En esta publicación, tomamos un cortometraje animado, "Picchu", producido por FuzzyPixel de Amazon Web Services (AWS), preparamos datos de entrenamiento extrayendo fotogramas clave de los personajes, y ajustamos un modelo consistente con los personajes principales, Mayu y su madre, para que podamos generar rápidamente conceptos de guion gráfico para nuevas secuelas, como las siguientes imágenes.

El arte de la creación de guiones gráficos (storyboarding) se erige como la piedra angular de la creación de contenido moderno, tejiendo su papel esencial a través del cine, la animación, la publicidad y el diseño UX. Aunque tradicionalmente, los creadores han confiado en ilustraciones secuenciales dibujadas a mano para trazar sus narrativas, los modelos de fundación (FMs) de IA actuales están transformando este panorama. Los FMs como Amazon Nova Canvas y Amazon Nova Reel ofrecen […]

En esta publicación, mostramos cómo implementar la autenticación TTI para acceder a los datos de Amazon Q. Cubrimos el proceso de configuración tanto para ISV como para empresas y demostramos cómo la autenticación TTI simplifica la experiencia del usuario al mismo tiempo que mantiene los estándares de seguridad.

Proofpoint ha redefinido sus servicios profesionales al integrar Amazon Q Business, un asistente completamente administrado y alimentado por inteligencia artificial generativa que puedes configurar para responder preguntas, proporcionar resúmenes, generar contenido y completar tareas en función de los datos de tu empresa. En esta publicación, exploramos cómo Amazon Q Business transformó los servicios profesionales de Proofpoint, detallando su implementación, funcionalidad y hoja de ruta futura.

En esta publicación, mostramos cómo desplegar la API de Recuperación de Pasajes de Coveo como un grupo de acciones de Amazon Bedrock Agents para mejorar la precisión de las respuestas, de modo que los usuarios de Coveo puedan utilizar su índice actual para desplegar rápidamente nuevas experiencias generativas en toda su organización.

En esta publicación, demostramos cómo utilizar la nueva CLI y SDK de Amazon SageMaker HyperPod para simplificar el proceso de entrenamiento y despliegue de grandes modelos de inteligencia artificial a través de ejemplos prácticos de entrenamiento distribuido utilizando Fully Sharded Data Parallel (FSDP) y despliegue de modelos para inferencia. Las herramientas proporcionan flujos de trabajo simplificados a través de comandos sencillos para tareas comunes, mientras ofrecen opciones de desarrollo flexibles a través de la SDK para requisitos más complejos, junto con características de observabilidad comprehensivas y capacidades de despliegue listas para producción.

En esta publicación, presentamos una solución flexible y escalable que simplifica el flujo de trabajo de inferencia por lotes. Esta solución ofrece un enfoque altamente escalable para gestionar tus necesidades de inferencia por lotes de FM, como generar incrustaciones para millones de documentos o ejecutar tareas de evaluación personalizadas o de finalización con grandes conjuntos de datos.

En esta publicación, exploramos cómo los análisis de bases de datos en lenguaje natural pueden revolucionar la forma en que las organizaciones interactúan con sus datos estructurados a través del poder de los agentes de modelos de lenguaje grandes (LLM). Las interfaces de lenguaje natural para bases de datos han sido durante mucho tiempo un objetivo en la gestión de datos. Los agentes mejoran los análisis de bases de datos al desglosar consultas complejas en pasos de razonamiento explícitos y verificables, y al permitir la autocorrección a través de bucles de validación que pueden detectar errores, analizar fallas y refinar consultas hasta que coincidan con precisión la intención del usuario y los requisitos del esquema.

En esta publicación, demostramos cómo automatizar el despliegue de Bases de Conocimiento de Amazon para aplicaciones RAG utilizando Terraform.

En esta publicación del blog, demostramos un enfoque integral para construir y evaluar una solución KIE utilizando modelos Amazon Nova disponibles a través de Amazon Bedrock. Este enfoque integral abarca tres fases críticas: preparación de datos (comprensión y preparación de sus documentos), desarrollo de solución (implementación de lógica de extracción con modelos adecuados) y medición del rendimiento (evaluación de la precisión, eficiencia y rentabilidad). Ilustramos este enfoque integral utilizando el conjunto de datos FATURA, una colección de documentos de facturas diversos que sirve como proxy representativo para datos empresariales del mundo real

Con la nueva experiencia de creación de clústeres, puede crear sus clústeres SageMaker HyperPod, incluidos los recursos de AWS necesarios, con un solo clic, aplicando automáticamente valores predeterminados y prescriptivos. En esta publicación, exploramos la nueva experiencia de creación de clústeres para Amazon SageMaker HyperPod.

