亚马逊 Bedrock 还是亚马逊 A SageMaker I？

Amazon Bedrock 专为你想要构建生成式 AI 应用程序而无需在自定义模型开发上投入大量资金的用例而设计。例如，社交媒体平台的内容审核系统可以使用 Amazon Bedrock 的预训练模型来自动识别和举报不当的文本或图像。同样，客户支持聊天机器人可以使用 Amazon Bedrock 的自然语言处理功能来理解和回复用户查询。如果您的机器学习专业知识或资源有限，Amazon Bedrock 特别有用，因为它可以帮助您从人工智能中受益，而无需进行大量内部开发。

SageMaker 对于需要定制模型的独特或特殊 AI/ML 需求，AI 是一个不错的选择。它非常适合 off-the-shelf解决方案不足且需要对模型架构、训练过程和部署进行精细控制的场景。可以从使用 SageMaker 人工智能中受益的情景的一个例子是，一家医疗保健公司正在开发一种模型，根据特定的生物标志物预测患者的预后。另一个例子是，一家金融机构创建了一个针对其独特数据和风险因素量身定制的欺诈检测系统。此外， SageMaker 人工智能适用于研发目的，数据科学家和机器学习工程师可以在其中尝试不同的算法、超参数和模型架构。

Amazon Bedrock 提供了一种更易于访问和直接的方式，可以将人工智能功能集成到您的项目中。它适用于包括开发人员和企业在内的广泛受众，他们在构建和训练机器学习模型方面经验有限，但希望使用人工智能来增强其应用程序或工作流程。

SageMaker AI 主要面向拥有构建、训练和部署自定义机器学习模型所需的技能和知识的数据科学家、机器学习工程师和开发人员。如果您精通数据科学和机器学习概念，并且需要一个能够为您提供工具和灵活性的平台，以创建针对您的特定需求量身定制的模型，请使用 SageMaker 人工智能。

亚马逊 Bedrock 提供诸 FMs 如 Anthropic 的 Claude、Meta 的 Llama 3、亚马逊的 Nova 和 Titan 模型、Stability AI 的图像生成模型等访问权限。查看可用列表 FMs，该列表经常更新。

使用 Amazon Bedrock Marketplace 快速测试并整合 100 多个公开可用的和专有 FMs的。

Amazon Bedrock 允许访问某些专有模型，包括 Claude 和 Jurassic，这些模型在亚马逊上不可用。 SageMaker JumpStart

Amazon SageMaker JumpStart 提供内置的公开和专有基础模型，用于自定义和集成到您的生成人工智能工作流程中，其选择范围比 Amazon Bedrock FMs 还要多，包括针对特定用例进行了优化的模型。

JumpStart 公开发售 FMs，包括 Hugging Face、StabilityAI、Meta 和亚马逊的模型，以及来 AI21 自 Labs、Cohere 和的 FMs 专有模型。 LightOn请参阅经常更新的公开可用和专有 FMs列表。

Amazon Bedrock 提供了一组来自领先提供商的模型，您可以使用这些模型来构建生成式 AI 应用程序，但自定义有限。您可以访问一组 API 调用，用于输入数据并接收来自这些预训练模型的预测。虽然这种方法极大地简化了将 AI 功能整合到应用程序中的过程，但它也意味着除非您自定义模型或导入自定义模型，否则您对底层模型的控制会减少。Amazon Bedrock 的预训练模型针对常见的 AI 任务进行了优化，专为适用于各种用例而设计，但它们可能不适合高度专业化或利基需求。

亚马逊 Bedrock 支持对基础模型 (FMs) 进行微调，例如亚马逊 Nova Micro、Lite 和 Pro、 Cohere Command R、Meta Llama 2、Anthropic Claude 3 Haiku、亚马逊泰坦文本精简版、亚马逊泰坦文本快递、亚马逊泰坦多模式嵌入和亚马逊泰坦图像生成器。支持的列表 FMs 会不断更新。

