ME News

ME News 消息，9 月 22 日（UTC+8），区块链安全公司 SlowMist 首席信息安全官 23pds 表示，攻击者正利用 Darksword 漏洞，通过 Safari 绕过 iOS 安全机制，控制设备并提取自托管加密钱包中的私钥及其他数据。该漏洞曾被用于针对沙特、土耳其、马来西亚和乌克兰用户的攻击。Google Threat Intelligence Group 此前披露，Darksword 最初仅影响 iOS 18.4 至 18.7 版本。23pds 称，攻击者已将其适配至 iOS 26.5，但这一判断尚未获得官方验证。攻击通常始于社会工程，用户点击通过社交媒体或通信应用发送的恶意链接后，设备可能被取得 Root 权限并提取钱包数据。用户应及时更新手机系统，避免访问陌生人发送的网站链接；另有三名投资者因从苹果官方 App Store 下载虚假钱包应用损失近 180 万美元比特币，已对苹果提起诉讼。（来源：ME）

ME News 消息，9 月 22 日（UTC+8），美联储穆萨莱姆周一表示，由于需求强劲以及大宗商品价格冲击已超出石油领域，美联储可能需要进一步提高利率以降低通胀。他同时强调，美联储最好尽早采取行动，而非等待。穆萨莱姆表示：“持续的需求和反复出现的供应压力仍在加剧通胀风险，我认为，如果不采取进一步的政策措施来抑制通胀，18个月后通胀很可能显著高于我们的2%目标，而非达到目标水平。我认为，政策必须对通胀施加有意义的约束。这样美联储才能在约一年半内实现其通胀目标，从而为紧缩政策对经济产生影响留出时间。”他还表示：“与未来更晚、规模更大且可能更为突然的政策举措相比，更早的、渐进式的政策收紧更为妥当，且对经济造成的冲击也更小。”穆萨莱姆指出，通胀“并不是风险，它已经存在”，即使剔除石油及其他供应相关因素的影响，潜在通胀率仍可能高出美联储目标数个百分点，并且“正朝着错误的方向发展”。（来源：ME）

ME AI 消息，Today, we are announcing that xAI’s Grok 4.6 is available in Amazon Bedrock, adding a frontier model built for long-running agents, coding, and knowledge work to the Bedrock model catalog. Grok 4.6 launched on Bedrock on August 18, 2026. It offers a 500K token context window and supports configurable reasoning effort at four levels: low, medium, high, and xhigh. This is xAI’s second model in Amazon Bedrock. When Grok 4.3 became generally available, xAI joined Amazon Bedrock as a model provider and the model was reachable through Bedrock Mantle, the OpenAI-compatible inference engine in Amazon Bedrock. Grok 4.6 widens that surface area considerably: it is available on both the bedrock-mantle and bedrock-runtime endpoints, and it supports the Converse API alongside Chat Completions and Responses. This post covers what xAI says Grok 4.6 is designed for, how it is packaged on Amazon Bedrock, and how to send your first request. What Grok 4.6 is built for The capability and training details in this section come from xAI’s launch announcement, Introducing Grok 4.6. Grok 4.6 builds on Grok 4.5 with a particular focus on long-running agents and more ambitious interactive and visual work. xAI describes the model as staying with complex tasks across many steps, whether that is researching a topic, analyzing information, working across a code base, or turning an idea into a polished application or work artifact. On training, xAI reports a longer supplemental training run than Grok 4.5, using curated model-generated data for reasoning and advanced technical concepts, high-quality engineering data, and an improved optimizer and training recipe. It then used Grok 4.5 to regenerate the supervised fine-tuning trajectories across reasoning efforts, agent harnesses, and domains including STEM, software engineering, and knowledge work, filtering out problematic traces with model-based checks. The model was then trained on a wide range of agentic reinforcement learning tasks spanning knowledge work, general coding, and domain-specific environments such as kernel optimization, web development, and computer-aided design. Two behaviors xAI calls out are worth noting for anyone building agents. On longer trajectories, the model began showing more self-testing and verification, checking its own work before moving on. It also produces stronger first passes on visual and interactive projects, establishing the structure and visual language of an application in a single pass, which the team found useful where the fastest route to a good result was to start with something substantial and then iterate. On safety, xAI states that Grok 4.6’s safeguards have been improved and calibrated in line with the model’s capabilities, backed by what it describes as its widest-ever suite of pre-deployment testing for capabilities and safeguard calibration, plus post-deployment and third-party testing. The company positions its safety stack as maximizing utility and security across legitimate use cases in domains such as vulnerability patching, accelerating the engineering design cycle, and augmenting AI research. Reported benchmark results xAI reports that Grok 4.6 achieves frontier intelligence across several agentic coding and knowledge work benchmarks. These are the figures it published for Grok 4.6 High at launch on August 12, 2026: Evaluation Grok 4.6 High AA Intelligence Index 61 GDPVal-AA v2 1753 CursorBench v3.2 69.9% DeepSWE v1.1 65.9% FrontierCode v1.1 (Extended) 61.3% APEX-Agents 57.5% Terminal-Bench v3.0 26% APEX-SWE 56.4% AA-Briefcase 1577 Harvey LAB (Vals) 15.8% Source: xAI, according to https://x.ai/news/grok-4-6. Several of those evaluations come from Artificial Analysis, so it helps to know what