← 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 29:無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程

講者: Luis Valdivia

場次: 29

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

問題概述

● 手動處理影片

● 周轉時間緩慢

● 難以擴展或自動化

● 沉重的維運/伺服器維護負擔

傳統影片工作流程摘要

[ 1 ] 輸入:

● 內容在初始作業階段由人工管理。

● 手動工作

● 處理時間長

● 使用伺服器

● 轉碼工作積壓

[ 2 ] 作業流程:

● 輸入會送至 Cron Job(一種排程工具)。

● Cron Job 會觸發編碼。

● 中繼資料會產生並儲存在 EC2 伺服器上。

● 編碼/儲存完成後,內容會進行內容審查。

● 接著將審查過的內容推送給觀眾。

[ 3 ] 輸出:

● 最終消費階段顯示於電腦螢幕上,代表內容的散布。


什麼是 MediaOps?

● MediaOps = 影片工作流程的 DevOps

● 將匯入 → 處理 → 交付自動化

● 減少手動步驟

● 確保管線一致且可擴展

● 改善品質、速度及可靠性:四步驟的媒體營運(Media

Operations,MediaOps)工作流程

● 匯入:接收媒體內容的程序。

● 處理:準備或修改媒體的階段。

● 品質/中繼資料:進行品質控管並加入媒體相關資料的步驟。

● 交付:將媒體散布或提供至目的地的最終階段。

核心 Amazon Web Services

● S3——匯入與儲存

● Lambda——事件驅動邏輯

● Step Functions——協調流程

● MediaConvert——轉碼

● Rekognition / Bedrock——分析與 AI 中繼資料

● CloudFront——全球交付


AI 自動化層

● 場景分析(Rekognition)

● 自動產生中繼資料(Bedrock)

● 智慧決策:重新處理、標記、發布

● 事件驅動的流程協調(Lambda +

● Step Functions):AI

自動化層工作流程摘要——AI 驅動的影片內容工作流程

● 輸入:影片輸出會導入自動化系統。

● AI 自動化:核心處理使用 Rekognition 與 Bedrock AI 服務。

● 輸出/動作:系統可根據 AI 分析觸發以下三種動作之一:

● [ 1 ] 重新處理:將內容送回以進一步處理。

● [ 2 ] 標記:標記內容,供人工審查或留意。

● [ 3 ] 發布:即時散布內容。

主要效益

● 主要效益包括省去 80% 的手動作業

● 將發布速度提升 10 倍

● 實現自動擴展能力,並透過 AI 產生的一致品質與中繼資料,提高可探索性與合規性。