Author: AWS Team

AWS Shield 是一项托管服务，旨在保护应用程序和网站免受分布式拒绝服务（DDoS）攻击的影响。它提供了 […]

本文介绍了一种电商导购的实现方案，该方案考虑了电商这个垂直行业的行业属性，导购场景的特殊语料和商品属性，有针对性的预训练一个电商导购对话模型，同时结合电商既有的商品推荐 Agent，训练了模型的 function call 任务，在整个购物对话过程中，还通过 Bedrock Claude3 Haiku 模型完成了数据扩写、意图识别和商品推荐任务，经过客户真实数据和商品推荐 API 的验证，其对话理解能力、api 抽取能力、意图识别能力、推荐文案生成能力都能满足导购需求。

无服务器技术不仅能够最大限度地减少构建者用于管理基础设施的时间，还可以协助构建者减少他们需要编写的应用程序代码的数量。得益于业务逻辑和应用程序拓扑之间的更清晰的分离，将应用程序代码替换为完全托管式云服务可以提高应用程序的运营性和可维护性。本博客文章将向您介绍其中的工作原理。

这篇博文旨在指导如何使用 Amazon Redshift Serverless 为游戏行业应用场景构建可扩展的分析解决方案。文中介绍了如何使用概念逻辑架构来应对一些十分常见的游戏行业应用场景，例如活动分析、游戏内购买推荐、衡量玩家满意度、遥测数据分析等。

本篇博文将讨论了一种可扩展的架构，该架构可以在低延迟、高并发场景中提高 Redshift Serverless 的吞吐量。通过在网络负载均衡器的后面部署多个 Redshift Serverless 工作组，可以提供水平扩缩解决方案并实现极为出色的性价比。

在上一篇文章《使用亚马逊云构建企业智能知识问答助手第一篇 之 架构演进》中我们通过一个真实客户案例介绍了Chatbot在企业内部。作为系列博客中的第二篇，我们会专注于介绍项目组在PoC中，针对Knowledge Base类型的数据提高整体问答准确率的优化思路和实践过程。

本文将通过一个在亚马逊云上构建企业智能知识问答助手的真实客户案例，来介绍它的技术架构是如何随着需求的变化和自然语言处理技术的进步而逐步演进的。本篇也是一个系列博客的开始，后续还将继续为您介绍诸如如何针对Knowledge Base类型文章提高问答准确率，如何针对长文档问答的需求提高准确率，以及源数据的权限管理和数据同步等内容。

本文主要是介绍 StarRocks on AWS Graviton3，实现 50% 以上性价比提升，提供了测试方法和测试结果。

本文主要介绍在海外税务处理流程中发票信息提取场景下，欧税通和亚马逊云科技一起探索了 Claude 3 系列模型应用在该场景中的可行性，最终让 Claude 3 Haiku 实现了高达 91% 的综合识别正确率，显著提升了运营人员的工作效率、降低了运营人员的工作疲劳感和乏味感并最终降低了整体的人力成本。

在没有 Enable EMR Kerberos 和 Apache Ranger 等安全组件下，如何实现 EMR 下 Hive 表的读写分离。