Estamos encantados de anunciar nuevas capacidades de seguridad en Datadog Cloud Security que pueden ayudarle a detectar y remediar malas configuraciones de Amazon Bedrock antes de que se conviertan en incidentes de seguridad. Esta integración ayuda a las organizaciones a incorporar sólidos controles de seguridad y a asegurar su uso de las potentes capacidades de Amazon Bedrock al ofrecer tres ventajas críticas: seguridad integral de IA al integrar la seguridad de IA en su estrategia de seguridad en la nube más amplia, detección de riesgos en tiempo real al identificar problemas potenciales de seguridad relacionados con la IA a medida que surgen, y cumplimiento simplificado para ayudar a cumplir con las regulaciones de IA en evolución con detecciones predefinidas.

En esta publicación, le mostramos cómo crear nombres de dominio personalizados para los puntos de conexión del agente de tiempo de ejecución de Amazon Bedrock AgentCore utilizando CloudFront como proxy inverso. Esta solución ofrece varios beneficios clave: integración simplificada para equipos de desarrollo, dominios personalizados que se alinean con su organización, abstracción de infraestructura más limpia y mantenimiento sencillo cuando los puntos de conexión necesitan actualizaciones.

En esta publicación, anunciamos que Amazon SageMaker HyperPod ahora admite el escalado automático de nodos administrados con Karpenter, lo que permite escalar eficientemente los clústeres de SageMaker HyperPod para satisfacer las demandas de inferencia y entrenamiento. Profundizamos en los beneficios de Karpenter y proporcionamos detalles sobre cómo habilitar y configurar Karpenter en clústeres de SageMaker HyperPod EKS.

Este post describe al asistente de inteligencia artificial agente construido por el Gobierno de la Ciudad de Buenos Aires y el GenAIIC para responder a las preguntas de los ciudadanos sobre procedimientos gubernamentales. La solución consta de dos componentes principales: un sistema de guardrail de entrada que ayuda a prevenir que el sistema responda a consultas de usuario dañinas y un agente de procedimientos gubernamentales que recupera información relevante y genera respuestas.

En esta publicación, proporcionamos una solución de imputación de datos utilizando Amazon SageMaker AI, AWS Lambda y AWS Step Functions. Esta solución está diseñada para analistas ambientales, funcionarios de salud pública y profesionales de inteligencia empresarial que necesitan datos confiables de PM2.5 para análisis de tendencias, informes y toma de decisiones. Obtenemos nuestro conjunto de datos de entrenamiento de muestra de openAFRICA. Nuestra solución predice valores de PM2.5 utilizando pronósticos de series temporales.

El equipo técnico de Amazon Finance desarrolla y gestiona soluciones tecnológicas integrales que impulsan la toma de decisiones financieras y la eficiencia operativa, al tiempo que estandarizan las operaciones globales de Amazon. En esta publicación, explicamos cómo el equipo conceptualizó e implementó una solución a estos desafíos empresariales aprovechando el poder de la IA generativa con Amazon Bedrock y la búsqueda inteligente con Amazon Kendra.

En esta publicación, anunciamos que los modelos fundacionales Mercury y Mercury Coder de Inception Labs ya están disponibles a través de Amazon Bedrock Marketplace y Amazon SageMaker JumpStart. Demostramos cómo implementar estos modelos de lenguaje ultrarrápidos basados en difusión que pueden generar hasta 1.100 tokens por segundo en GPUs NVIDIA H100, y mostramos sus capacidades en escenarios de generación de código y uso de herramientas.

En esta publicación, le mostramos cómo Amazon Health Services (AHS) resolvió los desafíos de descubribilidad en la búsqueda de Amazon.com utilizando servicios de AWS como Amazon SageMaker, Amazon Bedrock y Amazon EMR. Al combinar aprendizaje automático (ML), procesamiento de lenguaje natural y capacidades de búsqueda vectorial, mejoramos nuestra capacidad para conectar a los clientes con ofertas de atención médica relevantes.

