SageMaker
找到 8 篇关于此标签的文章
SageMaker 终于补上批量写特征 — AWS 替企业 AI 项目还工程债
AWS 给 SageMaker Feature Store 加了两个 API：批量写入和记录枚举，一次能写最多 25 条。事看似小，暴露的是企业 AI 项目从演示走到生产之间那道常被低估的工程门槛。
把 GPU 成本压到 1/8 后，Salesforce 撞上了另一堵墙
Salesforce 用 AWS 新工具把 AI 推理成本砍到 1/8，但随即撞上企业级可用性（多机房容灾）的硬门槛。这件事值得关心：AI 落地的瓶颈正从'算力贵'变成'跑得稳'，而后者更难。
AWS 把 SageMaker 训练工具拆掉重做 — '用自己的模型'正变成云厂商标配
AWS 这周把 SageMaker 的 Python SDK 从头重写，统一了训练和部署接口。这意味着企业用自己的模型跑 AI 的门槛又降了一截——云厂商的竞争，也从'比模型'转向'比谁更好用'。
AWS 把机器学习做成了拖拽工具 — 但教程没说怎么判断模型能不能用
AWS 这周发布 SageMaker Canvas 教程，业务分析师无需写代码就能用 Snowflake 数据训练反欺诈模型。门槛大幅降低，但模型评估和数据治理的老问题，被一并藏进了界面里。
NVIDIA 在 AWS 推 Agent 专用小模型 — 大模型不必每步都上
NVIDIA 这周把专为 Agent 高频小任务设计的小模型放上 AWS 一键部署平台，主打单卡可跑、开源可改。信号很明确：Agent 落地正从「大模型包打天下」走向分层路由。这对企业 IT 采购和 AI 工具使用者都有现实影响。
AWS 一次放出 100 多项大模型运维指标，生成式 AI 竞争开始转向“上线后管理”
AWS 宣布 SageMaker 新增 100 多项生成式 AI 推理监控指标，并接入 CloudWatch 内置看板。我们注意到，这不是简单补功能，而是一个信号：大模型竞争正从“谁能训出来”，转向“谁能稳定、便宜、可规模化地跑起来”。
AWS 推出 Context 服务，把企业数据关系织成图谱，Agent 落地开始拼治理而非模型
AWS 在纽约峰会上发布即将上线的 AWS Context，核心是把分散在数仓、数据库和业务规则里的信息自动整理成可治理的知识图谱，供 Agent 调用。值得关心的是，大模型竞争正从“谁更聪明”转向“谁能接上企业真实数据且可控”。
MLflow 3.10 上线 SageMaker — AWS 给生成式 AI 装仪表盘，企业总算能算清账
MLflow 3.10 登陆 AWS SageMaker，新增生成式 AI 评估 API 和预置性能仪表盘。这不只是工具升级，而是 AI 行业从"能不能跑"转向"跑得贵不贵、好不好"的信号。