针对特定任务和用例@@ 自定义模型，包括 FM 微调和预训练。使用自定义模型导入自带自定义模型。

Amazon SageMaker AI 提供了广泛的自定义选项，让您可以完全控制整个机器学习工作流程。借 SageMaker 助 AI，您可以微调模型的各个方面，从数据预处理和特征工程到模型架构和超参数优化。通过使用这种自定义级别，您可以创建根据您的独特业务需求量身定制的高度专业化的模型。 SageMaker AI 支持各种流行的机器学习框架，例如 TensorFlow PyTorch、和 Apache MXNet，允许您使用首选的工具和库来构建和训练模型。

使用 Amazon SageMaker JumpStart FMs 根据预定义的质量和责任进行评估、比较和选择。

选择要与 Amazon A SageMaker I Clarify 配合使用的 F M。使用 SageMaker AI Clarify 创建模型评估作业，用于评估和比较基于文本的基础模型的模型质量和责任指标。 JumpStart

使用 Amazon A SageMaker I Canvas 生成预测，无需编写任何代码。使用 SageMaker AI Canvas 与 Amazon Bedrock 合作微调和部署语言模型。这篇博客文章介绍了如何使用它们通过在 Amazon Bedrock 和 Amazon 中处理自己的数据集（例如您的产品 FAQs）来优化客户互动。 SageMaker JumpStart

Amazon Bedrock 采用基于对该服务进行的 API 调用次数的简单定价模型。您需要为每次 API 调用支付固定价格，其中包括运行预训练模型和任何相关数据处理的费用。这种直截了当的定价结构使您可以更有效地估算和控制成本，因为您只需为服务的实际使用付费。Amazon Bedrock 的定价模式特别适合工作负载可预测的应用程序，或者您希望提高人工智能相关开支透明度的情况。

SageMaker AI 遵循基于机器学习过程中消耗的计算资源、存储和其他服务的使用情况的 pay-as-you-go定价模型。您需要为用于构建、训练和部署模型的实例付费，价格因实例类型和大小而异。此外，数据存储、数据传输和其他相关服务（例如数据标签和模型监控）会产生费用。这种定价模式提供了灵活性，允许您根据自己的特定要求优化成本。但是，这也意味着成本可能各不相同，可能需要谨慎管理，对于资源密集型项目尤其如此。

Amazon Bedrock 提供了您可以直接通过 API 调用访问的预训练模型，从而简化了集成过程。使用 Amazon Bedrock SDK 或 REST API 发送输入数据并接收模型的预测，而无需管理底层基础架构。这种方法大大降低了将人工智能功能集成到应用程序中所需的复杂性和时间，使机器学习专业知识有限的开发人员更容易使用它。但是，这种集成的便捷性是以有限的自定义选项为代价的，因为您只能使用由 Amazon Bedrock APIs 提供的预训练模型。

SageMaker AI 为构建、训练和部署自定义机器学习模型提供了一个全面的平台。但是，与 Amazon Bedrock 相比，将这些模型集成到应用程序中需要更多的精力和技术专长。您需要使用 SageMaker AI SDK 或 API 来访问经过训练的模型，并构建必要的基础架构以将其作为端点公开。此过程包括创建和配置 API Gateway、Lambda 函数和其他函数， AWS 服务 以实现应用程序与已部署模型之间的通信。虽然 SageMaker AI 提供了简化这一过程的工具和模板，但它仍然需要对机器学习模型的部署有更深入的 AWS 服务 了解。

更广泛的用户更容易使用 Amazon Bedrock，包括机器学习专业知识有限的开发人员和企业。通过提供可通过 API 调用轻松集成到应用程序中的预训练模型，Amazon Bedrock 消除了与构建和部署机器学习模型相关的大部分复杂性。您无需担心数据预处理、模型选择或基础设施管理，因为这些方面都由 Amazon Bedrock 服务处理。这使您可以专注于将人工智能功能集成到应用程序中，而无需花费大量时间和资源来获取深度的机器学习知识。

