Сегодня мы объявляем о поддержке полезной нагрузки встроенного типа для Amazon SageMaker AI Async Inference. Теперь клиенты могут отправлять полезные нагрузки вывода напрямую в теле запроса API InvokeEndpointAsync, что исключает необходимость загружать входные данные в Amazon Simple Storage Service (Amazon S3) перед каждым вызовом.

Сегодня Quick становится ещё более мощным: новые автономные агенты, которые непрерывно работают от вашего имени, лента активности, которая помогает вам расставлять приоритеты в вашей наиболее важной работе, и возможность находить информацию по всем источникам данных, на которых работает ваш бизнес, по одному вопросу.

Агенты умны только в той степени, в которой они могут рассуждать в определённом контексте. Сегодня этот контекст разбросан по озёрам данных, хранилищам данных, lakehouse, базам данных и потокам, а также по знаниям учреждений, которые никогда не были записаны. Вы хотите доверять решениям, принимаемым вашими агентами ИИ, но это невозможно, пока у агентов нет контекста. Представьте, что станет возможным, когда мы дадим агентам безопасный способ получить доступ к контексту, необходимому для принятия достоверных решений. Именно поэтому на саммите AWS в Нью-Йорке мы объявляем о серии инноваций, которые обеспечивают интеллект для ваших данных и агентов ИИ в крупном масштабе.

Сегодня мы представляем новые возможности на платформе Amazon Bedrock AgentCore, предназначенной для создания, подключения и оптимизации агентов. В этом посте мы расскажем, как эти возможности устраняют пробелы: подключая агентов к организационным, веб- и платным знаниям; помогая командам находить и исправлять ошибки в производстве; и обеспечивая масштабируемый контроль при росте возможностей агентов. Вместе они помогают вам создавать более совершенных агентов быстрее, управлять ими с помощью масштабируемых контролей и непрерывно совершенствовать их.

Сегодня мы объявляем о новом API с Amazon Bedrock Guardrails. С помощью этого API вы можете применять отдельные меры безопасности, также называемые проверками безопасности, в любой точке ваших агентных приложений ИИ без создания ресурсов ограждений. В этом посте мы расскажем, как работает API InvokeGuardrailChecks и как использовать его для построения безопасных, многоходовых агентных приложений ИИ.

Сегодня мы рады объявить о кэшировании контейнерных изображений для вывода ИИ Amazon SageMaker, следующем крупном этапе в нашем пути оптимизации быстрого масштабирования. Это ускоряет конечную задержку до 2 раз для генеративных моделей ИИ во время событий горизонтального масштабирования.

Этот пост расскажет вам, как использовать P-EAGLE напрямую в Amazon SageMaker AI. Он продемонстрирует, как выбрать совместимую модель из каталога SageMaker JumpStart, настроить спецификации параллельного проектирования и развернуть высокооптимизированную реальную точку окончания SageMaker AI для ускорения ваших приложений генеративного ИИ.

Сегодня мы объявляем о доступности семейства Gemma 4 на Amazon Bedrock. Разработанное компанией Google DeepMind и выпущенное под лицензией Apache 2.0, Gemma 4 представляет собой семейство моделей с открытыми весами, разработанных с учетом интеллекта на параметр в широком диапазоне сценариев развертывания. Семейство включает в себя три варианта, настроенных на инструкции: Gemma 4 31B, Gemma 4 26B-A4B и Gemma 4 E2B. Они охватывают плотные и архитектуры mixture-of-experts (MoE), где только доля параметров модели активируется на каждый запрос. Варианты предлагают встроенную логическую обработку, родную функциональную вызов и многомодальный ввод по тексту и изображению.

В этом посте мы проведем вас через вызов функций обнаружения для диагностики реальных сбоев агентов. Вы узнаете, как интерпретировать их структурированный вывод: категоризированные сбои с оценками достоверности, причинно-следственные цепочки, связывающие коренные причины с симптомами, и рекомендации по исправлению, указывающие, относится ли изменение к вашему системному запросу или определениям инструментов. Вы также узнаете, как интегрировать обнаружение в вашу оценочную трубу для автоматической диагностики при каждом запуске теста.

В этом посте вы создадите агент исследования конкурентов, который демонстрирует этот шаблон от начала до конца. Этот обзор предназначен для разработчиков, создающих многоступенчатые рабочие процессы ИИ, которым требуются изолированные среды выполнения для своих агентов. В части 2 заметки вы можете развернуть этот же агент в среде выполнения Bedrock AgentCore Runtime с помощью интерфейса командной строки AgentCore, чтобы он работал как управляемая, изолированная от сеанса служба.

