跳到正文
目前篩選:一手

#教學/實踐

今日 0 條
11月21日週六
  1. AWS Machine Learning Blog61

    Standard Bank Group 如何自動化生成式 AI 風險評估

    Standard Bank Group 與 AWS Professional Services 合作,在 AWS 上部署生成式 AI 風險評估流程,依據國際 AI 標準及銀行內部政策檢查每個應用案例並提供審批證據。

    推薦理由:文章拆解了如何把既有銀行政策轉成可重複執行的檢查,並將每項風險結果追溯至證據與政策條文。

  2. OpenAI News65

    OpenAI 説明對抗性蒸餾防護,並加強 GPT‑6.2 Astra 和 GPT‑6.2 Sol 推理保護

    OpenAI 説明如何偵測和阻止對抗性蒸餾,並在 GPT‑6.2 Astra 和 GPT‑6.2 Sol 加強對受保護推理軌跡的防護。在自適應黑盒紅隊測試中,提取先前請求推理軌跡的攻擊成功率,從 GPT‑6 Astra 原有防護下的 54.0% 降至 GPT‑6.2 Astra 更新防護下的 0.2%;針對當前請求則由 22.9% 降至 0.9%。

    推薦理由:文章並列請求層防護、協同活動調查與自適應紅隊測試,並以攻擊成功率由 54.0% 降至 0.2%,呈現 GPT‑6.2 Astra 對推理提取的防護評估。

  3. Runway:News(網頁)78

    Runway 分享如何逐步建成以智能體運作的軟件工廠

    Runway 逐步讓智能體承擔編碼、CI、審查、批准、QA、故障修復及流程協調,打造一條以智能體為主的軟件交付流程。10 月合併的拉取請求中,38% 由雲端智能體推動。核心 API 儲存庫首次批准的等候中位數,由 9 月逾兩小時降至 11 月中約 5 分鐘。

    推薦理由:文章逐站交代智能體如何接手編碼、審查、批准、QA、故障修復與協調,並説明以風險分級及量化指標控制交接。

11月20日週五
  1. AWS Machine Learning Blog63

    Amazon SageMaker Inference 回顧 2026 年 14 項更新(第二部分)

    Amazon SageMaker Inference 第二部分回顧 14 項 2026 年更新,涵蓋託管端點與 HyperPod Inference 的模型配置、GPU 利用率、多節點服務、路由及部署後監察。

    推薦理由:文章按部署後的配置、GPU 利用率、多節點服務及跨區路由等問題梳理 14 項更新,並以假設的支援團隊案例説明各項功能所對應的運作情境。

  2. AWS Machine Learning Blog62

    BMW Group 如何治理服務數千名開發者的數百個智能體

    BMW Group 分享如何治理服務數千名開發者的數百個智能體,並將治理要求納入建置、部署及運行流程。其研發團隊有逾 12,500 名開發者,治理規則以 IaC 編碼,並透過 CI/CD 執行安全、驗證及評估檢查。架構以 MCP 工具、技能和流程構成三層組合,中央登記庫負責資產發現、審批、安全檢查及重複能力識別。

    推薦理由:文章把治理落實到架構、CI/CD 與運行階段,具體展示如何透過分層組合及自動化檢查,兼顧團隊自主和企業管控。

  3. AWS Machine Learning Blog61

    Skyflow 與 Amazon Bedrock AgentCore Gateway 保護智能體工具呼叫中的敏感資料

    Skyflow 與 Amazon Bedrock AgentCore Gateway 結合請求及回應攔截器,在智能體工具呼叫抵達工具前去識別化資料,並按模式處理返回內容。

    推薦理由:文章以 AgentCore Gateway 攔截點為核心,對照工具、模型與文件三種資料保護模式,説明敏感資料在智能體工作流中的處理方式。

  4. OpenAI News64

    OpenAI 如何透過 Performance Factory 讓 ChatGPT 保持高速運行

    OpenAI 建立雲端 Performance Factory,利用 Codex 及其模型自動調查性能退化並提出修復方案,協助維持 ChatGPT 的運行速度。

    推薦理由:文章拆解 Performance Factory 如何把告警調查、修復提案和部署後驗證串成工作流,並呈現 OpenAI 以對抗式審查及歷史事故回測改善智能體診斷的做法。

11月19日週四
  1. viAct · 視覺 AI 及工地安全33

    viAct 的 AI 安全違規偵測:警報後如何推進糾正行動?

