Category: Artificial Intelligence

提示词工程是一种高效灵活的技术,通过设计合理的提示,可以激发大型语言模型中蕴含的知识,从而在下游任务中获得良好的生成质量。本文全面介绍了提示词工程的基本原理、设计方法，以及在不同任务场景下的应用实践，包括直接提示、链式提示、图谱提示、生成类提示和集成式提示等 16 种技术。提示词工程为大型语言模型的应用开辟了广阔的前景，将与其他人工智能技术相互融合，构建更加智能、高效和人性化的人机交互系统。

这个解决方案演示了如何使用亚马逊个性化服务（HAQM Personalize）为 HAQM Pinpoint 生成高度个性化的客户细分。它利用机器学习来分析客户数据，如产品互动和属性，以识别对特定产品类别或属性感兴趣的细分群体。通过自动化工作流程完成 HAQM Personalize 模型训练，生成用户细分，并将其导入 HAQM Pinpoint。营销人员可以随后创建有针对性的活动和旅程，通过电子邮件、推送通知和短信等渠道与细分用户进行互动。

本文介绍了 HAQM Lex 的新生成式 AI 功能以及和 HAQM Connect 结合提供智能语音客服功能具体的配置过程。通过应用大型语言模型（LLM），HAQM Lex 能够理解更复杂的问题，并提供更自然、更人性化的回答。Lex 提供的新生成式 AI 功能包括：描述性机器人构建、辅助槽位解析，训练话语生成以及 AMAZON.QnAItent 自动构建。

本文将以 Llama3 模型为例，介绍如何在 HAQM SageMaker 便捷地进行模型推理，并根据设定的伸缩策略进行自动扩缩，以应对不同的工作负载需求。

LLM 的推理过程需要强大的算力包括显存资源，这使得在现代硬件平台上高效服务这些模型变得极具挑战性。通过使用 Spot 实例， 在维持高性能的同时能显著降低大语言模型的推理成本。

HAQM Connect 是一种基于云的联络中心服务，旨在帮助企业提供更灵活、更高效的客户支持。通过集成多种通信渠道和自动化工具，HAQM Connect 能够显著提升客户体验和业务效率。某客户前期已经使用 HAQM Connect 在工作时间为其终端用户提供人工电话咨询服务。为了在非工作时间为终端用户提供自动化问答服务，我们将 HAQM Lex 和 HAQM Bedrock 与现有知识库结合起来，借助大型语言模型，为客户构建一个自动化的问答方案。

在当今快节奏的金融市场中，投资者需要实时获取并分析大量信息，以做出明智的投资决策。传统的分析方式需要大量的代码工作，也对人员的技术代码能力有一定的要求。通过利用 HAQM Bedrock 的 Agents 功能，我们可以低代码构建 AI 驱动的股票分析助手，帮助投资者快速高效地分析股票。

本文针对在 HAQM P5 (H100 GPU) 上部署 Llama-3-70b FP8 精度模型的两种方 […]

在 HAQM SageMaker HyperPod存储设计与实践（一）中我们实现了 SageMaker H […]

背景 相较于直接使用 EC2，通过 HAQM SageMaker 进行模型训练具有训练环境统一，降低训练实 […]