Amazon Athena
PulseAugur coverage of Amazon Athena — every cluster mentioning Amazon Athena across labs, papers, and developer communities, ranked by signal.
-
Jamf 在 Amazon Bedrock 上实施实时 AI 支出控制
Jamf 开发了一个系统，用于管理和强制执行 Amazon Bedrock 上生成式 AI 使用的支出限额。该解决方案通过提供每个用户的可见性和实时支出强制执行来应对不可预测的 AI 成本的挑战。该架构使用 IAM、Lambda 和 Athena 等 AWS 服务来跟踪工程师支出、应用分层模型限制，并在不中断工作流程的情况下通知用户预算即将达到限额。
-
Amazon SageMaker Feature Store 增加了批量写入和记录发现 API
Amazon SageMaker Feature Store 推出了两个新 API，以提高管理机器学习特征的效率和可用性。BatchWriteRecord API 允许单次调用最多摄入 25 条记录，与单独写入记录相比，显著降低了开销。此外，ListRecords API 使开发人员能够枚举和发现 feature group 中的记录，支持 Standard 和 In-Memory 两种存储层。
-
AWS Bedrock通过Athena和CUDOS增加细粒度成本归属
AWS为Amazon Bedrock推出了一项新功能，允许进行细粒度的成本归属，将每个推理请求追溯到发出调用的特定IAM主体。这使得可以详细了解用户或应用程序的支出，还可以使用成本分配标签进一步汇总到团队或项目。该过程包括设置启用IAM主体数据的成本和使用报告（CUR）2.0导出，然后使用Amazon Athena查询这些数据，最后使用CUDOS仪表板进行可视化分析和成本分摊。
-
AWS SageMaker AI 增强模型监控和支持功能
AWS 为 Amazon SageMaker AI 端点引入了增强模型监控和支持的新功能。第一个开发侧重于推理元监控，它跟踪预测和数据质量指标以检测漂移并自动生成性能仪表板，利用 Amazon QuickSight 和 AWS Lambda 等服务。第二个增强功能是 Deepgram 与 AWS IAM Temporary Delegation 的集成，允许对 SageMaker AI 上的自托管语音模型进行安全、有时限的支持访问，从…
-
AWS 为 Amazon Quick AI 平台提供可观测性解决方案
AWS 详细介绍了一项新解决方案，使企业能够深入了解其对 Amazon Quick（一个生成式 AI 平台）的使用情况。该系统将来自各种 AWS 服务的运营数据整合到一个中央数据湖中进行分析。通过 Amazon CloudWatch、AWS CloudTrail、Amazon S3、Amazon Athena 和 Amazon Quick Sight 等服务，该解决方案能够跟踪用户采用情况、满意度、成本和治理。
-
Amazon Quick 通过文档控制和基于提示的仪表板增强 AI 分析
Amazon Quick，一项由 AI 驱动的分析服务，已推出多项新功能以增强数据访问和可用性。现在支持 Amazon S3 知识库的文档级访问控制列表 (ACL)，允许进行细粒度权限设置以限制敏感文档。此外，Amazon Athena 的跨账户访问允许查询不同 AWS 账户中的数据，同时计费仍由数据所有者承担。该服务现在还允许用户通过自然语言提示生成整个仪表板，从而简化了分析过程。