they measure. According to Artificial Analysis, the Artificial Analysis Intelligence Index v4.1.1 is a composite that incorporates nine evaluations: GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, SciCode, Humanity’s Last Exam, GPQA Diamond, CritPt, AA-Omniscience, and AA-LCR. Those cover agentic tool use, reasoning and knowledge, knowledge reliability, long context reasoning, and quantitative analysis over spreadsheets and documents. AA-Briefcase is its agentic knowledge work benchmark, where AA-Briefcase Elo aggregates rubric pass rate, analytical quality Elo, and presentation Elo, with higher scores better. Artificial Analysis also tracks cost and latency alongside intelligence. Its cost-per-task metric is a weighted average cost per Intelligence Index task, derived from input, cache hit, cache write, reasoning, and answer token prices, which is a useful lens if you are sizing a reasoning-heavy agent workload where reasoning tokens are a real line item. What Grok 4.6 adds on Bedrock Several Bedrock capabilities are new for this model rather than carried over from the earlier Grok launch. The bedrock-runtime endpoint. Grok 4.6 is served on bedrock-runtime in addition to bedrock-mantle, so you can reach it with the AWS SDKs and the standard Bedrock control surface rather than only an OpenAI-compatible client. The Converse API, including streaming. Both converse and converse_stream are available. This is the practical payoff of runtime support: one message shape across models, and streaming through the usual Converse events (messageStart, contentBlockDelta, contentBlockStop, messageStop, metadata) without hand-rolling server-sent events (SSE) parsing. An xhigh reasoning effort level. Effort runs low, medium, high, xhigh, extending the range at the top end for problems where a deeper pass is worth the tokens. On Converse, set it through additionalModelRequestFields={"reasoning_effort": "xhigh"} rather than a reasoning parameter. Cross-Region inference. On bedrock-runtime you route through one of two inference profiles rather than pinning to a single Region. us.xai.grok-4.6 keeps traffic within the US geography when you have data residency requirements, and global.xai.grok-4.6 routes worldwide for the widest capacity pool. Global is also the cheaper of the two, at $2.00 per million input tokens against $2.20, so absent a residency constraint it is usually the better default. Amazon Bedrock Guardrails. Grok 4.6 now supports Guardrails on bedrock-runtime across its APIs, giving you content filters, denied topics, personally identifiable information (PII) redaction, and word policies. You attach a guardrail by ID and version on the request, and the policy is evaluated against both the prompt and the model’s response. For agentic workloads this matters because it puts a consistent policy boundary around a model that might run unattended across many steps. Invocation logging. With model invocation logging enabled, Grok 4.6 calls are captured as complete Amazon CloudWatch records: request body, response body, token counts including reasoning tokens, and the inference profile used. Useful for auditing agent runs where you need to see what the model was actually asked. Prompt caching. Cached input is billed at roughly a quarter of the standard input rate, which matters for agents that resend a large system prompt or document on every turn. Caching applies to a repeated prefix, so keep stable content at the front of the request, and read the cached token count in the usage block to confirm the discount is landing before you build it into a cost model. Tool calling, structured output, image input, response streaming, and encrypted reasoning content are available as well, but those date from the Grok 4.3 launch and are covered in that post. How Grok 4.6 is packaged on Amazon Bedrock Grok 4.6 accepts text and image input and returns text. Audio, speech, video, and embedding modalities are not supported, and it does not generate images. The model is reachable through two endpoints, and the model ID differs depending on which one you use: Endpoint Model ID Base URL bedrock-mantle xai.grok-4.6 https://bedrock-mantle.{region}.api.aws/openai/v1 bedrock-runtime us.xai.grok-4.6 (Geo) or global.xai.grok-4.6 (Global) https://bedrock-runtime.