Opsummering af AWS blogs for uge #17 i 2023
I uge 17 publiserede AWS 83 blog posts – her er et overblik.
Indhold
- AWS DevOps-blog
- Amazon Web Services’ officielle Machine Learning-blog
- Meddelelser, Opdateringer og Lanceringer
- AWS Smart Business Blog: Oversæt indholdet ovenfor til et titel på dansk
- Officiel Database Blog af AWS
-
“AWS for Spil Blog”
- Microsoft Workloads på AWS
- Den officielle Big Data-blog fra AWS
- Netværk og Content Distribution
- AWS Compute Blog: Oversæt til dansk
- AWS til M&E Blog
- AWS Lagringsblog
- AWS-udviklerværktøjer Blog
- AWS Arkitektur Blog
- AWS Partner Network (APN) Blog: Oversæt titlen
- AWS HPC-blog: Oversæt den ovenstående input til en titel på dansk
- AWS Sky Operations & Migrationer Blog
- AWS til Industrier
- Seneste sikkerheds-, identitets- og overholdelseslanceringer, nyheder og how-to-indlæg fra AWS
- AWS Startups Blog: Oversætning af indhold
- AWS Kontaktcenter
- Innovating i den offentlige sektor
- Den Internet of Things på AWS – Officiel Blog
- AWS Open Source Blog: Oversæt til dansk
AWS DevOps-blog
Brug af DevSecOps til hurtigere applikationsbygninger med Amazon CodeGuru Reviewer og Bitbucket Pipelines
Integrering af sikkerhedskontroller i CI/CD-workflows med DevSecOps
DevSecOps er et sæt af bedste praksis, der kombinerer sikkerhedskontroller med kontinuerlig integration og levering (CI/CD). Det første skridt i denne proces er at udnytte værktøjer til statisk applikationssikkerhedstest (SAST) for at søge efter potentielle sikkerhedshuller, før koden afvikles første gang. At fange sårbar kode tidligt i udviklingsprocessen kan hjælpe med at forhindre dyre sikkerhedsbrud senere.
Brug af Amazon CodeGuru Reviewer og Bitbucket Pipelines til implementering af DevSecOps
Amazon CodeGuru Reviewer er en integreret service, der understøtter sikkerhedstest på kodeniveau. Den bruger maskinlæring til at identificere sikkerheds- og ydelsesproblemer i kode. Det kan bruges sammen med Bitbucket Pipelines, et skybaseret CI/CD-værktøj. Denne kombination af tjenester gør det nemt at implementere DevSecOps og sikre, at koden er sikker, før den deployeres.
Acceleration af applikationsbygninger med Amazon CodeWhisperer
Amazon CodeWhisperer er et kraftfuldt generativt AI-værktøj, der hjælper brugerne med at bygge applikationer hurtigere ved at automatisere almindelige kodningsopgaver. Ved at inkorporere CodeWhisperer i deres workflow kan udviklere drastisk reducere deres udviklingstid og opnå bedre resultater. Effektiv brug af CodeWhisperer kræver dog et begyndermindstæt og en vilje til at adoptere nye metoder.
Hvordan Cloud2 kan hjælpe
Hos Cloud2 specialiserer vi os i at levere professionelle og håndterede tjenester til AWS. Vores hold af AWS-eksperter er erfarne i at arbejde med Amazon CodeGuru Reviewer og Bitbucket Pipelines for at opbygge sikre og pålidelige applikationer hurtigt. Vi kan også give vejledning i, hvordan man bruger Amazon CodeWhisperer til at accelerere applikationsbyggerier. Kontakt os i dag for at høre mere om, hvordan vi kan hjælpe dig med at få mest muligt ud af DevSecOps og Amazons generative AI-værktøjer.
Læs de fulde blogs fra AWS
- DevSecOps with Amazon CodeGuru Reviewer CLI and Bitbucket Pipelines
- 10 ways to build applications faster with Amazon CodeWhisperer
Amazon Web Services’ officielle Machine Learning-blog
Nyeste fremskridt i maskinlæring for at forbedre multi-hop-teoretisk og udvide funktionaliteten af AWS Trainium
Store sprogmodeller (LLM’er) gør store fremskridt inden for naturligt sprogforståelse, men de er udsatte for at generere selvsikre, men meningsløse forklaringer, hvilket udgør en betydelig hindring for etableringen af tillid til brugere. Dette indlæg introducerer en metode til at indarbejde menneskelig feedback på forkerte teoretiske kæder for multi-hop-teori for at forbedre ydeevnen. Desuden dækker indlægget, hvordan man udvider funktionaliteten af AWS Trainium med brugerdefinerede operatører.
Indarbejdelse af menneskelig feedback for forbedret multi-hop-teori
Indarbejdelse af menneskelig feedback på de forkerte teoretiske kæder kan udfylde hullet mellem LLM’er og levere konsistente og troværdige resultater. For at gøre dette skal der et rammeværk, der kan tage imod feedback fra en menneskelig evaluator og bruge den til at opdatere et sprogmodel. Ved hjælp af feedback fra en menneskelig evaluator er modellen i stand til at justere sine vægte og forbedre sin ydelse. Derudover skal rammeværket tage højde for, at menneskelig feedback kan være støjende, da nogle feedback muligvis er forkerte eller ufuldstændige. For at tage højde for dette skal rammeværket være i stand til at identificere falsk feedback og forkaste den.
Denne proces gør det muligt for modellen at lære af rig menneskelig feedback, blive mere præcis og pålidelig. Den forbedrede ydelse kan derefter bruges til at give mere præcise og troværdige forklaringer.
Udvidelse af funktionaliteten af AWS Trainium med brugerdefinerede operatører
Dyb læring udvikler sig hele tiden, og praktikere skaber konstant nye modeller og måder at accelerere eksisterende modeller på. Brugerdefinerede operatører er en af metoderne, der bruges til at udvide funktionaliteten af eksisterende ML-rammer som PyTorch. En operatør er en funktion, der definerer, hvordan et model skal udføre en bestemt operation, såsom en aktiveringsfunktion eller en konvolutionsoperation. Ved at bruge brugerdefinerede operatører kan udviklere tilføje deres egen brugerdefinerede logik til et model, hvilket gør det muligt for dem at oprette mere kraftfulde og præcise modeller.
Brug af brugerdefinerede operatører kan betydeligt forbedre modellens ydelse, og det bliver stadig mere populært i ML-rummet. Med AWS Trainium kan udviklere tilføje brugerdefiner