亚马逊旗下 Amazon Web Services（AWS）近日在纽约高峰会上宣布推出七项生成式 AI 新功能，进一步降低了生成式 AI 的使用门槛，让无论是业务用户还是开发者都能从中受益。藉助这些新功能，来自各行各业的企业都能加更专注於核心业务，提高生产效率，充分释放资料价值和生成式 AI 的潜力。
AWS这次推出七项生成式AI新功能包括Amazon Bedrock新增基础模型供应商Cohere和全新基础模型，以及全新代理（Agents）功能；Amazon EC2 P5执行个体正式可用，加速生成式AI和高效能运算应用；Amazon OpenSearch Serverless支援全新向量引擎。
另外，还有编写程式码助手Amazon CodeWhisperer与Amazon Glue实现整合；Amazon QuickSight新增生成式BI（Business intelligence）功能；帮助企业提升资料品质的分析服务AWS Entity Resolution正式可用；以及助力提升医疗产业生产效率的智慧医疗新服务AWS HealthScribe等。
AWS宣布全面扩展其全托管基础模型服务Amazon Bedrock，包括新增Cohere做为基础模型供应商，加入Anthropic和Stability AI的最新基础模型，并发布变革性的新功能Amazon Bedrock代理（Agents）。
在Amazon EC2 P5执行个体正式可用方面，AWS指出，这是一款下世代GPU执行个体，可以满足客户在运行人工智慧、机器学习和高效能运算工作负载时对高效能和高扩展性的需求；该执行个体由最新的NVIDIA H100 Tensor Core GPU提供支持，与上一代基於GPU的执行个体相比，训练时间最多可缩短6倍（从几天缩短到几小时），这一效能提升将帮助客户降低高达40%的培训成本。
在适用於Amazon OpenSearch Serverless的向量引擎方面，正式可用後，该向量引擎支持简单的API调用，可用於储存和查询数十亿个嵌入（embeddings）。AWS表示，未来所有AWS的资料库都将具有向量功能，帮助客户简化营运，方便整合资料。
Amazon CodeWhisperer与Amazon Glue实现整合，进一步提升开发效率。Amazon CodeWhisperer是一款AI编写程式码助手，能够使用底层基础模型帮助开发人员提高工作效率。它可以根据开发人员使用自然语言留下的注释和IDE（整合开发环境）中的历史程式码即时生成程式码建议。
此外，AWS还发布了Amazon CodeWhisperer Jupyter扩展程式，为Jupyter用户在Jupyter Lab和Amazon SageMaker Studio中的Python notebooks生成即时、单行或完整的函数程式码建议。
现在，AWS正式宣布Amazon Glue Studio notebooks支持Amazon CodeWhisperer，帮助Amazon Glue用户优化使用体验、提高开发效率。
AWS也正在将Amazon Bedrock与提供的大语言模型能力与支持自然语言问答的Amazon QuickSight Q相结合，以期在Amazon QuickSight中提供生成式BI功能。该功能很快将在Amazon QuickSight上线，帮助企业轻松寻找资料、发现并分享洞察。
AWS同时宣布Amazon Entity Resolution正式可用。这是一项由机器学习提供支持的分析服务，可以帮助企业轻松分析、匹配和连结相关纪录，这些纪录可能散布在应用程式、不同的资料获得管道和资料储存中。藉助Amazon Entity Resolution，企业可以更好地了解资料的关联、匹配和连结情况，同时深入挖掘客户洞察与更清楚的供应链资料，进而改善营运能力、展开更多有效行销、做好复杂金融投资决策。
AWS计划增加两个Amazon Entity Resolution的合作夥伴LiveRamp和TransUnion，同时增强与Unified ID 2.0开源框架的互操作性。透过这些整合功能，客户将能更轻松地翻译或丰富自己的纪录，同时更好地保护讯息并减少资料移动。
AWS亦推出Amazon HealthScribe，这是一项符合HIPAA（健康保险责任与保护法）要求的新服务，能帮助医疗软体供应商打造临床应用程式。这些应用程式使用文本识别和生成式AI技术生成临床文档，节省医生时间。藉助Amazon HealthScribe，医疗软体供应商可以利用单一个API自动建立可靠的记录、淬链出关键讯息（例如医学术语和药物），并根据医病对话建立摘要，然後将这些资料输入到电子健康纪录（EHR）系统。
在普通医学和骨科这两个常见专科，医疗软体供应商已经开始使用Amazon HealthScribe，它们不再需要管理底层机器学习基础设施或训练自己的医疗专属大语言模型（LLM）。
（本文由 MoneyDJ新闻 授权转载；首图来源：Flickr/Tony Webster CC BY 2.0）
