标签

机器学习

用 Amazon Nova 编排图像 PII 自动遮盖流水线

来源: aws.amazon.com 47
图像里的 PII 不只是一串文字。身份证、车牌、指纹、斜着拍的证件、照片角落里的姓名牌，都可能绕过单纯 OCR。这个方案的关键变化是：让 Amazon Nova 做视觉上下文推理和流程编排，再把像素级分割交给部署在 Amazon SageMaker AI 上的 Meta Segment Anything Model 3，把文字识别交给 Amazon T...
# AI # AWS # 云平台
阅读全文

把 SageMaker 推理基准结果实时流进 MLflow

来源: aws.amazon.com 34
Amazon SageMaker AI 的优化推理推荐作业和基准测试作业现在可以和 MLflow 集成，把指标、参数和图表实时写入 serverless Amazon SageMaker MLflow App。对做模型上线的人来说，这个变化很实用：压测、实例规格对比、延迟和吞吐结果不再散落在作业日志、Notebook 和截图里，而是进入同一个实验追踪界...
# AI # AWS # 云平台
阅读全文

读懂 PyTorch 测试基础设施：为什么 CI 里的测试名和源码不一样

来源: pytorch.org 55
PyTorch 的测试体系有一个很容易让新贡献者困惑的特点：很多测试不是静态写在文件里的，而是在导入测试模块时动态生成的。于是你在 CI 日志里看到的失败用例，可能带着设备、dtype 或参数组合后缀，看起来和源码里的模板函数并不完全一致。 这不是 CI 在“乱报错”，而是 PyTorch 为了覆盖多设备、多 dtype、多后端行为而采用的测试生成机制...
# AI # PyTorch # 机器学习
阅读全文

ExecuTorch 黑客松背后：端侧 AI 正在从演示走向工程现场

来源: pytorch.org 44
过去一个周末，旧金山的 ExecuTorch Hackathon 把构建者、研究人员、移动开发者和 AI 从业者聚到了一起。这个两天的线下活动指向一个很明确的趋势：端侧 AI 不再只是“把模型塞进手机”的炫技，而是在延迟、隐私、离线可用性和成本压力下，变成越来越实际的工程选择。 ExecuTorch 的核心价值，正是让 PyTorch 生态里的模型更顺...
# AI # PyTorch # 机器学习
阅读全文

用 Amazon Bedrock 识别 AI 生成的钓鱼邮件：从提示词到自动化拦截

来源: aws.amazon.com 45
钓鱼邮件一直是攻击链里最便宜、最常见的入口。生成式 AI 改变了它的规模和质量：攻击者可以结合公开情报（OSINT），批量生成语气自然、上下文贴合、几乎不重复的邮件。对安全团队来说，传统基于关键字、黑名单和固定模板的检测方式会越来越吃力。Amazon Bedrock 的价值在于：把大语言模型接入邮件安全流水线，让系统不只看“有没有可疑词”，还看“这封邮...
# AI # AWS # 云平台
阅读全文

在 Amazon SageMaker AI 中做多轮强化学习：从可信环境到外部评测

来源: aws.amazon.com 60
多轮强化学习的难点不只是“让模型多说几轮”。一旦 Agent 可以连续行动，环境状态、奖励归因、评测方式和监控指标都会变得更敏感。要把训练做可靠，关键是先让训练环境可信，再用独立评测验证结果，并把奖励函数对齐到最终任务，而不是只奖励表面行为。 多轮 RL 的训练环境不是一个简单的输入输出函数。它需要在每一轮保存状态、执行动作、返回观测，并在合适的时候终...
# AI # AWS # LLM
阅读全文

用 AWS 搭一个无服务器 A2A 网关：一个域名管理多个 Agent

来源: aws.amazon.com 44
A2A 的一个现实问题是：当团队开始部署多个 Agent，客户端到底该连谁、怎么发现、谁有权限访问，很快会从“协议问题”变成“入口治理问题”。这篇内容的核心做法是，在 AWS 上构建一个无服务器 A2A gateway，用单个域名承载多个 Agent，并通过 这种路径路由到不同后端。标准 A2A 客户端不需要修改，这是它最有价值的地方。 如果每个 Ag...
# AI # AWS # LLM
阅读全文

用元数据给 AgentCore Memory 做结构化记忆过滤

来源: aws.amazon.com 58
Agent 的记忆系统一旦进入企业场景，问题就不只是“能不能记住”，而是“该记住谁的、在哪个上下文里用、哪些 Agent 可以读”。AgentCore Memory 中的 metadata 过滤，正是把记忆从一堆向量片段，变成可治理、可隔离、可审计的结构化资产。 在 AgentCore Memory 里，metadata 会贯穿三个阶段：配置、写入和检...
# AI # AWS # LLM
阅读全文

用 Bedrock、Neptune 和个性化 PageRank 搭建 HippoRAG

来源: aws.amazon.com 39
传统 RAG 常把知识切成文本块，再用向量相似度召回。HippoRAG 的关键变化是：把知识组织成图，让检索过程不只看“这段文字像不像问题”，还看实体之间如何连接、哪些节点在当前问题语境下更重要。基于 AWS 的实现路径很清晰：Amazon Bedrock 提供 LLM 能力，Amazon Titan Embeddings 生成向量表示，Amazon ...
# AI # AWS # Go
阅读全文