Aplicar tecnologías emergentes al dominio geoespacial ofrece una oportunidad única para crear experiencias de usuario transformadoras y flujos de trabajo intuitivos para que los usuarios y las organizaciones cumplan con sus misiones y responsabilidades. En este post, exploramos cómo puedes integrar sistemas existentes con Amazon Bedrock para crear nuevos flujos de trabajo que desbloqueen eficiencias e insights. Esta integración puede beneficiar a roles técnicos, no técnicos y de liderazgo por igual.

A medida que el paisaje de modelos se expande, las organizaciones enfrentan escenarios complejos al seleccionar el modelo de fundación adecuado para sus aplicaciones. En este post de blog presentamos una metodología de evaluación sistemática para usuarios de Amazon Bedrock, que combina marcos teóricos con estrategias de implementación prácticas que permiten a los científicos de datos y los ingenieros de aprendizaje automático (ML) tomar decisiones óptimas de selección de modelos.

En esta publicación, presentamos nuestro acelerador de IDP de código abierto GenAI, una solución probada que utilizamos para ayudar a clientes de diversas industrias a abordar sus desafíos de procesamiento de documentos. Los flujos de trabajo de procesamiento de documentos automatizados extraen con precisión información estructurada de los documentos, reduciendo el esfuerzo manual. Le mostraremos cómo esta solución lista para implementar puede ayudarlo a construir esos flujos de trabajo con inteligencia artificial generativa en AWS en cuestión de días en lugar de meses.

En esta publicación, presentamos tres características en SageMaker HyperPod que mejoran la escalabilidad y la personalización para la infraestructura de ML. La provisión continua ofrece una provisión de recursos flexible para ayudarte a iniciar el entrenamiento y la implementación de tus modelos más rápido y administrar tu clúster de manera más eficiente. Con AMIs personalizadas, puedes alinear tus entornos de ML con los estándares de seguridad y requisitos de software de tu organización.

Esta publicación es la segunda parte de la serie GPT-OSS centrada en la personalización de modelos con Amazon SageMaker AI. En la Parte 1, demostramos el ajuste fino de modelos GPT-OSS utilizando bibliotecas de código abierto de Hugging Face con trabajos de entrenamiento de SageMaker, que admite configuraciones distribuidas multi-GPU y multi-nodo, por lo que puede crear clústeres de alto rendimiento bajo demanda. En esta publicación, [...]

Estamos emocionados de anunciar la vista previa pública del soporte para nodos de código en línea en Amazon Bedrock Flows. Con esta potente nueva capacidad, puede escribir scripts de Python directamente dentro de su flujo de trabajo, aliviando la necesidad de funciones separadas de AWS Lambda para lógica simple. Esta característica optimiza las tareas de preprocesamiento y postprocesamiento (como la normalización de datos y el formato de respuestas), simplificando el desarrollo de aplicaciones de IA generativa y haciéndola más accesible en todas las organizaciones.

Amazon Q Business ofrece a los clientes de AWS una solución escalable y completa para mejorar los procesos de negocio en toda su organización. Al evaluar cuidadosamente sus casos de uso, seguir las mejores prácticas de implementación y utilizar la guía arquitectónica proporcionada en esta publicación, puede implementar Amazon Q Business para transformar la productividad de su empresa. La clave del éxito reside en empezar poco a poco, demostrar valor rápidamente y escalar sistemáticamente en toda su organización.

En esta publicación, te mostramos cómo puedes utilizar el nuevo Editor de Código y el soporte para múltiples espacios en SageMaker Unified Studio. La solución de ejemplo muestra cómo desarrollar un pipeline de ML que automatiza las actividades típicas de ML de principio a fin para construir, entrenar, evaluar y (opcionalmente) desplegar un modelo de ML.

En este blog, examinamos el caso de uso de un gran proveedor de energía cuyos agentes de ayuda técnica de escritorio responden a llamadas de clientes y apoyan a agentes de campo. Utilizamos Amazon Bedrock junto con capacidades de Infosys Topaz™ para construir una aplicación de inteligencia artificial generativa que puede reducir los tiempos de manejo de llamadas, automatizar tareas y mejorar la calidad general del soporte técnico.

Construido con Amazon Nova en Amazon Bedrock, The Fragrance Lab representa una aplicación integral de principio a fin que ilustra el poder transformador de la IA generativa en el comercio minorista, los bienes de consumo, la publicidad y el marketing. En esta publicación, exploramos el desarrollo de The Fragrance Lab. Nuestra visión era crear una combinación única de experiencias físicas y digitales que celebraran la creatividad, la publicidad y los bienes de consumo, capturando al mismo tiempo el espíritu de la Riviera Francesa.

