2026. szeptember 7., hétfő · Eszközök

AWS bemutatta a többcsatornás WhatsApp-alapú AI rendelési asszisztenst

Az AWS hivatalos blogbejegyzése szerint a vállalat megoldást tett közzé arra, hogyan lehet Amazon Bedrock AgentCore és Amazon Nova 2 modellek segítségével multimodális WhatsApp rendelési asszisztenst építeni gyorséttermek számára. A leírás szerint egyetlen WhatsApp Business-számon keresztül a vevő szöveges üzenetet, hangüzenetet vagy hívást is indíthat, és az AI ügynök a köszönéstől a visszaigazolásig önállóan intézi a rendelést. Az AWS állítása szerint mindhárom csatorna közös backendet és egységes memóriát használ, így felismeri, ha ugyanaz a vásárló ma írt, holnap pedig telefonált. A szöveget az Amazon Nova 2 Lite, a valós idejű beszédet az Amazon Nova 2 Sonic kezeli, a felületet a Meta WhatsApp Business Platformja adja, a telepítést pedig az AWS CDK végzi.

Miért fontos?

A bejegyzés egy konkrét, publikusan dokumentált AWS-referenciaarchitektúrát mutat be, amely felhőalapú AI-modellek és a WhatsApp platform összekapcsolásával egységes, többcsatornás ügyfélélményt tesz lehetővé.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #Amazon Bedrock AgentCore#WhatsApp

Napi összefoglaló

Ez a hír a 2026. szeptember 7., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

AWS útmutatót adott ki agentikus rendszerek Bedrock AgentCore-ra költöztetéséhez

Az AWS hivatalos blogbejegyzése egy konkrét példán, egy LangGraph-alapú ügyfélszolgálati ügynökön keresztül mutatja be, hogyan vihető át egy éles agentikus alkalmazás az Amazon Bedrock AgentCore platformra. A cég állítása szerint a migráció két szakaszban történik: az első lépésben az ügynök változatlan logikával kerül át az AgentCore Runtime, Gateway és Memory szolgáltatásokra, ami kezeli a felhasználói munkameneteket, az állapotmegőrzést és az eszközök hitelesítését, míg a második szakaszban a kézzel írt döntési ág helyett modellvezérelt tervezés épül be a Strands Agents keretrendszerrel. Az AWS szerint ezzel tíz olyan üzemeltetési terhet lehet leválasztani az ügynök tényleges logikájáról, mint a munkamenetek elkülönítése, az állapotkezelés vagy az operációs rendszer patchelése; a leírás fejlesztői gyakorlati útmutató, nem független teszteredmény.

Google nyílt forráskódúvá tette a Mantis AI-sebezhetőségvizsgáló keretrendszert

A Google nyílt forráskódúként közzétette a Mantis nevű AI-ügynök keretrendszert, amely a vállalat állítása szerint automatizálja a szoftveres sebezhetőségek azonosítását, validálását, reprodukálását és javítását. A Google szerint a hagyományos AI-alapú kódvizsgálat gyakran hallucinált hibákat produkál, és a valós találatok aránya 7 százalék alatt marad, ezért a Mantis kritikus- és felülvizsgáló-ügynököket, valamint homokozó (sandbox) környezetben végzett reprodukciót kombinál a megbízhatóbb eredmény érdekében. A cég közlése szerint a rendszer a fájlokat hierarchikus fastruktúrába foglalja, ami 85 százalékkal csökkenti a tokenfelhasználást a szerkezeti kontextus megőrzése mellett. A Mantis moduláris felépítésű, több mint 15 eszközt tartalmaz, stratéga- és kutatóügynökökkel egészül ki, és több különböző AI-modell kombinálását is támogatja a különböző feldolgozási fázisokban.

Figma: AI-ügynökök gyorsítják a biztonsági riasztások kivizsgálását

A Figma mérnökcsapata saját beszámolója szerint AI-ügynököket épített biztonsági csapata számára, amelyek riasztásokat vizsgálnak ki, korábbi incidenseket keresnek vissza, rendszereket ellenőriznek, és kódjavításokat is előkészítenek. A rendszer Panther SIEM-re épül, az AWS, Okta, GitHub, GCP és osquery mellett száznál több forrást kérdez le, emellett AWS Bedrock Knowledge Bases, Amazon Kendra, Tines és Snowflake-alapú eszközöket is használ. A Figma állítása szerint ez mintegy 70 százalékkal csökkentette az összetett riasztások megoldási idejét, és 20 százalékkal kevesebb ügyeleti riasztást eredményezett. A cikk szerint a rendszer memóriája – korábbi esetek, viselkedési útmutatók, megtanult adatbázis-struktúrák – kulcsszerepet játszott, miközben emberi felülvizsgálat és beépített korlátok, például az alapból piszkozatként létrejövő kódjavaslatok, biztosítják a biztonságot.

Cenzúramentesített AI-modelleket árul kereskedelmi szolgáltatásként az Abliteration.ai

Az amerikai Abliteration.ai állítása szerint eltávolítja a betanított elutasítási mechanizmusokat nyílt súlyú modellekből, például a Z.AI GLM-5.3-ból, majd a módosított változatokhoz fizetős API-n keresztül ad hozzáférést. A cég szerint ez nem prompt-alapú kijátszás, hanem a modellsúlyok átalakítása, amely elnyomja a visszautasítást kiváltó aktivációs mintázatokat, miközben a kódolási és kiberbiztonsági képességek nagyrészt megmaradnak. A vállalat saját, nem független tesztjei szerint a módosított GLM-5.3 84,5 százalékot ért el a CyberGym benchmarkon, de más modellek egyes mérőszámokban jobban teljesítettek, és a cég maga is elismeri, hogy az összehasonlítások eltérő teszt-környezetből származnak. A szolgáltatás célja állítólag red teaming és sebezhetőség-elemzés, de a könnyű hozzáférés a visszaélés kockázatát is növelheti.