sagemaker
PulseAugur coverage of sagemaker — every cluster mentioning sagemaker across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
Qdrant 通过原生 ColBERT 重排将 RAG Token 成本降低 67%
Qdrant 推出了原生 ColBERT 重排功能，显著降低了检索增强生成 (RAG) 系统的 Token 成本。这项新功能允许 Qdrant 直接在数据库内进行 Token 到 Token 的比较，无需外部重排服务及其相关的网络开销和成本。通过集成这项先进的重排功能，Qdrant 用户可以在隔离相关信息方面实现更高的准确性，从而在 RAG 流水线中将 Token 消耗量估计减少 67%，这在法律 AI 用例中得到了证明。
-
亚马逊将停用Mechanical Turk，停止接受新客户注册
亚马逊将于2026年7月30日停止接受新客户注册，逐步淘汰其Mechanical Turk众包服务。现有用户可以继续使用该平台，但亚马逊表示不计划推出新功能。Mechanical Turk于2005年推出，曾为训练AI模型和其他数据标注需求提供小任务，但面临劳动伦理和可靠性方面的批评，据报道许多工人现在使用AI来完成任务。
-
LINE MAN Wongnai 将 AI 服务器成本削减 9 倍，应用速度提升 4 倍
LINE MAN Wongnai 已将其 AI 服务器成本显著降低了 9 倍，并将应用程序速度提高了 4 倍。这是通过其 MLOps 方法的战略性转变、优化资源利用率和采用更高效的硬件来实现的。该公司利用 Kubernetes 和 Docker 等技术，以及 AWS 等云服务来有效管理其基础设施。
-
银行风险情报引擎依赖MLOps和数据分析工具
本文详细介绍了现代银行中风险数据分析专业人员的日常工作，重点关注MLOps管道。该角色涉及使用Python、SQL和Jupyter Notebook等工具来管理和分析数据，在AWS SageMaker等平台上部署机器学习模型，并通过Git、Docker和Kubernetes等工具的CI/CD实践确保顺畅集成。叙述强调了这些技术在构建和维护银行风险情报引擎中的实际应用。
-
Cisco AI 推出 FAPO 以实现 LLM 管道的自动化优化
Cisco AI 开发了 FAPO，这是一个开源系统，旨在自主优化多步 LLM 管道。FAPO 使用 Claude Code 来评估、分类故障、提出变体并迭代提示以达到目标准确性。在评估中，FAPO 在大多数基准测试中均优于最先进的提示优化器 GEPA，尤其是在涉及结构性管道更改时，显示出显著的收益。
-
将 35B MoE 模型经济高效地部署到 SageMaker
本文详细介绍了将微调后的 35B Mixture-of-Experts (MoE) 模型部署到 Amazon SageMaker 的过程。文章重点介绍了经济高效部署的实用策略，特别是在单个 GPU 端点上使用 QLoRA 微调 QWEN3.6-35B-A3B 文本到 SQL 模型。
-
在 SageMaker 上使用 LoRA 微调 mBART-50 可媲美 GPT-4
一篇技术文章详细介绍了如何在 Amazon SageMaker 上使用 LoRA 微调 mBART-50 模型。该过程旨在实现与 GPT-4 在翻译任务上相当的性能。该方法涉及一个两步过程：首先生成原始输出的神经网络模型，然后进行上下文层细化。
-
FlightSense平台利用AI和传播特征预测航班延误
研究人员开发了FlightSense，一个MLOps平台，旨在通过对延误如何在飞机轮转链中传播进行建模来预测航班延误。该系统通过整合延误传播特征和气象数据，实现了0.879的AUC。FlightSense部署在AWS上，具备实时推理、仪表板和一个用于用户查询的对话式AI助手。
-
Neura Robotics 与 AWS 合作，在真实环境中部署物理 AI
德国机器人公司 Neura Robotics 已与 AWS 合作，以加速物理 AI 的部署。此次合作将使 AWS 成为 Neura 的主要云提供商，托管其 Neuraverse 平台以训练 AI 系统。此外，Neura 的训练环境将与亚马逊的 SageMaker 集成，亚马逊计划在其配送中心测试 Neura 的机器人，以收集真实运营数据。
-
高效技术团队的机制
Eugene Yan 的文章概述了提高技术团队（尤其是参与机器学习的团队）生产力和有效性的几种机制。关键实践包括用于非正式知识共享和反馈的周终汇报（EOWDs），以及用于深入探讨特定机器学习技术、工具或技能的学习会议。文章还强调了季度回顾的重要性，以确保团队与更广泛的业务和产品优先事项保持一致，并借鉴了 Netflix“高度一致、松散耦合”的理念。
-
数据科学家可以通过数据和苏格拉底式提问在没有权威的情况下施加影响
Eugene Yan 的文章为数据科学家在没有正式权力的情况下影响决策提供了策略，强调了数据的使用和苏格拉底式方法。他建议利用定量和定性数据来展示提案的价值，并采用深思熟虑的提问来引导同事找到解决方案。Yan 还提倡通过一对一的对话和书面备忘录来推广想法，以促进认同并避免防御心理。
-
Eugene Yan 回顾他在亚马逊的角色和2020年的高产写作
Eugene Yan 的2020年回顾详细介绍了他为了在亚马逊担任新职务而搬到西雅图，在那里他构建推荐系统和机器学习系统。他强调通过文档、系统设计和精益团队内的协作来学习扩展自己。Yan 还显著增加了他的写作量，涵盖了从数据科学和机器学习到个人反思和生活经验等主题，他发现这提高了学习效率并促进了联系。
-
探讨机器学习研究进展、系统设计模式及战略性问题选择
Eugene Yan 的系列文章探讨了在实际系统中应用机器学习的实用方面。他强调在实施机器学习之前，应先从启发式方法开始项目，设计模式对于高效的数据处理和系统维护的重要性，以及基于成本效益分析仔细选择问题的必要性。Yan 还详细介绍了部署机器学习模型后遇到的常见挑战，如数据污染和反馈循环，并提出了有效的项目管理和系统维护策略。