En esta publicación, exploramos cómo Tyson Foods colaboró con el Centro de Innovación de IA Generativa de AWS para revolucionar su interacción con los clientes a través de un asistente de IA intuitivo integrado en su sitio web. El asistente de IA fue construido utilizando Amazon Bedrock.

En esta publicación, demostramos cómo mejorar las capacidades de los agentes de IA integrando modelos de aprendizaje automático predictivo utilizando Amazon SageMaker AI y el MCP. Al utilizar el SDK de código abierto Strands Agents y las opciones de implementación flexibles de SageMaker AI, los desarrolladores pueden crear aplicaciones de IA sofisticadas que combinan la IA conversacional con potentes capacidades de análisis predictivo.

En esta publicación, exploramos cómo habilitar y utilizar la propagación de identidad confiable en Amazon SageMaker Studio, lo que permite a las organizaciones simplificar la gestión de acceso al otorgar permisos a identidades existentes del centro de identidad de AWS IAM. La solución demuestra cómo implementar controles de acceso detallados basados en la identidad de un usuario físico, mantener registros de auditoría detallados en todos los servicios de AWS compatibles y admitir sesiones de fondo de usuario de larga duración para trabajos de entrenamiento.

Este post demuestra cómo utilizar modelos de fundación (MF) en Amazon Bedrock, específicamente Amazon Nova Pro, para lograr una localización de campos de documentos de alta precisión mientras se simplifica drásticamente la implementación. Mostramos cómo estos modelos pueden localizar y interpretar campos de documentos con precisión con un esfuerzo mínimo en el frontend, reduciendo errores de procesamiento y intervención manual.

Construimos una solución RAG avanzada utilizando Amazon Bedrock y aprovechando las capacidades de inteligencia artificial de Infosys Topaz™, personalizada para el sector de petróleo y gas. Esta solución destaca en el manejo de fuentes de datos multimodales, procesando de manera fluida texto, diagramas y datos numéricos mientras mantiene el contexto y las relaciones entre diferentes elementos de datos. En este post, proporcionamos información sobre la solución y le guiaremos a través de diferentes enfoques y patrones de arquitectura explorados, como chunking diferencial, recuperación de vectores múltiples y búsqueda híbrida durante el desarrollo.

En esta publicación, exploramos cómo diseñar e implementar plugins personalizados para Amazon Q Business para crear un chatbot inteligente que simplifica la capacitación de empleados al recuperar respuestas de materiales de capacitación. La solución implementa acceso a API seguro utilizando Amazon Cognito para autenticación y autorización de usuarios, procesa múltiples formatos de documentos e incluye características como respuestas mejoradas con RAG y capacidades de escalada por correo electrónico a través de plugins personalizados.

En esta publicación, exploramos cómo construir una solución de planificación de viajes utilizando agentes de inteligencia artificial. El agente utiliza Amazon Nova, que ofrece un equilibrio óptimo entre rendimiento y costo en comparación con otros LLM comerciales. Al combinar modelos precisos pero eficientes en cuanto a costo de Amazon Nova con capacidades de orquestación de LangGraph, creamos un asistente de viajes práctico que puede manejar tareas de planificación complejas mientras mantiene los costos operativos manejables para despliegues de producción.

En esta publicación, analizamos Amazon Bedrock AgentCore Gateway, un servicio completamente administrado que revoluciona la forma en que las empresas conectan a los agentes de IA con herramientas y servicios al proporcionar un servidor de herramientas centralizado con una interfaz unificada para la comunicación agente-herramienta. El servicio ofrece capacidades clave que incluyen Security Guard, Translation, Composition, Target extensibility, Infrastructure Manager y Semantic Tool Selection, al tiempo que implementa una sofisticada arquitectura de seguridad de doble cara para conexiones entrantes y salientes.

En un ciclo de vida de desarrollo de software (SDLC) tradicional, se pasa mucho tiempo en las diferentes fases investigando enfoques que puedan cumplir con los requisitos: iterando sobre cambios de diseño, escribiendo, probando y revisando código, y configurando infraestructura. En este post, aprendiste sobre la experiencia y viste los aumentos de productividad que puedes lograr al utilizar a Amazon Q Developer como asistente de codificación para construir una aplicación web escalable de pila MERN en AWS.

