← Financial Cloud Cloud 雲端社群 · Amarathon 2025 回顧

極點宏觀|Financial Cloud Cloud · AWS Amarathon 2025

極點宏觀|Amarathon 2025 回顧 02:Amazon Bedrock 資料自動化

講者: Hafiz Syed Ashir Hassan

場次: 02

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
02 Agent Harness 才是真正的工程護城河
03 用白話詢問可觀測性資料
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
05 AgentCore 上的多 Agent 量化回測
06 三分鐘用 Kiro 把部落格變簡報
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
03 從新手到開發者:一段精彩的 AWS 雲端旅程
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
05 活動開幕
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
07 運用另一種遙測資料,透過 AI Agent 加速改善
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
09 運用 MCP 與 AI 代理進行自動化測試
10 以 ML 驅動的方法實現電信安全現代化
11 重新思考 GenAI Agent:RAG 與 MCP
12 運用 TAK 與 AWS 進行災害及緊急應變
13 從測試角度重新思考 Serverless 應用程式工作流程
14 運用實務 AWS FinOps 邁向雲端成功
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
FSI Recap
01 現代交易生命週期:從交易到結算
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
08 FSI Meetup 2025 Q4 - 擴展韌性
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
10 進階代理式 AI 設計模式
11 在 AWS 上建置全新現代化應用程式
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
02 利用 AI 和 AWS 構建未來交易平臺
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
08 深入探討 Amazon Aurora 及其創新 (DAT441)
09 深入探討 Amazon S3 (STG407)
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
11 AWS Lambda 的最新功能 (CNS376)
12 使用 Kiro 進行規格驅動開發 (DEV314)
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
14 AWS 上的 Tick-to-trade 延遲交易平台
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 裝置端多模態 AI 與智慧城市實踐
03 大模型能力評測與 AI 專案落地方法論
04 基於雲端代理的政府開發全鏈路受控自動化
05 從多智能體看 Agent 時代軟體新生態
06 AI 驅動的宏觀量化研究與智慧治理
07 公共數據授權營運與智慧政務實踐
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技術賦能心理健康公益:可信平台的治理、架構與實踐
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
02 Amazon Bedrock 資料自動化
03 AgentCore 上的多代理
04 實務建置代理式 AI:Nova Act 與 Strands Agents
04 運用規格驅動開發,以 Kiro 加速移轉專案
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
08 部署 TEAM 並打造最佳工程團隊
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
28 現代化統一中繼資料架構:打破資料孤島的新方法
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
30 透過大規模效能測試建構兼具效率與可靠性的架構
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
33 建置串流 Iceberg 資料表以進行即時物流分析
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
35 透過規格驅動開發,從 Vibe 走向可行方案
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps

問題陳述

● 各組織難以處理各種格式(文件、影像、音訊、影片)的非結構化資料。

● 人工作業速度慢、不一致且成本高昂。

● 現有的自動化系統缺乏彈性,需要範本、規則與人工修正。

● 對合規性、準確度與可擴展性的需求日益增加。

● 需要使用生成式 AI,以高準確度自動處理多種格式的資料。

什麼是 Bedrock 資料自動化 (BDA)?

● Amazon Web Services 中完全受管的文件與媒體自動化功能。

● 可使用基礎模型建置端對端的擷取、分類與轉換管線。

● 大規模處理文件、影像、音訊與影片。

● 使用無伺服器自動化來編排多步驟工作流程。

● 在將彈性最大化的同時,將自訂程式碼降至最低。

輸入資產

[ 1 ] 支援各種格式:

● 文件(PDF、DOCX、掃描文件、結構化/非結構化)

● 影像(PNG、JPG)

● 音訊(語音備忘錄、通話錄音)

● 影片(會議、CCTV、網路研討會)

[ 2 ] 提供兩種類型的輸出指示:

● 標準輸出設定

● 依據相符藍圖建立的自訂結構描述

輸出回應

● 根據設定產生資產的線性化文字表示。

● 輸出以 JSON 傳回;若在設定中選取,還會傳回其他檔案。

● 支援的格式與 BDA 擷取的資訊:

[ 1 ] 文件:

● 擷取欄位、表格、實體

● 分類、轉換、摘要與驗證

[ 2 ] 影像:

● 提供 OCR、文件分類、物件偵測與手寫內容擷取

[ 3 ] 音訊:

● 提供轉錄、摘要、情緒分析、講者偵測與意圖擷取

[ 4 ] 影片:

● 提供影片摘要、語音轉文字、場景偵測、物件辨識與動作理解

標準輸出 vs 自訂輸出(藍圖)

[ 1 ] 標準輸出:

● 開箱即用的擷取功能

● 適合常見文件

● 無須設定,快速取得結果

[ 2 ] 自訂輸出:

● 以藍圖為基礎

● 可使用提示或使用者定義的藍圖

● 加速設定並維持一致性

● 適合產業特定或複雜文件


文件藍圖類型

[ 1 ] 分類:

● 發票、銀行對帳單、身分證、合約、人資信函等。

[ 2 ] 擷取:

● 實體、欄位、表格、中繼資料

[ 3 ] 轉換:

● 修改資料或重新調整資料結構

[ 4 ] 正規化:

● 將資料值標準化

[ 5 ] 驗證:

● 依照規則驗證擷取的欄位

使用案例

[ 1 ] 銀行與金融:

● 自動處理銀行對帳單、發票、收據及詐欺檢查

[ 2 ] 保險:

● 根據表單、照片與報告處理理賠

● 自動摘要、擷取、驗證

[ 3 ] 客戶支援:

● 轉錄通話並產生摘要

● 偵測情緒與客戶意圖

[ 4 ] 人資與法務:

● 處理履歷、合約、錄取通知書

● 擷取技能、條款與義務

[ 5 ] 安全與營運:

● 根據會議錄影產生摘要

● 擷取 CCTV 情境資訊(人物、動作)

重點摘要

● Bedrock 資料自動化 (BDA) 是一套完整、可自訂且可擴展的解決方案。

[ 1 ] 一個平台處理所有格式:

● 自動處理文件、影像、音訊與影片。

[ 2 ] 可自訂性:

● 使用進階基礎模型,提供高度準確且可自訂的輸出。

● 確保針對任何業務工作流程提供可信賴且一致的洞察。

[ 3 ] 企業級就緒:

● 能以高準確度及合規性擴展至數千個檔案。

[ 4 ] 更快、更省、更智慧:

● 減少人工工作量,並立即提供乾淨的結構化輸出。