前言 今天我們將探討如何在AWS上實現Auto Scaling和高可用性設計,確保我們的AI應用能夠穩定可靠地服務用戶。通常確保我們系統用量比較高的時候確實會考...
前言 今天我們要探討安全性和合規性的部分,如何讓 AWS Bedrock 和 AWS Sagemaker在企業內部實施安全控制措施,確保符合各項 AI 規範需求...
前言 今天我們要專注於監控和 log 分析相關,前陣子我們幾乎都只是針對 aws bedrock 和Sagemaker 提到關於監控相關的執行和實作,今天我們以...
前言 我們今天探討的狀況為另一個應用場景,在實際狀態,我們會面臨不同推理的需求,有些需要及時回應用戶請求今天探討的主題為即時推理 Real-time Infer...
前言 今天我們將學習如何使用 A/B Testing 和實驗管理來科學地評估模型效能,並使用 AWS 的工具來管理整個實驗流程去比較哪個模型比較好,這個為了符合...
前言 實際的機器學習會有多重情境,需要多個 pipeline 去做處理像是從數據處理、模型訓練到部署往往需要經過多個步驟,也許有些地方還需要人工介入這樣我們將探...
前言 前陣子已經針對 aws bedrock 和 asw sageMaker 做各種介紹,我們要開始整合各方知識實作一個專案過往我在公司也有過過智能客服聊天機器...
前言 今天我們要深入了解如何將這兩個強大的AI服務進行整合,打造出更完整且靈活的AI應用架構。這種整合不僅能發揮各自的優勢,還能創造出1+1>2的效果 簡...
前言 根據上期訓練好的模型,將訓練好的模型部署為可供應用程式調用的端點(Endpoint)SageMaker Endpoints 是將機器學習模型投入生產環境的...
前言 先前我們用 SageMaker 的基本觀念以及內建的一些算法,今天我們要來訓練自定義模型的部分 參考部分::參考資料 - 算法選擇 參考資料 - 訓練的部...
前言 data wranger 官方連結 在機器學習中,資料品質決定了模型的成敗。今天我們來學習如何使用 SageMaker Data Wrangler 進行高...