标签

机器学习

Outpost VFX 如何用 AWS 多 GPU 训练把换脸模型提速 8 倍

来源: aws.amazon.com 46
视觉特效里的 AI 换脸不是“跑一个模型”那么简单。镜头多、角色多、光照和表情变化复杂，训练时间会直接影响制作排期。Outpost VFX 的案例值得关注：他们把原本受单 GPU 限制的换脸训练流程迁移到 AWS 多 GPU 基础设施上，训练速度提升到约 8 倍，让模型迭代从瓶颈变成可调度的生产能力。 换脸模型训练通常会遇到三个硬问题： 数据量大：一个...
# AI # AWS # 云平台
阅读全文

用 Amazon Bedrock 蒸馏双语货运 NER：从大模型到可部署小模型

来源: aws.amazon.com 56
货运物流里的实体识别不是普通 NER。提单、航班、机场、ULD、商品描述、客户备注经常混着英文缩写、本地语言、行业黑话和不完整句子。来源文章分享了 IBS Software 使用 Amazon Bedrock 知识蒸馏能力构建双语货运 NER 的技术路线：用更强的教师模型生成 token 级标注，再训练更轻、更稳定、成本更可控的学生模型。 这类方案的价...
# AI # AWS # Go
阅读全文

用 SageMaker 微调 Amazon Nova，让邮件抽取从“差不多”变成“字段级准确”

来源: aws.amazon.com 49
邮件数据抽取看起来像一个简单的文本理解任务：把发件人、订单号、金额、日期、地址、客户意图从邮件里拿出来。但真实业务邮件往往格式混乱、字段相似、表达重复，通用大模型很容易把“账单地址”和“收货地址”混在一起，或者把邮件正文里的历史引用当成最新请求。 这篇内容关注一个具体方向：用 Amazon SageMaker AI 微调 Amazon Nova 模型，...
# AI # AWS # 云平台
阅读全文

给 Amazon QuickSight BI 资产做一套可恢复的备份方案

来源: aws.amazon.com 54
QuickSight 里的仪表板、分析、数据集、数据源和主题一旦进入生产，就不只是“报表配置”，而是 BI 交付链路的一部分。备份策略的目标不是把所有东西定期导出那么简单，而是在误删、错误发布、跨账号迁移或灾难恢复时，能明确知道备份了什么、在哪里、能不能恢复。 QuickSight 资产之间有依赖关系。一个 dashboard 可能依赖 analysi...
# AI # AWS # 云平台
阅读全文

用 Nova 2 Lite 和 Claude 搭一条低成本扫描件数字化流水线

来源: aws.amazon.com 43
扫描件数字化最容易被低估的地方，不是 OCR 本身，而是“页面上这些文字到底对应哪张脸、哪个表格、哪个区域”。这篇方案的核心变化是把任务拆给两个模型：Amazon Nova 2 Lite 先做原生多模态抽取，在一次调用里识别照片、可见姓名、坐标和页面级元数据；Claude Sonnet 4.6 再根据版面做空间推理，把名字和人脸配对。这样既控制成本，也...
# AI # AWS # 云平台
阅读全文

用三道防线构建多租户 LLM 分析系统：SigV4、语义校验与行级隔离

来源: aws.amazon.com 53
多租户分析系统接入 LLM 后，最危险的变化不是“模型会不会答错”，而是“模型会不会被诱导越权”。如果一个租户通过自然语言问出了另一个租户的数据，传统的应用层权限判断很容易被 prompt injection、工具调用参数污染或 SQL 生成错误绕过。 PAR 的做法值得关注：他们把安全边界拆成三层，而且每一层都独立工作。请求入口用 AWS SigV4...
# AI # AWS # LLM
阅读全文

用 Amazon Bedrock 和 AWS HealthLake 搭建智能理赔流水线

来源: aws.amazon.com 49
医疗理赔处理最怕两件事：表单信息散落在 PDF、扫描件和附件里，人工录入又慢又容易出错。这个方案的核心变化是把“读单据、抽字段、校验、转成标准医疗数据”串成一条自动化流水线：Amazon Bedrock Data Automation 负责从理赔表单中提取结构化信息，Amazon Bedrock AgentCore 托管 AI Agent 来做校验和转...
# AI # AWS # LLM
阅读全文

用 Amazon Bedrock AgentCore Observability 排查生产 Agent 故障

来源: aws.amazon.com 40
Agent 进入生产环境后，最难处理的不是“模型答错了”这种显性问题，而是它为什么反复调用同一个工具、为什么一次工具调用没有返回、为什么用户看到超时但后端日志看起来正常。Amazon Bedrock AgentCore Observability 的价值就在这里：把 Agent 的执行轨迹、工具调用和运行指标放到同一个可分析的上下文里，让排障从猜测变成...
# AI # AWS # LLM
阅读全文

PyTorch 用 CRCR 把下游后端 CI 接进主仓库节奏

来源: pytorch.org 46
PyTorch 新引入的 Cross-Repository CI Relay，简称 CRCR，解决的是一个很现实的问题：当 的 PR 打开或提交更新时，树外后端仓库也需要尽早知道这次变化会不会把自己打坏。过去这类验证往往靠人工触发、定期同步或维护者事后排查；CRCR 的目标是把“主仓库变化”和“下游仓库 CI”连成一条自动链路，并能追踪结果。 PyTo...
# AI # PyTorch # 机器学习
阅读全文

用按需与批量推理动态切换，构建弹性文档抽取管线

来源: aws.amazon.com 53
处理海量文档时，你总会面对一个矛盾：实时场景要求秒级响应，离线场景则更在意成本控制。Amazon Bedrock 同时提供了按需推理（On-demand）和批量推理（Batch）两种调用模式，但多数人只用了其中一种。把两者组合成一条动态切换的管线，才能在延迟和费用之间找到最优解。 Bedrock 的按需推理是同步调用——请求发出后等待模型返回结果，适合...
# AI # AWS # 云平台
阅读全文