В этом посте мы исследуем, как Rocket Close построила решение, используя Strands Agents, большие языковые модели (LLM), Amazon Bedrock, базы знаний Amazon Bedrock и инструменты протокола контекста модели (MCP). Мы рассматриваем функции решения, обоснование технологического стека, уроки, извлеченные из опыта, и бизнес-воздействие на Rocket Close.

Этот пост показывает, как создать индивидуального помощника для подготовки и последующего сопровождения встречи с использованием серверов Amazon Quick и Cisco Webex MCP. Из одного запроса агент находит предстоящую встречу Webex, просматривает предыдущие сводки встреч и транскрипты, и извлекает связанные с этим выдержки из видеокастов и контекст транскрипта. Затем он ищет в потоках сообщений Webex незавершенные последующие действия и создает краткий подготовительный бриф. После встречи тот же помощник может суммировать обсуждение и выявить пункты для действий. Он также может найти связанные обновления видеокастов и составить сообщение для последующего сопровождения в подходящем пространстве Webex.

Этот пост описывает разработку эффективной и масштабируемой системы интеллектуальной обработки документов на платформе AWS, работающей на базе Amazon Bedrock и ее функций. BDA - это управляемая служба в Amazon Bedrock, которая автоматизирует извлечение информации из документов. Мы демонстрируем, как BDA извлекает и анализирует содержимое документов, а Strands Agent, размещенный на Amazon Bedrock AgentCore Runtime, координирует специализированные задачи обработки, а база знаний Amazon Bedrock обеспечивает контекстное понимание на основе нескольких документов. Объединив эти возможности в единой архитектуре, организации могут преобразовать свои рабочие процессы обработки документов с минимальными затратами на разработку.

Профессиональные услуги Amazon Web Services (AWS ProServe) сократили сроки участия с месяцев до дней, не добавляя инструменты искусственного интеллекта (ИИ) к существующему процессу, а фундаментально перестраивая, как мы доставляем снутри наружу. В этом посте мы делаем доступным, как AWS ProServe стал командой фронтира, практики, которые это позволили, и что ваша инженерная организация может взять из нашего опыта.

Этот пост демонстрирует интеллектуальный конвейер обработки документов, который состоит из опций как пакетного, так и интерактивного вывода на Amazon Bedrock, чтобы обеспечить гибкость во времени и стоимости обработки документов.

Agent-EvalKit — это набор инструментов с открытым исходным кодом (Apache 2.0), который делает эту инфраструктуру оценки доступной путем интеграции с ИИ-помощниками для написания кода, включая Claude Code, Kiro CLI и Kilo Code. В этой статье подробно рассматривается, как Agent-EvalKit работает на всех шести этапах оценки, используя в качестве примера агент для исследования путешествий, созданный с помощью Strands Agents SDK и Amazon Bedrock.

Сегодня мы рады объявить о двух новых возможностях, которые делают дашборды Quick Sight еще более выразительными и соответствующими бизнес-целям: спарклайны и пользовательская сортировка для элементов управления. В этой статье мы подробно рассмотрим обе функции, что они собой представляют, когда их использовать и как их настроить, с реальными сценариями, которые объединяют их в практичный, готовый к принятию решений дашборд.

Оптимизация инструкций чертежа — это функция BDA, которая автоматически улучшает ваши инструкции по извлечению для прямого решения этой проблемы. Вы предоставляете от трех до десяти примеров документов с ожидаемыми значениями, и BDA улучшает ваши инструкции чертежа для повышения точности за минуты, а не недели. Отдельная донастройка модели не требуется. К концу этой статьи вы сможете оптимизировать свои чертежи для повышения точности, запустить рабочий процесс оптимизации через консоль Amazon Bedrock или API, а также применить лучшие практики для выбора примеров и эталонных данных.

Команды на переднем крае не просто используют ИИ для более быстрого кодирования. Они перерабатывают процесс создания программного обеспечения. В результате получается увеличение производительности в 4,5 раза, в некоторых случаях более чем в 10 раз.

Сегодня мы объявляем о возможностях разработки Neuron Agentic: коллекции агентов ИИ и навыков, которые делают это возможным для разработчиков, работающих с AWS Trainium и AWS Inferentia. В этом посте мы объясняем, как возможности разработки Neuron Agentic ускоряют рабочий процесс разработки ядра.

