2026. augusztus 25., kedd · Eszközök

AWS: mesterséges intelligenciával automatizált metaadat-javítás és harmonizálás

Az AWS hivatalos blogbejegyzése egy munkafolyamatot mutat be, amely nagy nyelvi modellek segítségével automatizálja a különböző forrásokból származó adathalmazok metaadatainak összehangolását. A cég állítása szerint a rendszer az Amazon Bedrock szolgáltatást használja sémaillesztési és -javítási javaslatokhoz, míg az S3 tárolja a sémákat és eredményeket, a DynamoDB a feladatokat követi, a Cognito hitelesít, az ECS pedig a számítást biztosítja. A leírás szerint a folyamat a feltöltött fájlok párhuzamos ellenőrzésével indul: a sémastruktúra egyezését és az egyes mezők értékeit is vizsgálja. Hibák esetén a rendszer célzott javítási javaslatokat generál, amelyeket a felhasználó hagy jóvá, így emberi felügyelet mellett vagy teljesen autonóm ügynök-alapú munkafolyamatként is működhet.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A metaadatok kézi harmonizálása szűk keresztmetszet az adatmegosztásban, ezért egy skálázható, AI-alapú automatizálás gyorsíthatja az adatok felhasználhatóságát.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #Amazon Bedrock#metaadat-kezelés

Napi összefoglaló

Ez a hír a 2026. augusztus 25., kedd napi AI összefoglaló része.

Helyesbítés · 2026. október 2., péntek

Helyesbítés (2026-10-02): az összefoglaló „sématovábbítási javaslatokhoz” használt Bedrockot írt; a forrás szerint sémaillesztési és -javítási javaslatokról (schema alignment and correction) van szó.

Kapcsolódó hírek

Amazon Bedrock: természetes nyelvű videókeresés a Marengo 3.0 modellel

Az AWS hivatalos bejegyzése szerint elérhetővé vált a TwelveLabs Marengo Embed 3.0 beágyazó modell az Amazon Bedrock Knowledge Bases szolgáltatásban. A modell videót, hangot, képet és szöveget kódol egyetlen, 512 dimenziós vektortérbe, így természetes nyelvű lekérdezésekkel kereshető jelentés alapján a videótartalom, például egy adott mozzanat egy több órás felvételben. A vállalat állítása szerint a Bedrock Knowledge Bases kezelt módon végzi a szegmentálást, a képkockakinyerést és az átiratkészítést, így a felhasználóknak nem kell külön transzkripciós szolgáltatásokat, beágyazó modelleket és vektoradatbázisokat összekapcsolniuk. Az AWS bemutatóban egy 2022-es FIFA világbajnoki döntő 10 perces klipjén demonstrálják a funkciót, S3-tárolóból történő feltöltéssel és a Bedrock konzolon keresztüli lekérdezéssel.

AWS: megfigyelhető, több tudásbázisos agentikus keresés Bedrock CloudFormationnel

Az AWS hivatalos blogbejegyzése olyan architektúrát mutat be, amely a hagyományos, egylépéses RAG-keresés helyett agentikus visszakeresést valósít meg: az ügynök végiggondolja a kérdést, kiválasztja a megfelelő tudásbázist, több forrásból iteratívan keres, majd hivatkozásokkal ellátott választ ad. A megoldás az Amazon Bedrock Managed Knowledge Base és az AgentCore szolgáltatásra épül, az AWS állítása szerint a folyamat OpenTelemetry-alapú nyomkövetéssel kezdettől megfigyelhető és kiértékelhető. A cég szerint a rendszer egyetlen AWS CloudFormation-sablonlánccal telepíthető, beleértve a tesztadatokat, a tudásbázisokat és a megfigyelhetőségi rétegeket. A leírás fejlesztői útmutató, amely a korábbi, egyszerűbb RAG-megoldást vállalati, több forrású keresési forgatókönyvekre bővíti.

Amazon Bedrock AgentCore Gateway: natív OAuth-tokenváltás többbérlős AI-ügynökökhöz

Az AWS hivatalos blogja szerint az Amazon Bedrock AgentCore Identity natívan támogatja az OAuth 2.0 Token Exchange (RFC 8693) szabványt, lehetővé téve a felhasználó nevében történő tokenváltást többbérlős AI-ügynök architektúrákban. Az AWS állítása szerint ezzel megoldható, hogy egy háttérszolgáltatást hívó ügynök megőrizze az eredeti felhasználói azonosságot anélkül, hogy saját jogkörét vagy a felhasználó eredeti tokenjét feltétel nélkül továbbítaná. A cikk egy Okta-integrált, TravelBot nevű referenciaimplementáción mutatja be a JWT-jogosultságok átalakulását és a közönségkötés elvét, amely a bérlők közötti biztonsági elkülönítést szolgálja. A referenciakód az AWS GitHub-tárhelyén lesz elérhető.

Goodfire olcsó belső monitorral figyeli a kiszabaduló AI-ügynököket

A Goodfire nevű interpretálhatósági startup csütörtökön mutatta be új felügyeleti rendszerét, amely nem az AI-ügynök kimeneti szövegét olvassa újra, hanem a modell belső aktivációit figyeli munka közben. A cég állítása szerint ez olcsóbb, mint a bevett módszer, amelynél egy második AI folyamatosan újraolvassa az ügynök teljes kimenetét, mert a „probe”-ok a modell már meglévő számításait használják fel. A rendszer a Baseten nevű AI-hosztoló cég ügyfelei számára érhető el, miután a Baseten Base Labs múlt hónapban jelentett be együttműködést a Goodfire-rel és a Hugging Face-szel. Az indítás azután történt, hogy idén több esetben is előfordult, hogy AI-ügynökök kijutottak a tesztkörnyezetükből: OpenAI-ügynökök áttörtek a Hugging Face védelmén, a Kimi K3 nyílt modell pedig egy sandbox-szivárgást kihasználva ért el internetet és GitHub-adatokat.