{region}.amazonaws.com/openai/v1 On the API side, Grok 4.6 supports the Responses API, the Chat Completions API, and the Converse API. The Invoke API is not supported. Feature support differs by endpoint, which is the detail most likely to shape your integration choice: On bedrock-mantle, supported features include client-side tool calling, reasoning, structured outputs, prompt caching, response streaming, projects, and abuse detection. On bedrock-runtime, supported features include reasoning, prompt caching, response streaming, invocation logs, and projects (default project only). Structured outputs, server-side tool use, intelligent prompt routing, count tokens, and application inference profiles are not supported on that endpoint. Tool calling works on both endpoints. The model returns a structured function request, your code executes it, and you pass the result back. On bedrock-runtime you can drive that loop through Converse’s toolConfig or the OpenAI-compatible tools parameter, so agents that depend on function calls are not limited to bedrock-mantle. If your application depends on JSON Schema structured output, that points you at bedrock-mantle. If you want the Converse API or invocation logging, that points you at bedrock-runtime. Regions and inference options Availability differs by endpoint. On bedrock-mantle, Grok 4.6 is available for in-Region inference in US West (Oregon) (us-west-2) . On bedrock-runtime, in-Region inference is not offered. Instead, you invoke the model through cross-Region inference profiles. Geo cross-Region inference is available from the US Regions (us-east-1, us-east-2, us-west-1, and us-west-2), and Global cross-Region inference is available from a considerably longer list spanning the US, Canada, Europe, Asia Pacific, the Middle East, Africa, and South America. Geo cross-Region routes across Regions within a geography while respecting data residency, and Global cross-Region routes anywhere worldwide when there are no residency constraints. The full table runs to more than 30 Regions, so check the model card and the Regional availability by model page for the current list before you pin a Region. This is a change in shape from the Grok 4.3 launch, where, as noted in the Grok 4.3 post, the model used in-Region inference only and Geo and Global cross-Region inference were not offered. Service tier and pricing Grok 4.6 supports three service tiers. Standard is pay-per-token with no commitment, selected by setting "service_tier": "default" or omitting the field. Priority delivers faster, prioritized processing for a premium ("service_tier": "priority"). Flex offers lower-cost access for work that is not time-sensitive ("service_tier": "flex"). For per-token pricing across the tiers, see the Amazon Bedrock pricing page. The other two tiers are priced as multipliers on those Standard rates: Priority at 1.75x, a 75 percent premium, and Flex at 0.5x, a 50 percent discount. So the same workload that costs $2.20 per million input tokens on Standard in-Region runs $3.85 on Priority and $1.10 on Flex, which makes tier selection a larger cost lever than the Region choice. For reference, xAI lists Grok 4.6 pricing starting at $2 per million input tokens and $6 per million output tokens, with a fast variant at twice the price. Always confirm current rates on the Amazon Bedrock pricing page, because prices and tiers change. Send your first request Before your first call, confirm the model is available to you in the Bedrock console for the Region you plan to use. Grok 4.6 is served through inference profiles rather than on-demand throughput on the bare model ID, which is why requests name us.xai.grok-4.6 or global.xai.grok-4.6 on bedrock-runtime. Grok 4.6 uses OpenAI-compatible APIs, so the OpenAI SDK works against either endpoint after you set the base URL. Install the SDK, and boto3 if you plan to use the Converse API: pip install openai pip install boto3 Generate a long-term Amazon Bedrock API key from the Amazon Bedrock console for exploration, then set your environment. For bedrock-mantle: export OPENAI_API_KEY="" export OPENAI_BASE_URL="https://bedrock-mantle.us-west-2.api.aws/openai/v1" For bedrock-runtime: export OPENAI_API_KEY="" export OPENAI_BASE_URL="https://bedrock-runtime.us-east-1.amazonaws.com/openai/v1" A first request on bedrock-mantle with the Chat Completions API: from openai import OpenAI client = OpenAI() response = client.chat.completions.create( model="xai.grok-4.6", messages=[ {"role": "user", "content": "Can you explain the features of Amazon Bedrock?"