← Financial Cloud Cloud 云端社群 · Amarathon 2025 回顾

极点宏观|Financial Cloud Cloud · AWS Amarathon 2025

极点宏观|Amarathon 2025 回顾 02:Amazon Bedrock 数据自动化

演讲者: Hafiz Syed Ashir Hassan

场次: 02

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

问题陈述

● 各组织难以处理各种格式(文档、图像、音频、视频)的非结构化数据。

● 人工处理速度慢、不一致且成本高昂。

● 现有的自动化系统十分僵化,需要模板、规则和人工修正。

● 对合规性、准确性和可扩展性的需求日益增长。

● 需要使用生成式 AI,以高准确性自动处理多种格式的数据。

什么是 Bedrock 数据自动化 (BDA)?

● Amazon Web Services 中的一项完全托管的文档和媒体自动化功能。

● 能够使用基础模型构建端到端的提取、分类和转换管道。

● 大规模处理文档、图像、音频和视频。

● 使用无服务器自动化编排多步骤工作流。

● 在最大限度提高灵活性的同时,最大限度减少自定义代码。

输入资产

[ 1 ] 支持各种格式:

● 文档(PDF、DOCX、扫描件、结构化/非结构化)

● 图像(PNG、JPG)

● 音频(语音备忘录、通话录音)

● 视频(会议、CCTV、网络研讨会)

[ 2 ] 提供两种类型的输出指令:

● 标准输出配置

● 基于匹配蓝图的自定义架构。

输出响应

● 根据配置生成资产的线性化文本表示。

● 输出以 JSON 返回;如果在配置中选中,还会返回其他文件。

● 支持的格式及 BDA 提取的信息:

[ 1 ] 文档:

● 提取字段、表格、实体

● 分类、转换、总结和验证

[ 2 ] 图像:

● 提供 OCR、文档分类、对象检测和手写内容提取

[ 3 ] 音频:

● 提供转录、总结、情感分析、说话人检测和意图提取

[ 4 ] 视频:

● 提供视频摘要、语音转文本、场景检测、对象识别和动作理解

标准输出 vs 自定义输出(蓝图)

[ 1 ] 标准输出:

● 开箱即用的提取功能

● 适合常见文档

● 无需设置,快速获得结果

[ 2 ] 自定义输出:

● 基于蓝图

● 支持基于提示或用户定义的蓝图

● 加快设置并保持一致性

● 适合特定行业或复杂文档


文档蓝图类型

[ 1 ] 分类:

● 发票、银行对账单、身份证、合同、人力资源信函等。

[ 2 ] 提取:

● 实体、字段、表格、元数据

[ 3 ] 转换:

● 修改数据或重构数据

[ 4 ] 规范化:

● 标准化数据值

[ 5 ] 验证:

● 根据规则验证提取的字段。

用例

[ 1 ] 银行与金融:

● 自动处理银行对账单、发票、收据和欺诈检查

[ 2 ] 保险:

● 根据表单、照片和报告处理理赔

● 自动总结、提取、验证

[ 3 ] 客户支持:

● 转录通话并生成摘要

● 检测情感和客户意图

[ 4 ] 人力资源与法务:

● 处理简历、合同、录用通知书

● 提取技能、条款和义务

[ 5 ] 安全与运营:

● 根据会议录像生成摘要

● 提取 CCTV 上下文信息(人物、动作)

要点

● Bedrock 数据自动化 (BDA) 是一套全面、可自定义且可扩展的解决方案。

[ 1 ] 一个平台处理所有格式:

● 自动处理文档、图像、音频和视频。

[ 2 ] 可定制性:

● 使用先进的基础模型,提供高度准确且可自定义的输出。

● 确保为任何业务工作流提供可靠且一致的洞察。

[ 3 ] 企业级就绪:

● 能够以高准确性和合规性扩展到数千个文件。

[ 4 ] 更快、更经济、更智能:

● 减少人工工作量,并立即提供干净的结构化输出。