2026. október 27., kedd · Eszközök

Az AWS frissítette a SageMaker SDK v3-at az üzemi gépi látás életciklus-kezeléséhez

Az AWS hivatalos blogbejegyzése szerint a vállalat frissítette a gyári minőségellenőrző kamerahálózatok modell-életciklus-kezelésére épülő mintamegoldást az Amazon SageMaker Python SDK v3-hoz, és a kivezetett SageMaker Edge Manager helyett a SageMaker Neo edge-optimalizálást használja. A bemutatott SageMaker Pipeline kameránként 13 lépésben tanít be egy anomáliadetektort és egy ResNet18-alapú hibaosztályozót, minőségi kapukkal, amelyek blokkolják a gyengén teljesítő modelleket. Az orchestrációt AWS Step Functions, SQS FIFO sor és DynamoDB végzi, a kész modelleket pedig a SageMaker Model Registry tárolja Neo-fordítású, eszközre optimalizált csomagként. Az AWS közlése szerint egy teljes pipeline-futtatás szintetikus adatokon mintegy 0,07 dollárba kerül, a telepítés pedig az AWS CDK segítségével, 2.1131.0-s vagy újabb CLI-verzióval történik.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Az AWS szerint az orchestrációs réteg alapértelmezetten legfeljebb öt párhuzamos pipeline-futtatást enged, hogy a gyártási feladatok a standard SageMaker-kvótán belül maradjanak, azaz a mintamegoldás anélkül skálázható több száz kamerára, hogy kvótaemelést kellene kérni.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #AWS SageMaker#Edge AI gépi látás

Napi összefoglaló

Ez a hír a 2026. október 27., kedd napi AI összefoglaló része.

Kapcsolódó hírek

Az Amazon SageMaker Feature Store két új API-val gyorsítja az adatkezelést

Az AWS hivatalos bejelentése szerint az Amazon SageMaker Feature Store két új API-hívást kapott. A BatchWriteRecord egyetlen hívásban akár 25 rekord írását teszi lehetővé több feature-csoportban, részleges sikeresség kezelésével és rekordonkénti élettartam-beállítással, ahelyett hogy a PutRecord-ot kellene egyesével, ismételve hívni. Az AWS szerint ez csökkenti a kapcsolat-terhelést nagy áteresztőképességű pipeline-oknál, például az általuk említett csalásfelismerő rendszerben, amely másodpercenként 10 000 rekordot kezel öt feature-csoportban. A ListRecords API lehetővé teszi a rekordazonosítók lapozott böngészését mind a Standard, mind az In-Memory tárolási szinten, ami eddig hiányzott, és adatvesztés esetén megnehezítette a helyreállítást. A bejegyzés kódpéldákkal és a szükséges IAM-jogosultságokkal mutatja be a két funkció használatát.

Az AWS új funkcióval oldja meg a SageMaker AI-modellek többzónás rendelkezésre állását

Az AWS hivatalos blogbejegyzése szerint a Salesforce a SageMaker AI Inference Components (IC) technológiával nyolcszorosára csökkentette infrastruktúraköltségeit az Agentforce nevű AI-ügynök platformnál, mivel több modellt oszthat meg közös GPU-kon. A cikk szerint az alapértelmezett elhelyezési algoritmus azonban nem garantálta a Salesforce megfelelőségi elvárása szerinti kétzónás redundanciát, mivel modellpéldányok egyenetlenül oszolhattak el a zónák között, ami instancia- vagy zónaszintű meghibásodás esetén kiesést okozhatott. Az AWS ezért bevezette a CreateInferenceComponent API-ban a SchedulingConfig paramétert, amely finomhangolt kontrollt ad a modellpéldányok zónák közötti elosztására. A bejegyzés a Salesforce egy konkrét, négy instanciás, két zónás példáján mutatja be a megoldást.

Az IEEE Xplore AI asszisztenst kapott a tudományos kereséshez

Az IEEE Spectrum beszámolója szerint az IEEE kiadta az IEEE Xplore AI Research Suite nevű eszközt, amely a digitális könyvtárban elérhető milliónyi lektorált publikáció teljes szövegére épül. A vállalat szerint a rendszer természetes nyelvű kereséseket és AI-összefoglalókat kínál, forráshivatkozásokkal, hogy a felhasználók ellenőrizhessék az állításokat. A fejlesztésbe több mint 3000 tesztelőt vontak be, és az IEEE belső tesztjei szerint a teljes szöveges alapozás háromszoros javulást hozott a találatok minőségében és pontosságában minden kulcsmutatóban. A csomag az intézményi IEEE Xplore-előfizetők számára opcionális, külön megvásárolható bővítésként érhető el. Az IEEE vezetői, köztük W. Clem Karl és Steven Heffner szerint a cél, hogy az AI-válaszok ne csak gyorsak, hanem ellenőrizhetők is legyenek, elkerülve a hallucinációkat.

A DigitalOcean új szolgáltatásokkal segíti az AI-ügynökök önfejlesztését

A DigitalOcean bejelentette a Learning Services és az Agent Data Services nyilvános előnézetét, amelyek a vállalat szerint lehetővé teszik, hogy az AI-ügynökök a valós interakciókból tanuljanak, azonosítsák hibáikat és teszteljék a javításokat, mielőtt élesben bevezetnék őket. A Learning Services három elemből áll: az Insights rögzíti az ügynökök tevékenységét, a Signals a hibákat és teljesítményhiányokat azonosítja, a Simulations pedig szimulált beszélgetésekkel teszteli a lehetséges javításokat. Az Agent Data Services a cég közlése szerint biztonságos, kezelt adatalapot biztosít dokumentumok, videó, hang, naplók és ügynöki munkamenetek indexeléséhez, és csak a felhasználó kifejezett hozzájárulása esetén táplálja az adatokat az Optimizer tanító- és tesztadatai közé. A DigitalOcean közlése szerint az Insights, a Signals és az Evaluations, köztük a Simulations nyilvános előnézetben, míg az Inference Router optimalizálása és az Agent Data Services zárt, privát előnézetben érhető el.