跳到正文
  1. AWS Machine Learning Blog68

    AWS 详解如何在符合 HIPAA 资格的环境中部署 Amazon Quick

    AWS 介绍了在符合 HIPAA 资格的环境中部署 Amazon Quick 的方法,并说明服务符合资格不等于整个环境自动符合 HIPAA 要求。文章梳理了 PHI 的非结构化与结构化数据路径、访问控制、加密和审计日志等能力,以及需要由客户负责的配置和保障措施。文中还以虚构的 AnyCompany Health Plan 为例,给出从签署 BAA、设置不可逆配置到验证日志与权限的部署步骤。

  2. AWS Machine Learning Blog75

    Amazon Polly Generative 引擎升级,新增 14 种语音并支持印地语和芬兰语

    Amazon Polly 升级 Generative 引擎,提供更自然、准确且低延迟的语音输出,并新增 14 种语音,印地语和芬兰语语音首次在该引擎中正式可用。升级已在生产环境全面推出,覆盖 11 个 AWS Region;现有语音名称、API 调用和代码无需更改,价格也保持不变。

  3. AWS Machine Learning Blog60

    Amazon Quick Sight 图层地图如何用 GeoJSON 展示点位与路线

    AWS 介绍了如何在 Amazon Quick Sight 图层地图中使用 GeoJSON 的 Point 和 LineString 几何类型展示地点与路线。文章说明了 GeoJSON 文件结构、与数据集的关联方式,以及图层地图点位与原生点地图的差异。文章还介绍了视口控制、叠加多种几何图层,以及通过 Amazon S3 和 Quick Sight APIs 更新 GeoJSON 的方法。

  4. AWS Machine Learning Blog76

    Amazon SageMaker AI 多轮强化学习实战指南:训练 gpt-oss-20b 玩 Wordle

    AWS 介绍如何在 Amazon SageMaker AI 上用多轮强化学习(MTRL)训练智能体完成需要连续决策的任务,并以 Wordle 演示从部署 AgentCore 智能体、准备数据到训练和评估的完整流程。

    推荐理由:文章把多轮强化学习从任务设计、奖励函数到训练评估串成可复现流程,并展示服务设置会显著影响 Wordle 验证结果。

  5. AWS Machine Learning Blog64

    AWS 教程:用 AWS CDK 编排 SageMaker AI 端点自动扩缩容

    AWS Machine Learning Blog 介绍如何用可复用的 CDK 构造,在更新 SageMaker AI 实时端点时自动注销并重新注册自动扩缩容资源。方案以三个 CloudFormation 自定义资源和显式依赖顺序编排端点更新,并通过 ConfigHash 在配置变化时触发流程。文章还提供示例仓库、部署步骤,以及将构造集成到现有 CDK 堆栈的方法。

    推荐理由:文章梳理了 SageMaker AI 端点更新与自动扩缩容资源之间的部署冲突,并给出可复用的 CDK 构造及集成步骤,便于参考其依赖编排方案。

  1. NVIDIA Blog60

    NVIDIA介绍哈萨克斯坦AI算力建设、企业扩容及相关投资合作

    NVIDIA称,哈萨克斯坦正从AI基础设施规划转向部署,相关公告涵盖算力建设、模型与应用发展。Firebird已获得45,000块NVIDIA Grace Blackwell GPU的美国出口许可,首期项目正在与Kazakhtelecom建设,目标于2027年第三季度商业上线;第二期计划将Firebird在哈萨克斯坦的潜在AI基础设施总容量提升至约500 megawatts。

  2. Microsoft Research76

    Microsoft Research推出Flint-interactive交互式数据可视化语言

    Microsoft Research推出Flint-interactive,这是一种构建交互式数据可视化的语言,可让智能体生成用户能够点击、筛选、缩放和跨图表交互的图表。

    推荐理由:Flint-interactive把交互语义与底层渲染逻辑分开处理,并提供聊天、应用和编程接口等入口,说明其如何降低构建交互式数据可视化的复杂度。

  1. Microsoft Research85

    Microsoft Research 研究者与合作者证明 KLS 猜想,解决 31 年数学难题

    Microsoft Research 研究者与合作者证明了提出于 1995 年的 Kannan–Lovász–Simonovits(KLS)猜想,证明相关界限不随维度增长。研究团队采用人类引导的 AI 智能体搜索流程,探索了约 100 条研究路径;同等总 token 预算下的无引导尝试未能解决问题。独立团队随后给出并行证明,另有 Lean 4 形式化验证工作。

    推荐理由:研究展示了人类引导 AI 智能体探索数学思路的具体流程,并与同等 token 预算下未能解决问题的无引导尝试作了比较。

  1. GitHub Blog · AI & ML66

    GitHub Copilot 如何帮助 3 位 Java Champions 提升效率

    GitHub Blog 采访了三位 Java Champions,介绍他们如何在生产项目和开源工作中使用 GitHub Copilot 提升效率。案例包括将约 900 页教学幻灯片从 Reveal.js 迁移到 Marp,以及借助编码智能体排查 Pi4J 的第五个输入按钮无响应问题;受访者强调,开发者应先明确需求、设置与任务匹配的验证门槛,并对最终代码负责。

    推荐理由:三位 Java Champions 以迁移幻灯片、排查硬件输入故障等案例,展示如何为智能体任务设置验证门槛并保留人工责任。

已经到底了