En esta publicación, compartimos cómo el equipo de la plataforma de inteligencia artificial de Salesforce optimizó la utilización de GPU, mejoró la eficiencia de los recursos y logró ahorros de costos utilizando Amazon SageMaker AI, específicamente componentes de inferencia.

En esta publicación, demostramos la implementación de un asistente práctico basado en chat RAG utilizando un conjunto completo de tecnologías modernas. La solución utiliza NIMs de NVIDIA tanto para la inferencia de LLM como para los servicios de incrustación de texto, con el NIM Operator gestionando su despliegue y administración. La arquitectura incorpora Amazon OpenSearch Serverless para almacenar y consultar incrustaciones vectoriales de alta dimensión para la búsqueda de similitud.

En esta publicación, exploramos Amazon Bedrock AgentCore Identity, un servicio integral de gestión de identidad y acceso diseñado específicamente para agentes de IA que permite un acceso seguro a recursos de AWS y herramientas de terceros. El servicio proporciona sólidas funciones de gestión de identidad que incluyen un directorio de identidad de agentes, un autorizador de agentes, un proveedor de credenciales de recursos y una bóveda de tokens de recursos para ayudar a las organizaciones a implementar agentes de IA de forma segura y a escala.

En la publicación del blog Procesamiento de documentos inteligentes escalable con Amazon Bedrock, demostramos cómo construir una canalización de IDP escalable utilizando modelos base de Anthropic en Amazon Bedrock. Aunque ese enfoque entregó un rendimiento robusto, la introducción de Automatización de datos de Amazon Bedrock aporta un nuevo nivel de eficiencia y flexibilidad a las soluciones de IDP. Esta publicación explora cómo la Automatización de datos de Amazon Bedrock mejora las capacidades de procesamiento de documentos y simplifica el recorrido de automatización.

Estamos emocionados de compartir el servidor del Protocolo de Contexto del Modelo de Automatización de Datos (MCP) de Amazon Bedrock, para una integración perfecta entre Amazon Q y los datos de su empresa. En esta publicación, aprenderá a usar el servidor MCP de Automatización de Datos de Amazon Bedrock para integrarse de forma segura con los Servicios de AWS, usar las operaciones de Automatización de Datos de Bedrock como herramientas MCP invocables y construir una experiencia de desarrollo conversacional con Amazon Q.

En este post del blog, exploramos cómo Amazon Q Business está revolucionando la interacción de datos empresariales a través de la Generación Aumentada de Recuperación por Agentes (RAG)

University Startups, con sede en Bethesda, MD, fue fundada en 2020 para capacitar a los estudiantes de secundaria a expandir su educación más allá de un currículo tradicional. University Startups se enfoca en educación especial y servicios relacionados en distritos escolares de todo EE. UU. En esta publicación, explicamos cómo University Startups utiliza la tecnología de IA generativa en AWS para permitir que los estudiantes diseñen un plan específico para su futuro, ya sea en la educación o en el mundo laboral.

En esta publicación, demostramos cómo pedir a los modelos de comprensión de Amazon Nova que citen fuentes en sus respuestas. Además, también repasaremos cómo podemos evaluar la precisión de las respuestas (y las citas).

En esta publicación, exploramos cómo Amazon Bedrock AgentCore Runtime simplifica la implementación y gestión de agentes de IA.

Este artículo presenta cómo AWS y PwC están desarrollando nuevas comprobaciones de razonamiento que combinan una profunda experiencia en la industria con comprobaciones de razonamiento automatizado en Amazon Bedrock Guardrails para apoyar la innovación.

En esta publicación, Amazon comparte cómo desarrolló una solución de inferencia multinodo para Rufus, su asistente de compras de IA generativa, utilizando chips Amazon Trainium y vLLM para servir modelos de lenguaje grandes a escala. La solución combina un modelo de orquestación líder/seguidor, estrategias de paralelismo híbrido y una capa de abstracción de unidad de inferencia multinodo construida sobre Amazon ECS para implementar modelos en múltiples nodos manteniendo un alto rendimiento y fiabilidad.

Esta publicación describe un enfoque para combinar tres tecnologías potentes con el fin de ilustrar una arquitectura que puedes adaptar y desarrollar para tus necesidades específicas de análisis financiero: LangGraph para la orquestación del flujo de trabajo, Agentes Strands para el razonamiento estructurado y el Protocolo de Contexto del Modelo (MCP) para la integración de herramientas.