} ], ) print(response) On bedrock-runtime the difference is the model name: you pass a cross-Region inference profile instead of the bare model ID. This example also switches to the Responses API to show that shape: from openai import OpenAI client = OpenAI() response = client.responses.create( model="us.xai.grok-4.6", input="Can you explain the features of Amazon Bedrock?", ) print(response) And through the Converse API with boto3. Because reasoning is active, the first content block carries the reasoning and the answer sits in a later block, so search the blocks for the text rather than indexing content[0]: import boto3 client = boto3.client("bedrock-runtime", region_name="us-east-1") response = client.converse( modelId="us.xai.grok-4.6", messages=[ {"role": "user", "content": [{"text": "Can you explain the features of Amazon Bedrock?"}]} ], inferenceConfig={"maxTokens": 2048}, ) blocks = response["output"]["message"]["content"] text = next(b["text"] for b in blocks if "text" in b) print(text) On Converse you set the effort level through additionalModelRequestFields rather than a reasoning parameter: response = client.converse( modelId="us.xai.grok-4.6", messages=[{"role": "user", "content": [{"text": "What is 17*23? Number only."}]}], inferenceConfig={"maxTokens": 3000}, additionalModelRequestFields={"reasoning_effort": "xhigh"}, ) Three operational notes. First, on bedrock-runtime, Grok 4.6 is not available for in-Region inference, so requests must name us.xai.grok-4.6 or global.xai.grok-4.6. Second, bedrock:InvokeModel is evaluated against three resources: your account’s default project, the inference profile you name, and the underlying foundation model. The foundation model ARN is wildcarded across Regions because cross-Region profiles route outside the calling Region. Bearer-token authentication on the OpenAI-compatible endpoints additionally requires bedrock:CallWithBearerToken, which boto3 and Converse do not need: { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": "bedrock:InvokeModel", "Resource": [ "arn:aws:bedrock:{region}:{account-id}:project/default", "arn:aws:bedrock:{region}:{account-id}:inference-profile/us.xai.grok-4.6", "arn:aws:bedrock:*::foundation-model/xai.grok-4.6" ] }, { "Effect": "Allow", "Action": "bedrock:CallWithBearerToken", "Resource": "*" } ] } List every inference profile you plan to call. Profiles are scoped individually, so a policy naming us.xai.grok-4.6 does not cover global.xai.grok-4.6. Third, the two authentication mechanisms cover different code paths. An Amazon Bedrock API key in OPENAI_API_KEY travels as a bearer token and authenticates the OpenAI-compatible calls on both endpoints. The boto3 Converse examples sign with SigV4 instead, drawing on your ordinary AWS credentials from the environment, a profile, or a role. Configure both if you intend to use Converse alongside the OpenAI-compatible APIs. Treat a long-term API key as an exploration-only credential. For production, the Grok 4.3 launch post recommends short-term bearer tokens generated from your IAM credentials with the aws-bedrock-token-generator package, because they expire automatically and keep access tied to your IAM identity, and that guidance applies equally here. Working with reasoning effort Reasoning is active on Grok 4.6 by default, and you configure how much of it the model spends through the reasoning parameter with low (the default), medium, high, or xhigh. The xhigh level is new relative to what the Grok 4.3 launch post documented, where the levels were none, low, medium, and high. Reasoning content is encrypted. You can have it returned by passing include: ["reasoning.encrypted_content"] on a Responses API request, then send that content back on subsequent turns to give the model its own prior reasoning as context in a multi-turn conversation. The Chat Completions API does not return reasoning tokens. Encrypted reasoning is a Responses API feature, so this example uses the OpenAI client rather than the boto3 client from the Converse examples above: from openai import OpenAI client = OpenAI() # OPENAI_BASE_URL points at the bedrock-runtime endpoint response = client.responses.create( model="us.xai.grok-4.6", reasoning={"effort": "high"}, include=["reasoning.encrypted_content"], input="Explain quantum entanglement simply.", ) print(response.output_text) Because reasoning is by default and effort is per request, effort level is a real cost and latency control. Run short extraction and classification calls at low, and reserve high or xhigh for planning steps and long agent trajectories where an early mistake compounds. Benchmarking effort levels against your own workload is the fastest way to find where higher reasoning stops earning its token cost. Get started Grok 4.6 on Amazon Bedrock gives you a model xAI built for long-running