Aller au contenu
13 novembreven.
  1. AWS Machine Learning Blog40

    Migrer vers Amazon Bedrock Managed Knowledge Base avec votre agent de codage

    Le guide de migration ajouté à la skill amazon-bedrock de l'Agent Toolkit for AWS permet à votre agent de codage de planifier et d'exécuter la migration vers Amazon Bedrock Managed Knowledge Base. Le service prend en charge l'ingestion, le stockage, l'indexation et la récupération, avec recherche hybride toujours active, reranker géré et parseur intégré pour fichiers multimodaux. Les quotas par défaut passent de 100 à 10 000 knowledge bases par compte et par région, et de 5 à 200 sources de données par knowledge base, avec une tarification à l'usage sur le stockage et la récupération.

12 novembrejeu.
  1. AWS Machine Learning Blog58

    Contrôle d'accès fin pour les outils Managed Knowledge Base d'Amazon Bedrock

    AWS présente une architecture où un agent partagé et une base de connaissances Managed Knowledge Base limitent chaque utilisateur aux documents qu'il est autorisé à consulter. Le principe est de ne pas laisser le LLM décider de l'identité de l'utilisateur : un request interceptor sur AgentCore Gateway injecte userContext depuis le token JWT vérifié, et la fonction ACL awareness de Managed Knowledge Base filtre les résultats selon cet identifiant. En défense secondaire, Policy in AgentCore vérifie via une politique Cedar que userContext.userId correspond au claim email du token, et une resource-based policy refuse les appels Retrieve et GetDocumentContent aux principaux autres que le rôle d'exécution de la passerelle. L'article fournit une stack AWS CDK et un script de vérification testant les scénarios d'usurpation.

  2. AWS Machine Learning Blog58

    AWS : construire des systèmes multi-agents interopérables avec A2A

    AWS présente une architecture de référence où un orchestrateur LangChain sur Amazon ECS dialogue via le protocole A2A avec un agent de conformité Strands déployé sur Amazon Bedrock AgentCore, chaque partie s'authentifiant auprès de son propre pool Amazon Cognito. L'agent SaaS rappelle l'agent de contexte de l'entreprise pour obtenir des métadonnées de comptes, sans partage de secrets ni dépendance au SDK de l'autre partie. Le déploiement s'effectue via trois notebooks Jupyter sur deux comptes AWS, avec un test de bout en bout et sept vérifications des frontières de confiance.

  3. Hugging Face Blog62

    Guide de fine-tuning LoRA pour TRELLIS.2 : scripts et conteneurs pour la génération 3D

    Le blog Hugging Face fournit des scripts et conteneurs Docker pour fine-tuner TRELLIS.2 avec LoRA sur ses propres assets 3D.

    Motif de la recommandation :Le guide détaille quels composants de TRELLIS.2 figer ou entraîner et fournit des scripts et conteneurs exécutables, une méthode transférable à d'autres modèles 3D.

  4. The Decoder88

    Jensen Huang démissionne de son poste de CEO de Nvidia après un scandale d'espionnage ayant effacé 1 400 milliards de dollars de capitalisation

    Jensen Huang a démissionné avec effet immédiat de ses fonctions de CEO, président et membre du conseil d'administration de Nvidia.

    Même actualité, affichée dans la sélection« Jensen Huang démissionne de son poste de CEO de NVIDIA »

  5. The Decoder78

    Google DeepMind publie AlphaGenome 2, un modèle génomique à résolution cellulaire

    Google DeepMind a publié AlphaGenome 2, un modèle d'IA génomique qui prédit les effets des variants génétiques sur des types cellulaires humains spécifiques. Entraîné sur plus de 107 millions de profils cellulaires issus de 68 tissus humains et murins, il fonctionne comme un modèle conditionnel recevant un état biologique en entrée supplémentaire, et prédit aussi l'accessibilité de la chromatine et la méthylation de l'ADN. Sur le jeu de données TenK10K avec 28 types de cellules immunitaires primaires, il identifie environ 30 % des variants causaux et prédit correctement dans 43 % des cas si un variant active ou réprime un gène, contre 16 % et 23 % pour une version fine-tunée d'AlphaGenome 1. Le modèle est disponible via API pour la recherche non commerciale, l'accès commercial passant par une prévisualisation fermée, et n'est pas approuvé pour le diagnostic clinique.

    Même actualité, affichée dans la sélection« Google DeepMind dévoile AlphaGenome 2, un modèle de séquence d'ADN conditionné par type cellulaire »

  6. Next (fr)65

    Wikimédia France et Next s'allient pour bloquer les sites d'infos générés par IA cités dans Wikipédia

    Wikimédia France et Next annoncent un partenariat pour retirer de Wikipédia les sources issues de sites d'information générés par IA. Next a identifié plus de 30 000 références et notes de bas de page provenant de 2 187 sites d'infos qu'il classe comme générés par IA, sur une liste de 19 926 domaines, soit plus de 10 % des près de 20 000 sites GenAI de sa base. Le dispositif repose sur l'analyse croisée des données, un accès sécurisé aux bénévoles modificateurs de filtres anti-abus et une régulation communautaire, afin de bloquer l'ajout de ces liens ; un projet « Noël sans IA » doit nettoyer en décembre 31 sites en 31 jours.

  7. AWS Machine Learning Blog71

    Détecter et corriger la corruption silencieuse de données sur Amazon SageMaker HyperPod

    L'équipe SageMaker HyperPod d'AWS propose trois contrôles à insérer dans une boucle d'entraînement PyTorch DDP pour détecter la corruption silencieuse de données (SDC).

    Motif de la recommandation :L'article détaille trois contrôles intégrés à la boucle DDP, avec code, coût mesuré et procédure de remplacement de nœud sur HyperPod.