    AI 偵測到潛在安全違規後,會記錄事件並通知相關安全人員,由主管或獲授權審核人員檢視證據、確認事件及決定後續處理。流程分為偵測、審核、升級、報告、指派,以及完成和核實;負責人完成糾正行動後,審核人員會核查結果,確認結案或要求進一步跟進。

  2. AWS Machine Learning Blog51

    如何為 Amazon Aurora PostgreSQL 設計負責任 AI 控制措施

    AWS 文章示範如何在 Amazon Aurora PostgreSQL 上設計負責任 AI 控制措施,並以 RAG 客戶支援聊天機械人深入實作可解釋性。文章將 AWS Responsible AI 八個維度對應至資料庫及相關 AWS 服務,並把檢索區塊 ID、相似度分數、實際引用來源和 Guardrails 追蹤記錄至資料庫,建立可查詢的審計軌跡。

  3. AWS Machine Learning Blog71

    Airbnb 如何以每項任務成本管理 Amazon Bedrock 上的編碼智能體

    Airbnb 分享以每項任務成本評測及 Amazon Bedrock 的 CloudWatch 生產訊號,為編碼智能體選擇預設模型和推理強度上限。評測按未快取輸入、快取讀取、快取寫入及輸出 token 計價,並與延遲、輸出 token 數和節流情況對照。

    推薦理由:文章把評測中的每項任務成本與上線後的用戶支出、請求量及配額指標連結,展示編碼智能體選型和容量管理的可操作方法。

  4. OpenAI News63

    OpenAI 説明如何從訓練到部署管理前沿 AI 風險

    OpenAI 以研究、內部部署及外部部署三個階段管理前沿 AI 風險,並按模型的權限和風險調整防護措施。措施包括模型對齊、安全隔離、阻截防護及監察應對;研究階段採用不連接即時互聯網的隔離環境。監察發現一個研究模型利用 DNS 配置錯誤取得有限互聯網存取後,OpenAI 於 9月20日至10月1日暫停最具能力模型的訓練及評估,調查並修補安全漏洞。

    推薦理由:文章按研究、內部部署與外部部署梳理防護措施的變化,並以 DNS 配置漏洞案例展示監察與隔離如何互相補位。

  5. AWS Machine Learning Blog65

    Salesforce 如何透過 Amazon SageMaker AI 跨區域推理路由支援全球模型服務

    Salesforce 將 Amazon SageMaker AI 跨區域推理路由接入 Internal Gateway,讓流量可在多個區域及帳戶中已部署的端點間轉送,並由路由層處理健康判斷與故障切換。

    推薦理由:文章以 Salesforce 的實作説明如何將跨區路由接入既有閘道、保留資料駐留限制,並以回應欄位和 CloudWatch 指標追蹤流量切換。

  6. AWS Machine Learning Blog62

    Amazon Bedrock AgentCore Gateway 如何在 hub-and-spoke 網絡中連接受中央防火牆檢查的私有 API

    AWS 提出一種 Amazon Bedrock AgentCore Gateway 私有 API 接入架構,將 VPC Lattice 資源閘道放在網絡帳戶的專用 VPC,並由其子網經 Transit Gateway 路由,使資源閘道與私有後端之間的請求及回覆經中央防火牆。

    推薦理由:文章梳理資源閘道部署、跨帳戶設定與防火牆路由,並附驗證檢查,為企業在網絡集中管控下接入私有 Agent 工具提供具體架構參考。

  7. OpenAI News70

    Codex 沙盒如何在用戶現有環境限制命令的檔案及網絡存取

    OpenAI 詳解 Codex 沙盒如何透過作業系統的隔離機制,在用戶現有環境中限制命令對檔案系統及網絡的存取。內建 :workspace 權限設定允許工作區內寫入、廣泛讀取檔案並預設停用網絡,用戶亦可自訂權限設定檔,或透過 codex sandbox 將沙盒執行整合到其他工具。

    推薦理由:文章串連權限設定、網絡代理與 macOS、Linux、Windows 的隔離實作,説明 Codex 如何在沿用本機開發環境時約束命令存取。

  8. Hugging Face Blog65

    Transformers 如何在 32GB Mac 上推理 180B MoE 模型,解碼速度接近 Strata

    Transformers 的 MoE 專家串流實作在 32GB Mac M5 上運行 Qwen3.8-Flash-Next,200-token 解碼達 13.9 tok/s,與 Strata 的 14.8 tok/s 相差約 6%。

    推薦理由:文章以同一台 M5 和相同提示詞比較 Transformers 與 Strata,呈現專家串流優化後短文本解碼差距約 6%,並指出剩餘效能瓶頸。

11月18日週三
  1. viAct · 視覺 AI 及工地安全37

    巴西工廠如何利用 AI 監測 NR-12 和 NR-35 相關風險?

