildbearbeitungswerkzeuge erweitern die Fähigkeiten der Stable Diffusion 3.5 Modelle (SD3.5) und der Stable Image Core und Ultra Modelle von Stability AI, welche […]

Amazon Bedrock bietet jetzt Stability AI Image Services: 9 Tools, die die Art und Weise verbessern, wie Unternehmen Bilder erstellen und bearbeiten. Die Technologie erweitert die Stable Diffusion- und Stable Image-Modelle, um Ihnen präzise Kontrolle über die Erstellung und Bearbeitung von Bildern zu geben. Klare Prompts sind entscheidend – sie geben dem KI-System die künstlerische Richtung vor. Starke Prompts steuern spezifische Elemente wie den Ton, […]

In diesem Beitrag untersuchen wir, wie man Amazon Bedrock Batch-Inferenz-Jobs mithilfe von Amazon CloudWatch-Metriken, -Alarmanlagen und -Dashboards überwacht und verwaltet, um Leistung, Kosten und betriebliche Effizienz zu optimieren.

In diesem Beitrag zeigen wir, wie man AWS DLCs mit MLflow integriert, um eine Lösung zu schaffen, die Infrastrukturkontrolle mit robuster ML-Governance in Einklang bringt. Wir gehen durch ein funktionelles Setup, das Ihr Team nutzen kann, um Ihre speziellen Anforderungen zu erfüllen und gleichzeitig den Zeit- und Ressourcenaufwand für das ML-Lifecycle-Management erheblich zu reduzieren.

In diesem Beitrag haben wir gezeigt, wie Sie die Amazon Q Business Browsererweiterung nutzen können, um Ihrem Team nahtlosen Zugriff auf KI-gestützte Erkenntnisse und Unterstützung zu ermöglichen. Die Browsererweiterung ist jetzt in den AWS-Regionen US East (N. Virginia) und US West (Oregon) für Mozilla, Google Chrome und Microsoft Edge als Teil des Lite-Abonnements verfügbar.

In diesem Beitrag zeigen wir, wie das gpt-oss-20b-Modell auf SageMaker-verwalteten Endpunkten bereitgestellt wird, und demonstrieren ein praktisches Beispiel für einen Aktienanalyse-Agentenassistenten mit LangGraph, einem leistungsstarken graphenbasierten Framework, das Zustandsverwaltung, koordinierte Workflows und persistente Speichersysteme handhabt.

In diesem Beitrag befassen wir uns damit, wie Verisk Rating Insights, unterstützt von Amazon Bedrock, Large Language Models (LLM) und Retrieval Augmented Generation (RAG), die Art und Weise verändert, wie Kunden mit ISO ERC-Änderungen interagieren und auf diese zugreifen.

In diesem Beitrag untersuchen wir, wie das AWS Generative AI Innovation Center und Quora zusammengearbeitet haben, um ein einheitliches Wrapper-API-Framework zu entwickeln, das die Bereitstellung von Amazon Bedrock FMs auf dem Poe-System von Quora drastisch beschleunigt. Wir beschreiben die technische Architektur, die das ereignisgesteuerte ServerSentEvents-Protokoll von Poe mit den REST-basierten APIs von Amazon Bedrock verbindet, zeigen, wie ein vorlagenbasiertes Konfigurationssystem die Bereitstellungszeit von Tagen auf 15 Minuten reduziert hat, und teilen Implementierungsmuster für Protokollübersetzung, Fehlerbehandlung und multimodale Funktionen.

In diesem Beitrag stellen wir das topology-aware Scheduling mit SageMaker HyperPod Task Governance vor, indem wir Jobs einreichen, die hierarchische Netzwerkinformationen repräsentieren. Wir geben Details zur Verwendung von SageMaker HyperPod Task Governance zur Optimierung Ihrer Jobeffizienz.

In diesem Beitrag teilen wir, wie msg die Datenharmonisierung für msg.ProfileMap automatisiert hat, indem wir Amazon Bedrock nutzten, um seine LLM-gesteuerten Datenanreicherungsworkflows zu betreiben, was zu einer höheren Genauigkeit bei der HR-Konzeptzuordnung, einer Reduzierung des manuellen Arbeitsaufwands und einer verbesserten Übereinstimmung mit den Compliance-Anforderungen gemäß dem EU AI Act und der DSGVO führte.

In diesem Beitrag zeigen wir Ihnen, wie Sie Ihren RAG-Entwicklungslebenszyklus von der Experimentierphase bis zur Automatisierung optimieren können. So können Sie Ihre RAG-Lösung für Produktionsbereitstellungen mit Amazon SageMaker AI operationalisieren und Ihrem Team helfen, effizient zu experimentieren, effektiv zusammenzuarbeiten und kontinuierliche Verbesserungen voranzutreiben.

