2026. augusztus 21., péntek · Eszközök

Az AWS KnowledgeForge: mesterséges intelligencia bányássza az IT-hibajegyekből a tudást

Az AWS hivatalos blogbejegyzése a KnowledgeForge nevű megoldást mutatja be, amely a vállalati IT-support (ITSM) rendszerekben felhalmozódott, lezárt hibajegyekből nyer ki hasznosítható tudást. Az AWS állítása szerint a lezárt jegyek tünet-ok-megoldás hármasa jellemzően nem kerül be a tudásbázisba, ezért a hasonló hibával szembesülő mérnök elölről kezdi a diagnosztizálást. A cég szerint a rendszer a meglévő tudásbázist is karbantartja: típus szerint rendszerezi a cikkeket, kiszűri a duplikátumokat, minőséget pontoz és újraírja a gyenge tartalmakat, miközben egy tudásmenedzser hagyja jóvá a végeredményt. Technikailag az Amazon Bedrock végzi a tartalomgenerálást, az Amazon S3 Vectors a duplikátumkeresést, az AWS Step Functions pedig az összeállítás vezérlését. A bejegyzés az architektúrát és tervezési célokat ismerteti, független teljesítménymérést nem közöl.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A bejegyzés konkrét AWS-architektúrát ismertet a support-rendszerekben rekedt tudás generatív AI-val történő visszaforgatására, bár független hatékonysági adat egyelőre nincs.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #AWS Bedrock#ITSM automatizálás

Napi összefoglaló

Ez a hír a 2026. augusztus 21., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Az AWS nyolclépéses útmutatót adott ki a generatív AI testreszabásához

Az AWS hivatalos blogbejegyzése egy nyolclépéses döntési keretrendszert mutat be, amellyel a fejlesztők eldönthetik, milyen mélységű testreszabás szükséges egy generatív AI-feladathoz az Amazon Bedrock platformon. A bejegyzés szerint a testreszabási spektrum három fő kategóriára oszlik: a modell változtatás nélküli használata jobb promptokkal, a dokumentumok bevonása retrieval augmented generation (RAG) technikával, illetve a finomhangolás vagy teljesen egyedi modell betanítása. Az AWS azt állítja, hogy a csapatok gyakran rossz döntést hoznak: túl korán nyúlnak finomhangoláshoz, amikor egy jól megírt prompt is elég lenne, vagy éppen ellenkezőleg, hetekig ragaszkodnak a prompt-optimalizáláshoz olyan feladatoknál, amelyek valójában dedikált tanítóadatot igényelnének. A cég szerint mindkét hiba plusz számítási költséggel, csúszó határidőkkel és a megrendelők bizalmának elvesztésével jár. A bejegyzés az Anthropic Claude, az Amazon Nova és a Meta Llama modellek Bedrock-on keresztüli elérhetőségét említi konkrét példaként.

Az AWS új kvótakezelést vezetett be a SageMaker tanítási feladatokhoz

Az AWS Batch mostantól kvótakezelést kínál a SageMaker Training feladatokhoz, amely lehetővé teszi, hogy a vállalatok a megosztott GPU-kapacitást csapatonként vagy projektenként osszák fel. A vállalat szerint az adminisztrátorok kvótarészeket hozhatnak létre, amelyekhez konfigurálható erőforrás-megosztási stratégiák (fenntartás, kölcsönadás, vagy kölcsönadás és -vétel) tartoznak, így a szabadon álló kapacitás automatikusan átirányítható a dolgozó csapatokhoz. A rendszer úgynevezett kereszt-megosztási elvonást (cross-share preemption) alkalmaz, amely automatikusan visszaveszi a kikölcsönzött kapacitást, ha a kölcsönadó csapatnak újra szüksége van rá, elkerülve a manuális feladatleállítást. Emellett bevezethető a prioritás alapú, csapaton belüli elővásárlás (in-share preemption) is, amely a magasabb prioritású feladatokat előresorolja a várakozási sorban. Az AWS a funkciót a SageMaker Python SDK-n keresztül teszi elérhetővé, mintakóddal és felhasználói útmutatóval.

Az Anthropic szerint nem kell teljes mentális modell a Claude Code-hoz

Az Anthropic közzétette, hogyan működik most a Claude Code kódellenőrzése, miután a vállalat szerint a kód mintegy 90%-át maga a Claude írja. A cég szerint a csapat tagjai közül senki nem tart fejben teljes képet a kódbázisról, ehelyett Claude-tól kérnek magyarázatot egy-egy részlethez, amikor valakinek meg kell értenie egy szeletét. A monorepó napi összevont változtatásainak száma májusról szeptemberre a cég szerint körülbelül 2500-ról 30 000 fölé nőtt, ezért a korábbi kódellenőrzési folyamat is átalakult. A beolvasztást egy kockázati besorolás szabályozza: alacsony kockázatú változtatás emberi jóváhagyás nélkül mehet át, és egy ügynök jóváhagyása sosem számít emberi jóváhagyásnak. A cég szerint egyelőre nincsenek olyan automatikus féklépcsők, amelyek szigorítanák a jóváhagyást, ha a mutatók romlanak, és a mérnökök ezt hiányolják, mielőtt több kód kerülne nulla emberi beavatkozással élesítésre.

A Google megnyitja a Gemini és a Search AI-integrációit a fejlesztők előtt

A Google bejelentette Connected Apps Platform nevű fejlesztői felületét, amellyel bármely vállalat vagy fejlesztő a Gemini és a Google Search AI-funkcióihoz kapcsolhatja saját alkalmazását – írja a TechCrunch. A cég szerint már több mint 50 partner, köztük az Adobe, az Experian és a Peloton alkalmazása érhető el a Geminiben, hamarosan csatlakozik a Calm meditációs app is, a Search-integrációk pedig a következő hetekben bővülnek. Ezzel párhuzamosan a The Decoder beszámolója szerint a Google az Android Dev Summiten megnyitotta az Android Studio fejlesztői környezetét is: a „Bring Your Own Agent” funkcióval több mint 40 külső kódoló ügynök, köztük az Anthropic Claude Agentje és az OpenAI Codexe futtatható közvetlenül az IDE-ben. A vállalat emellett bemutatta a Gemini Nano 4 modellre épülő helyi Agentic API-t és az XREAL-lel közösen fejlesztett, 1099 dolláros AURA okosszemüveget, amely a Gemini segítségével elemzi a valós környezetet.