В этом посте вы создаете помощника по ремонту оборудования на основе ИИ, используя Amazon Bedrock AgentCore, который помогает фермерам и техникам на местах диагностировать проблемы с оборудованием, определять необходимые запчасти и получать доступ к процедурам ремонта, одобренным производителем, через естественный язык. Решение использует AgentCore Runtime с набором инструментов Strands Agents SDK, Amazon Nova 2 Lite в качестве базовой модели, базу знаний Amazon Bedrock для генерации с поддержкой извлечения (RAG) и AgentCore Memory для сохранения разговора.

В этом посте мы показываем, как обучать политики робота для гуманоида Unitree H1 с помощью NVIDIA Isaac Lab на Amazon SageMaker AI на двух вариантах вычислений: Amazon SageMaker HyperPod и Amazon SageMaker Training Jobs.

В этом посте мы демонстрируем, как система приема заявок FNOL без участия рук объединяет агентов, созданных с помощью набора инструментов Strands Agents SDK для рассуждений в области, с инструментом Amazon Bedrock AgentCore Browser для взаимодействия с живым порталом. Этот подход сохраняет человеческий опыт, удаляя при этом повторяющуюся работу на экране.

Этот пост показывает командам инженеров, как применить этот принцип к одному из наиболее критичных по времени рабочих процессов в инженерии: выявлению инцидентов. Вы создадите индивидуального помощника для выявления инцидентов с помощью Amazon Quick, который организует ответ с сервером New Relic Model Context Protocol (MCP) и Asana через родные интеграции. Из одного запроса агент Amazon Quick расследует инцидент, собирает краткое изложение анализа коренной причины (RCA) с ссылками на доказательства и создает отслеживаемую задачу Asana, готовую к передаче.

С учетом доступа к последним моделям генеративного ИИ и высокопроизводительным ускоренным вычислениям, которые пользуются высоким спросом во всем мире, клиентам AWS необходимы инструменты, чтобы воспользоваться доступностью и емкостью моделей в нескольких регионах AWS, одновременно соблюдая требования безопасности и конфиденциальности. Обработка вывода в нескольких регионах (CRIS) в Amazon Bedrock удовлетворяет этим потребностям, автоматически маршрутизируя запросы в нескольких регионах [...]

Amazon Bedrock AgentCore Runtime предоставляет каждой сессии агента свою изолированную микровиртуальную машину с постоянным рабочим пространством, безопасным доступом к инструментам через шлюз и встроенной наблюдаемостью — так что вы можете запускать Claude Code, Codex, Kiro и Cursor параллельно без обмена секретами, портами или файловыми системами. Закройте крышку, идите ужинать и продолжайте работу с того места, где остановились, завтра.

В этой статье мы знакомим с математической оптимизацией, объясняем, как она вписывается в более широкий ландшафт ИИ, и демонстрируем реальные истории успеха, где Центр инноваций сотрудничал с клиентами для достижения конкретных результатов.

Этот блог ранее обсуждал FHE для вывода ML в посте Включите полностью гомоморфное шифрование с помощью конечных точек Amazon SageMaker для безопасного вывода в реальном времени, но этот пост идет немного дальше. Предыдущий пост показал, как реализовать вывод на основе FHE «с нуля» путем создания алгоритма линейной регрессии с использованием низкоуровневой библиотеки под названием SEAL. Вместо этого этот пост демонстрирует гораздо более гибкий и высокоуровневый подход на основе concrete-ml, высокоуровневой библиотеки, специально разработанной для вывода на основе FHE. Она поддерживает несколько общих типов моделей «из коробки» и даже совместима с API известной библиотеки ML scikit-learn.

В этой статье мы рассматриваем структуру Amazon Quick ARN и предоставляем практическую умственную модель для работы с ними. К концу статьи вы сможете посмотреть на ARN и сразу понять, что он значит для вашей стратегии миграции, быстрее диагностировать проблемы с разрешениями и проектировать многопользовательские архитектуры с уверенностью.

В этом посте мы расскажем вам о Nova Sonic Test Harness, открытом фреймворке, который мы разработали для решения обеих проблем. Он служит инструментом быстрой итерации для настройки системных подсказок и конфигураций инструментов (запустите разговор, посмотрите результаты, отрегулируйте, повторите) и комплексной оценочной основой для проверки качества голосовых агентов в масштабе. Он автоматически запускает полные разговоры с несколькими ходами с Amazon Nova Sonic, оценивает их с помощью методов LLM-as-judge и даже может обнаруживать случаи, когда аудиовыход модели не соответствует ее текстовому выходу (аудио-галуцинации). Микрофон не требуется.