如果你在数据科学和机器学习方面有更深的专业知识，那么 SageMaker 人工智能可以为构建、训练和部署自定义模型提供一个强大而灵活的平台。虽然 SageMaker 人工智能旨在简化机器学习工作流程，但它仍然需要大量的技术专业知识才能充分利用其功能。你将受益于精通 Python 等编程语言，以及对机器学习概念（例如数据预处理、模型选择和超参数调整）的深刻理解。此外，您应该能够轻松地使用各种模型 AWS 服务 并管理部署和集成其模型所需的基础架构。因此，如果你不熟悉机器学习或经验有限，那么 SageMaker 人工智能的学习曲线可能会更陡峭。 AWS

Amazon Bedrock 提供了一套功能来帮助客户构建和扩展生成式 AI 应用程序，包括模型选择功能（评估）、成本和延迟优化功能（提示缓存、智能提示路由）、自定义功能（知识库、模型提炼）、保护（护栏）和代理功能（代理）。Amazon Bedrock 还提供自定义模型导入功能，允许您 FMs 通过单一、无服务器的统一 API 导入和使用现有模型的自定义模型。

借 SageMaker 助 AI，您无需构建和管理自己的服务器即可存储和共享数据。这使您有更多时间协作构建和开发您的机器学习工作流程，并且可以更快地完成。 SageMaker AI 提供托管机器学习算法，可在分布式环境中针对极其庞大的数据高效运行。借助对 bring-your-own-algorithms框架的内置支持， SageMaker AI 提供了灵活的分布式训练选项，可根据您的特定工作流程进行调整。只需几个步骤，您就可以从 SageMaker AI 控制台将模型部署到安全且可扩展的环境中。

什么是 Amazon Bedrock？

使用这项完全托管的服务，通过统一的 API 使亚马逊和第三方的基础模型 (FMs) 可供您使用。

浏览指南

有关 Amazon Bedrock 的常见问题

获取有关 Amazon Bedrock 的最常见问题的答案。其中包括如何使用代理、安全注意事项、有关 Amazon Bedrock 软件开发套件的详细信息 (SDKs)、检索增强生成、如何使用模型评估和计费。

阅读 FAQs

使用 Amazon Bedrock 生成商品描述的指南

在您的解决方案中使用 Amazon Bedrock，自动执行电子商务市场或零售网站的产品审查和批准流程。

探索解决方案

什么是 Amazon Bedrock IDE？

使用 Amazon Bedrock IDE 发现亚马逊 Bedrock 模型，并构建使用亚马逊 Bedrock 模型和功能的生成人工智能应用程序。

浏览指南

使用 Amazon Bedrock IDE 构建生成式人工智能应用程序

这篇博客文章介绍了如何使用各种性能最佳的模型来构建应用程序。然后，它解释了如何使用 Amazon Bedrock IDE 评估和共享你的生成人工智能应用程序。

阅读博客

使用 Amazon Bedrock IDE 构建聊天应用程序

构建 Amazon Bedrock IDE 聊天代理应用程序，允许用户通过对话界面与亚马逊 Bedrock 模型聊天。

浏览指南

什么是亚马逊 A SageMaker I？

使用此完全托管的机器学习 (ML) 服务，在生产就绪的托管环境中构建、训练和部署机器学习模型。

浏览指南

开始使用 Amazon A SageMaker I

设置对 Amazon A SageMaker I 的访问权限，包括快速或自定义设置步骤。

浏览指南

开始使用亚马逊 SageMaker JumpStart

探索为常见用例设置基础设施的 Amazon SageMaker JumpStart 解决方案模板，以及用于通过 SageMaker AI 进行机器学习的可执行示例笔记本。

浏览指南