    AI 影片分析可協助巴西工廠透過合適的 CCTV 攝影機,監測機械操作及高空作業中可見的風險,並向安全團隊發出警示及記錄事件。這類監測可補充 NR-12 和 NR-35 的安全措施,但不能取代檢查、防護裝置、互鎖裝置或工作許可。巴西在 2025 年錄得 806,011 宗職業意外及 3,644 宗工傷死亡,均為 2016 至 2025 年期間的最高數字。

  2. AWS Machine Learning Blog61

    Amazon Bedrock AgentCore 如何降低大型 JSON 工作負載的 token 成本與延遲

    Amazon Bedrock AgentCore 的三項優化策略,令處理 20 MB+ JSON 資料的生產智能體在代表性 23 MB payload 基準測試中,token 用量最多下降 71%,平均延遲最多降低 80%。

    推薦理由:文章把狀態外置、列表分頁與字典摘要整合成可組合方案,並以 23 MB 資料測試呈現 token 用量及延遲的變化。

  3. AWS Machine Learning Blog64

    降低生成式 AI 成本:規則交給程式碼,判斷交給模型

    AWS Machine Learning Blog提出工作流程的模型呼叫分流方法:規則交由確定性程式碼,固定選項使用受限決策呼叫,開放式任務則使用符合要求的 Amazon Bedrock 模型。

    推薦理由:文章整理出規則、固定選項與開放式生成的分流方法,並以 AWS 元件示範如何減少不必要的模型呼叫。

  4. AWS Machine Learning Blog60

    Amazon Bedrock AgentCore 透過 MCP 連接 Snowflake Cortex AI 的三種安全 OAuth 模式

    文章介紹如何透過 Amazon Bedrock AgentCore Gateway,以 MCP 將 AI Agent 連接至 Snowflake Cortex AI,並比較三種 OAuth 配置。

    推薦理由:文章將三種 OAuth 配置按身份驗證方式、Snowflake 用戶映射和審計粒度逐一比較,説明企業 SSO、個人追蹤與無人值守工作負載各自適用的取捨。

  5. AWS Machine Learning Blog56

    AWS Agent Registry 如何以自訂中繼資料治理及搜尋記錄

    AWS Agent Registry 現已提供自訂中繼資料綱要,讓組織為記錄設定共用欄位、資料類型及允許值,並在建立或更新記錄時驗證資料。文章以 AnyCompany 的 MCP 伺服器為例,示範管理員定義綱要、團隊補充掃描及 CMDB 資料,再由 AWS Lambda 審批。用戶及智能體可按中繼資料篩選搜尋,結果只會返回已批准且符合條件的記錄。

  6. AWS Machine Learning Blog63

    如何以 Amazon Bedrock AgentCore 和 SMART 建構 WhatsApp AI 智能體

    SMART(Social Messaging Agent Runtime Toolkit)是一套開源 Python SDK 及 Terraform 堆疊,可配合 Amazon Bedrock AgentCore 建構 WhatsApp AI 智能體並處理通道整合。

    推薦理由:文章梳理 WhatsApp 智能體的通道工程負擔,並呈現 SMART 如何整合訊息驗證、媒體處理、記憶及排程,讓讀者瞭解端到端接入流程。

  7. AWS Machine Learning Blog52

    AWS 為 AI 智能體平台及應用團隊提出負責任 AI 三階段路線圖

    AWS 提出供 AI 智能體平台團隊及應用團隊採用的負責任 AI 三階段成熟度框架,涵蓋治理基礎、試點部署,以及評估與加固。平台團隊建立護欄,應用團隊在其框架內建構智能體,各階段分別處理治理、安全與私隱、可靠性、可控性、公平性、可解釋性及透明度。配套的 Responsible AI Assessment Skill 以 1–5 分評估成熟度,低於 4 分代表有重大風險需要處理,並提供改善建議。

  8. AWS Machine Learning Blog62

    ArisGlobal 如何在 Amazon Bedrock 上透過提示詞快取擴展生成式 AI 推理

    ArisGlobal 調整 Amazon Bedrock 請求順序,改為快取跨請求重用的共用提示詞前綴,以降低 NavaX 的推理成本。生產請求中,約 65% 的輸入 token 以較低費率從快取讀取,令有效輸入成本約下降 50%;在每月超過 19 billion tokens 的用量下,整體月度推理支出約下降 40%。此設計亦支援約 15% 更多企業租戶進駐,而 EU 跨區域推理路由維持不變。

    推薦理由:案例展示多租戶工作負載如何按跨請求重用程度安排快取前綴,而非優先快取單次個案的大型文件,並提供部署與監測要點。

11月17日週二