Разверните NVIDIA Nemotron 3 Ultra в Amazon SageMaker JumpStart. Получите ускорение вывода в 5 раз и снижение стоимости на 30% для агентных рабочих нагрузок ИИ с этой передовой моделью рассуждений.

В этом посте мы представляем Amazon Bedrock Ops Alert, трехслойное автоматизированное решение для мониторинга, которое проактивно обнаруживает операционные проблемы, динамически корректирует пороги сигнализации, классифицирует сигнализацию по категориям, автоматически создает контекстно-зависимые запросы на поддержку, помогает предотвратить дублирование запросов, когда уже активен неразрешенный запрос той же категории сигнализации, и доставляет контекстуализированные уведомления командам AI SRE. Мы рассматриваем архитектуру решения и то, как вы можете развернуть его в своей собственной среде.

В этом посте мы показываем вам, как начать работать с NEXUS на Amazon SageMaker JumpStart, пройдемся по процессу развертывания и продемонстрируем, как запускать прогнозы на основе наборов данных вашего предприятия.

В этой статье мы рассматриваем, как использовать SOCI на публично доступных образах и контейнерах Deep Learning, когда использовать различные режимы SOCI, предоставляемые инструментом, и как быстро и эффективно использовать этот инструмент в ваших рабочих процессах сегодня.

В этом посте вы узнаете, как использовать контролируемое тонкое настройка (SFT) и прямую оптимизацию предпочтений (DPO) вместе для улучшения точности вызова инструментов небольшой языковой модели (SLM). Пример использует задания обучения Amazon SageMaker AI, поэтому вы можете сосредоточиться на коде обучения, вместо управления собственной инфраструктурой обучения. Вы также узнаете, как оценить точность вызова инструментов и сравнить базовую модель с несколькими вариантами тонкой настройки, чтобы принимать обоснованные решения о качестве модели.

Настройка для задач конкретной области означает улучшение производительности в одной области без ухудшения общих возможностей модели, и достижение этого баланса сложнее, чем кажется. Этот пост описывает, как найти этот баланс, начиная с выбора правильной стратегии настройки для ваших данных и задачи, и заканчивая настройкой параметров обучения, которые наиболее влияют на результаты, таких как скорость обучения, размер партии и сохранение контрольных точек. Мы также рассматриваем распространенные ошибки, которые приводят к бесполезным запускам обучения и как их обнаружить на ранней стадии, чтобы вы могли улучшить производительность в конкретной области без ухудшения общих возможностей или траты вычислительных ресурсов на избегаемые неудачи. К концу вы узнаете, как улучшить производительность в конкретной области без ухудшения общих возможностей и как избежать дорогостоящих неудач, которые возникают из-за неправильного баланса.

В этом посте мы расскажем об реализации обнаружения объектов с помощью Amazon Nova 2 Lite. Вы узнаете, как развернуть приложение для обнаружения объектов, используя Amazon Bedrock, AWS Lambda и Amazon API Gateway. Кроме того, вы узнаете, как создавать эффективные подсказки, обрабатывать структурированный вывод JSON и визуализировать результаты. Мы исследуем практические применения в производстве, сельском хозяйстве и логистике.

Этот пост описывает, как компания Baz создала своего агента Spec Review с помощью Amazon Bedrock и Amazon Bedrock AgentCore. Мы рассмотрим архитектурные решения, детали реализации и бизнес-результаты, которых они достигли, используя эти сервисы AWS для автоматизации процесса проверки кода

Этот пост демонстрирует, как реализовать поток кода Open Authorization (OAuth) в качестве входного механизма авторизации для серверов MCP, размещенных на шлюзе Amazon Bedrock AgentCore. К концу этого руководства у вас будет готовый к производству вариант, в котором каждый запрос помощника ИИ будет аутентифицирован с помощью действительного токена идентификации пользователя, выданного поставщиком идентификации вашей организации.

Сегодня мы рады объявить о возможности ссылаться на секрет в AWS Secrets Manager для AgentCore Identity, чтобы вы могли ссылаться на свой предварительно настроенный секрет из Secrets Manager и сохранять полный контроль над его управлением. С этой возможностью вы можете расширить существующие процессы управления секретами вашей организации до AgentCore. Вы можете предоставить существующий, предварительно настроенный секрет AWS Secrets Manager для использования с ресурсами ваших провайдеров учетных данных. Вы сохраняете полный контроль над его конфигурацией шифрования, ротацией, репликацией, тегами и политиками ресурсов, как и управляете другими секретами в Secrets Manager. Вы также можете выбрать секрет из другого учетной записи AWS в том же регионе AWS, хотя обмен секретами между регионами не поддерживается. Это также поддерживает секреты, импортированные через внешние соединители AWS Secrets Manager, что позволяет интегрироваться с внешними менеджерами секретов.