In diesem Beitrag untersuchen wir, wie Log-Wahrscheinlichkeiten mit importierten Modellen in Amazon Bedrock funktionieren. Sie erfahren, was Log-Wahrscheinlichkeiten sind, wie Sie sie in Ihren API-Aufrufen aktivieren und wie Sie die zurückgegebenen Daten interpretieren. Wir beleuchten auch praktische Anwendungen – von der Erkennung potenzieller Halluzinationen über die Optimierung von RAG-Systemen bis hin zur Bewertung feinabgestimmter Modelle –, die zeigen, wie diese Erkenntnisse Ihre KI-Anwendungen verbessern und Ihnen helfen können, vertrauenswürdigere Lösungen mit Ihren benutzerdefinierten Modellen zu erstellen.

Dieser Beitrag bietet einen systematischen Ansatz für die Migration von Anthropic's Claude 3.5 Sonnet zu Claude 4 Sonnet auf Amazon Bedrock. Wir untersuchen die wichtigsten Modellunterschiede, beleuchten wesentliche Migrationsüberlegungen und liefern bewährte Best Practices, um diesen notwendigen Übergang in einen strategischen Vorteil zu verwandeln, der messbaren Wert für Ihr Unternehmen schafft.

In der realen Video- und Bildanalyse stehen Unternehmen oft vor der Herausforderung, Objekte zu erkennen, die nicht Teil des ursprünglichen Trainingsdatensatzes eines Modells waren. Dies wird besonders schwierig in dynamischen Umgebungen, in denen neue, unbekannte oder benutzerdefinierte Objekte häufig auftauchen. In diesem Beitrag untersuchen wir, wie Amazon Bedrock Data Automation OSOD verwendet, um das Videoverständnis zu verbessern.

Skello ist eine führende Software-as-a-Service (SaaS)-Lösung für Human Resources (HR), die sich auf die Einsatzplanung von Mitarbeitern und das Workforce Management konzentriert. Skello bedient verschiedene Branchen wie Gastronomie, Einzelhandel, Gesundheitswesen, Bauwesen und Industrie und bietet Funktionen wie Erstellung von Dienstplänen, Zeiterfassung und Lohnvorbereitung. Wir befassen uns eingehend mit den Herausforderungen bei der Implementierung von Large Language Models (LLMs) für Datenabfragen, insbesondere im Kontext eines französischen Unternehmens, das unter der Datenschutz-Grundverordnung (DSGVO) tätig ist.

In diesem Beitrag stellen wir eine vollständige Lösung zur programmgesteuerten Erstellung privater Arbeitskräfte auf Amazon SageMaker AI mithilfe des AWS Cloud Development Kit (AWS CDK) vor, einschließlich der Einrichtung eines dedizierten, vollständig konfigurierten Amazon Cognito-Benutzerpools.

Wir freuen uns, die Verfügbarkeit der Falcon-H1-Modelle des Technology Innovation Institute (TII) auf dem Amazon Bedrock Marketplace und Amazon SageMaker JumpStart bekannt zu geben. Mit dieser Einführung können Entwickler und Datenwissenschaftler nun sechs auf Anweisungen abgestimmte Falcon-H1-Modelle (0.5B, 1.5B, 1.5B-Deep, 3B, 7B und 34B) auf AWS nutzen und auf eine umfassende Suite von Hybridarchitekturmodellen zugreifen, die traditionelle Aufmerksamkeitsmechanismen mit State Space Models (SSMs) kombinieren, um außergewöhnliche Leistung mit beispielloser Effizienz zu erzielen.

Dieser Beitrag untersucht, wie Oldcastle in Zusammenarbeit mit AWS seinen Dokumentenverarbeitungs-Workflow mithilfe von Amazon Bedrock mit Amazon Textract transformiert hat. Wir erörtern, wie Oldcastle die Einschränkungen seiner bisherigen OCR-Lösung überwand, um die Verarbeitung von Hunderttausenden von POD-Dokumenten pro Monat zu automatisieren, wodurch die Genauigkeit erheblich verbessert und der manuelle Aufwand reduziert wurde.

In diesem Beitrag untersuchen wir, wie die London Stock Exchange Group (LSEG) Amazon Bedrock und die Claude-Foundation-Modelle von Anthropic einsetzte, um ein automatisiertes System zu entwickeln, das die Effizienz und Genauigkeit der Marktüberwachungsoperationen erheblich verbessert.

In diesem Beitrag führen wir Sie durch die Implementierungsoptionen für Agenten, die sowohl auf Amazon Bedrock AgentCore Runtime als auch auf anderen Diensten wie Amazon Elastic Compute Cloud (Amazon EC2), Amazon Elastic Kubernetes Service (Amazon EKS), AWS Lambda oder alternativen Cloud-Anbietern gehostet werden. Wir geben auch Best Practices für die Einbeziehung von Observability während des gesamten Entwicklungszyklus weiter.