Функция подключения Amazon Bedrock AgentCore к Amazon VPC упрощает развертывание агентов искусственного интеллекта за пределами Amazon VPC. Она обеспечивает доступ к частной сети без вывода трафика в общедоступный Интернет, предлагая управляемый и самостоятельный режимы развертывания для подключения к частным конечным точкам.
Cursor делает программирование с помощью ИИ доступным для всех благодаря своему SDK, позволяющему разработчикам программно интегрировать в свои системы мощные агенты-программисты. Этот SDK использует ту же среду выполнения и инфраструктуру, что и собственные продукты Cursor, что упрощает процесс создания и обслуживания агентов-программистов.
Компания Sun Finance в партнерстве с AWS создала конвейер проверки личности на базе искусственного интеллекта, повысив точность до 90,8 % и сократив время обработки с 20 часов до 5 секунд. Решение, объединяющее сервисы Amazon Bedrock, Textract и Rekognition, позволило сократить затраты на 91 % и улучшить эффективность выявления мошенничества.
Метод «Регулировка с помощью подкрепления» (RFT) усовершенствует крупные языковые модели (LLM) за счет автоматических сигналов вознаграждения, повышая точность и надежность. Использование LLM в качестве «судьи» в рамках RFT обеспечивает контекстную обратную связь, объясняемость и ускоряет итерационный процесс для более эффективной адаптации.
Организации должны поддерживать гибкость моделей для оптимизации ИИ. Систематическая структура для миграции или обновления больших языковых моделей (LLM) упрощает переход и способствует постоянному совершенствованию.
ИИ-помощник Amazon Quick преобразует процесс анализа данных для современных предприятий, предоставляя возможности самообслуживания и поддержку запросов на естественном языке. Интегрированная архитектура использует Amazon S3, SageMaker и AWS Glue для реализации модели «lakehouse», что делает доступ к данным более доступным для широкого круга пользователей, одновременно обеспечивая безопасность ...
При линейной регрессии с категориальными предикторами для обучения с использованием замкнутых форм следует применять кодирование «drop-first». Кодирование «drop-first» является предпочтительным вариантом для линейной регрессии с точки зрения интерпретируемости и простоты модели.
Разработчики сталкиваются с трудностями при организации памяти для агентов искусственного интеллекта, что приводит к появлению уязвимостей в системе безопасности. Amazon Bedrock AgentCore Memory использует пространства имён для упорядоченного, доступного и безопасного хранения данных в памяти. Пространства имён обеспечивают иерархический поиск и контроль доступа, что является необходимым услов...
IBM и Массачусетский технологический институт (MIT) открывают исследовательскую лабораторию MIT-IBM Computing Research Lab, которая будет заниматься исследованиями в области искусственного интеллекта и квантовых вычислений с целью переосмысления будущего вычислительной техники. Лаборатория ставит перед собой цель ускорить развитие алгоритмов искусственного интеллекта, квантовых супервычислений...
ИИ-агенты, использующие протокол Model Context Protocol (MCP), получают широкий спектр возможностей. Amazon Bedrock AgentCore Gateway обеспечивает централизованное управление интеграцией агентов и инструментов, а бессерверный прокси-сервер MCP в среде AgentCore Runtime позволяет настраивать контроль трафика MCP.
Предвзятость в медицинских моделях искусственного интеллекта может приводить к ошибочным диагнозам. Новый подход к устранению предвзятости под названием WRING призван решить проблему предвзятости в моделях VLM, таких как OpenCLIP, избегая при этом «дилеммы Whac-A-Mole».
Лаборатория FAIR компании Meta выпустила NeuralSet — фреймворк на языке Python, предназначенный для устранения узких мест в обработке данных в области нейробиологии. NeuralSet разделяет структуру и данные, упрощая сложную задачу выравнивания нейронных временных рядов для фреймворков искусственного интеллекта.
Автор протестировал регрессионную модель «случайного леса» на наборе данных по диабету, что, как и ожидалось, привело к низкой точности прогнозирования. Для обучения модели использовались нормализованные данные, при этом точность как на обучающем, так и на тестовом наборах составила около 0,24.
Исследователи из Массачусетского технологического института (MIT) разработали метод, позволяющий повысить эффективность федеративного обучения на 81% и обеспечить безопасное обучение ИИ на периферийных устройствах с ограниченными ресурсами. Этот прорыв может расширить сферу применения ИИ в здравоохранении и финансах, сделав мощные модели доступными для небольших устройств.
Компания Poolside AI представляет модели Laguna M. 1 и Laguna XS. 2, отличающиеся высокой эффективностью и уникальными функциями. Модель Laguna XS. 2 демонстрирует инновационную архитектуру с использованием SWA и глобальных слоёв внимания, что делает её идеальным решением для локального использования на устройствах.