В этом посте мы расскажем, как использовать Amazon Quick Research для интеграции источников биомедицинских данных для исследования редких видов рака. Обзор использует педиатрический сарком как область исследования и опирается на публично доступные наборы данных из PubMed и других открытых биомедицинских репозиториев. Он охватывает рабочий процесс от начала до конца: определение цели исследования, настройку источников данных, просмотр плана исследования, сгенерированного ИИ, проведение расследования и итерацию результатов с помощью системы пересмотра и версионирования.

GPT-5.5, GPT-5.4 и Codex теперь в общем доступе на Amazon Bedrock. Разверните их в производственных приложениях и агентах сегодня, на высокопроизводительном движке вывода Bedrock.

При развертывании серверов протокола контекста модели (MCP) в производстве предприятиям необходим тонкий контроль доступа между серверами, наблюдаемость за тем, какие команды используют какие инструменты, гарантии безопасности против утечки данных и централизованное управление учетными данными, все это в масштабе. Amazon Bedrock AgentCore Gateway располагается между серверами MCP и клиентами, которые их используют, централизуя управление учетными данными, наблюдаемость и безопасность [...]

В этом посте мы используем агент данных lakehouse, чтобы продемонстрировать, как можно использовать Policy для детерминированного контроля доступа и перехватчики Lambda для динамической валидации. Затем мы показываем, как можно объединить перехватчики Lambda и Policy для реализации географически-ориентированного контроля доступа, который требует как динамической валидации, так и детерминированного контроля доступа.

В этом посте мы рассматриваем несколько ключевых рисков, которые возникают при проектировании агентской системы оплаты, и то, как их можно устранить с помощью возможностей платежей AgentCore.

Когда вы создаете решения на основе агентского ИИ, вы сталкиваетесь с уникальными операционными проблемами. Агенты принимают непредсказуемые решения, затраты неожиданно увеличиваются, а отладка недетерминированных сбоев кажется невозможной. Приложения агентского ИИ не просто выполняют предопределенные рабочие процессы. Они рассуждают, адаптируются и принимают автономные решения, и практики DevOps необходимо адаптировать. Именно здесь на сцену выходит AgentOps, операционная дисциплина для развертывания, управления и непрерывного совершенствования ИИ-агентов в производстве.

Если вы занимаетесь развертыванием больших языковых моделей (LLM) на экземплярах AWS GPU, вы, вероятно, заметили, что чем больше модель, которую необходимо загрузить в память GPU с высокой пропускной способностью (HBM), тем дольше болезненный ожидание до тех пор, пока GPU не будут готовы для вывода. По мере роста моделей до сотен миллиардов параметров и роста среды GPU, всё больше и больше […]

В этой статье мы рассмотрим практическую реализацию интеграции сервера KDB-X MCP с Amazon Quick, демонстрируя, как трейдеры и аналитики могут задавать вопросы на естественном языке и получать действенные сведения из наборов данных. Вы можете применить этот же шаблон интеграции в различных областях, от анализа финансовых рынков до мониторинга датчиков IoT и панелей мониторинга производительности DevOps, где вам необходимо упростить доступ к аналитике временных рядов.

Этот пост демонстрирует комплексное решение для наблюдаемости с помощью панелей Amazon Managed Grafana, которое обеспечивает целостный вид как качества, так и количества для БМЯ, обслуживаемых на конечных точках ИИ Amazon SageMaker с компонентами вывода.

ООО Azercell Telecom, ведущий поставщик телекоммуникационных услуг Азербайджана, хотел создать большую языковую модель (LLM) на азербайджанском языке в Amazon SageMaker AI для телекоммуникационных случаев использования и чат-бота, взаимодействующего с клиентами. Вызов заключался в адаптации базовых моделей (FMs) к языку с богатой морфологией и ограниченными данными для обучения, а также отсутствием готового плана для эффективного обучения LLM на азербайджанском языке. В рамках шестинедельного сотрудничества Azercell работал с Центром инноваций генеративного ИИ AWS, чтобы создать готовую к производству основу на Amazon SageMaker AI.