鐵人檔案
在AI快速發展的時代，如何運用雲端服務快速構建智慧應用已成為開發者的核心技能。本系列將帶你深入探索AWS兩大AI服務明星：Amazon Bedrock 與 Amazon SageMaker 的完整整合應用。透過30天的實戰學習，你將從零開始掌握企業級AI應用的開發技巧，包含大語言模型應用、自定義機器學習模型訓練、以及兩者的深度整合策略。
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...
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 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 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 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，我們要介紹一個強大的技術：RAG (Retrieval-Augmented Generation)，它能讓 LLM 基於您的專有知識庫來回答問題，...
前言 學習了如何使用 Amazon Bedrock 生成 Embeddings，但光有向量還不夠，我們需要一個高效的方式來儲存和檢索這些向量資料今天我們將深入探...
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 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 今天要開始學習處理多模態應用，這裏使用者會輸入不僅是文字也可能是圖片需要辨識，那我們就需要該技巧，今天，我們嘗試多模態AI的世界，學習如何使用AWS Be...
