Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Maschinelles Lernen und KI
Themen
- Aggregieren Sie Daten in Amazon DynamoDB für ML-Prognosen in Athena
- Verknüpfen Sie ein AWS CodeCommit Repository in einem AWS Konto mit SageMaker Studio in einem anderen Konto
- Automatisches Extrahieren von Inhalten aus PDF Dateien mit Amazon Textract
- Erstellen Sie einen MLOps Workflow mithilfe von Amazon SageMaker und Azure DevOps
- Erstellen Sie ein benutzerdefiniertes Docker-Container-Image für SageMaker und verwenden Sie es für das Modelltraining in AWS Step Functions
- Stellen RAG Sie mithilfe AWS von Terraform und Amazon Bedrock einen Anwendungsfall bereit
- Stellen Sie mithilfe einer Inferenz-Pipeline in Amazon Vorverarbeitungslogik in einem ML-Modell an einem einzigen Endpunkt bereit SageMaker
- Entwickeln Sie fortschrittliche generative KI-Assistenten auf Chat-Basis mithilfe RAG von Funktionen und Eingabeaufforderungen ReAct
- Entwickeln Sie mithilfe von Amazon Bedrock-Agenten und Wissensdatenbanken einen vollautomatischen Chat-basierten Assistenten
- Dokumentieren Sie institutionelles Wissen anhand von Spracheingaben mithilfe von Amazon Bedrock und Amazon Transcribe
- Generieren Sie mit Amazon Personalize personalisierte und neu eingestufte Empfehlungen
- Trainieren und implementieren Sie ein GPU benutzerdefiniertes, unterstütztes ML-Modell auf Amazon SageMaker
- Translate natürliche Sprache in Query DSL for OpenSearch - und Elasticsearch-Abfragen
- Verwenden Sie Amazon Q Developer als Programmierassistenten, um Ihre Produktivität zu steigern
- Verwenden Sie SageMaker Processing für verteiltes Feature-Engineering von ML-Datensätzen im Terabyte-Bereich
- Visualisieren Sie KI/ML-Modellergebnisse mit Flask und Elastic Beanstalk AWS
- Mehr Muster
