Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #12087

Amazon Titan Text Embeddings V2

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

COMPANIES · 1 ИСТОЧН. · AWS Machine Learning

AWS описывает дизайн объяснимости Responsible AI для Amazon Aurora PostgreSQL (Часть 1)

AWS соотносит восемь измерений Responsible AI с возможностями Amazon Aurora PostgreSQL и приводится референсный дизайн для измерения «Объяснимость» на примере RAG-чатбота для поддержки клиентов. В публикации показано, как Aurora ML (вызов SageMaker/Bedrock из SQL), pgvector, Amazon Titan Text Embeddings V2 (1024-мерные векторы), Bedrock Guardrails, Lambda, RLS и логирование аудита могут сочетаться для редактирования PII, обоснования ответов ссылками и записи происхождения данных; это Часть 1 серии, сосредоточенная на Объяснимости.

6.0

COMPANIES · 1 ИСТОЧН. · AWS Machine Learning

Eon использует AgentCore Gateway от Amazon Bedrock для централизованного доступа MCP в нескольких облаках

Eon внедрила централизованный аутентифицированный шлюз на базе Amazon Bedrock AgentCore (Gateway, Runtime, Policy, Identity), заменив учётные данные для каждого инструмента и локальные процессы MCP, что обеспечивает единый доступ инженеров и автономных агентов к инструментам расследования в AWS, GCP и Azure. Это сократило ввод в работу новых инженеров с примерно двух дней до около двух минут и позволяет автономному SRE-агенту Eon (Claude на Bedrock) иметь тот же доступ с отдельными идентичностями и правами.

6.0

CODING · 1 ИСТОЧН. · AWS Machine Learning

Использование Amazon S3 Vectors в качестве постоянной памяти для NVIDIA NeMo Agent Toolkit (NAT v1.6)

Инструкцию по реализации Amazon S3 Vectors как пользовательского провайдера памяти для открытого фреймворка NVIDIA NeMo Agent Toolkit (NAT): плагин MemoryEditor, конфигурация YAML и развёртывание в Amazon EKS; тестировалось с NAT v1.6 и использовалась модель Amazon Titan Text Embeddings V2 для векторных представлений. В статье показано, как сопоставить модель памяти NAT (MemoryItem/MemoryEditor) с индексами и метаданными S3 Vectors и какие инструменты и настройки нужны для примера с мультиагентной исследовательской системой.

5.0