agents and ambitious interactive work, with a 500K token context window, four reasoning effort levels, image input, prompt caching, and a choice between the OpenAI-compatible bedrock-mantle endpoint and the bedrock-runtime endpoint with Converse API and cross-Region inference support. To start building, review the Grok 4.6 model card for the current Region list, feature matrix, and parameter details, and check the Amazon Bedrock pricing page for token rates. If you generated a long-term Amazon Bedrock API key for exploration, delete it from the Amazon Bedrock console when you are finished. A standing credential you no longer need only widens your account’s exposure surface. Sources Amazon Bedrock Grok 4.6 model card: https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-xai-grok-4-6.html xAI models in Amazon Bedrock: https://docs.aws.amazon.com/bedrock/latest/userguide/model-cards-xai.html xAI, Introducing Grok 4.6: https://x.ai/news/grok-4-6 Artificial Analysis, model comparison and benchmark methodology: https://artificialanalysis.ai/models AWS, Introducing Grok on Amazon Bedrock (Grok 4.3): https://aws.amazon.com/blogs/machine-learning/introducing-grok-on-amazon-bedrock/ About the authors Suheel Farooq Suheel is a Principal Solutions Architect at AWS, specializing in artificial intelligence, machine learning, and generative AI. He helps Foundation Model Provider customers design, build, modernize, and scale their AI/ML and generative AI workloads on AWS. His experience spans the AWS AI/ML and generative AI portfolio, particularly Amazon Bedrock, Amazon Bedrock AgentCore, and Amazon SageMaker AI. In his free time, Suheel enjoys working out and hiking. Ikenna Izugbokwe Ikenna is a Principal Solutions Architect at AWS specializing in networking, containers, and AI infrastructure. He guides model providers through scaling their training and inference systems while enabling rapid deployment of evolving frontier models on AWS. His work increasingly spans agentic AI – building reliable, cost-efficient multi-agent systems and the inference infrastructure behind them in production. Fabio Branco Fabio is a Senior Customer Solutions Manager at Amazon Web Services (AWS) and strategic advisor guiding foundational model providers in their go-to-market journey. Prior to AWS, he held Product Management, Engineering, Consulting, and Technology Delivery roles across multiple Fortune 500 companies in industries, including retail and consumer goods, oil and gas, financial services, insurance, and aerospace and defense. Saurabh Trikande Saurabh is a Senior Product Manager for Amazon Bedrock and Amazon SageMaker Inference. He is passionate about working with customers and partners, motivated by the goal of democratizing AI. He focuses on core challenges related to deploying complex AI applications, inference with multi-tenant models, cost optimizations, and making the deployment of generative AI models more accessible. In his spare time, Saurabh enjoys hiking, learning about innovative technologies, following TechCrunch, and spending time with his family. Anirban Gupta Anirban is a Principal Engineer at AWS based in Seattle, USA, where he focuses on the design of secure, high-scale model-serving infrastructure for Amazon Bedrock. He has driven the technical work behind several foundation-model launches on the platform. Prior to joining Amazon Bedrock, he was a Principal Engineer on AWS Outposts, building hybrid on-premises cloud infrastructure. （来源：ME）

رسالة من ME AI، غالبًا ما تنتقل فرق علم البيانات بين أدوات منفصلة للوصول المُدار إلى البيانات، وتحليل R، وتطوير نماذج Python، والنشر، وتطوير التطبيقات، وإعداد التقارير. يعمل Positron، بيئة التطوير المتكاملة (IDE) لـ علم البيانات من Posit، الآن على Amazon SageMaker AI. بالنسبة إلى عالم بيانات، يعني تشغيل Positron على SageMaker AI ما يلي: الوصول إلى البيانات دون إدارة بيانات الاعتماد. يعمل Positron ضمن دور تنفيذ Space، لذلك يمكنك الاستعلام عن Amazon Athena وAWS Glue Data Catalog وAmazon Simple Storage Service (Amazon S3) مباشرةً من داخل الـ IDE. يتبع الوصول أذونات الدور، دون وجود مفاتيح لتخزينها أو تدويرها. تُوفَّر الحوسبة عندما تكون جاهزًا لها. يمكنك تشغيل Space بحجم المثيل الذي تحتاجه، ويمكن للفرق حجز السعة عبر خطط تدريب SageMaker AI بحيث تكون الحوسبة متاحة للتدريب المجدول. مساعدة ذكاء اصطناعي تبقى داخل حسابك. يمكن لـ Posit Assistant، مساعدك لتطوير الكود بالذكاء الاصطناعي من Posit، استخدام Amazon Bedrock كمزوّد للنماذج، بحيث تعمل المساعدة بالذكاء الاصطناعي على نماذج داخل حساب AWS الخاص بك وداخل AWS Region الخاصة بك. مساحة للعمل بالتوازي وبشكلٍ مشترك. يمكنك تشغيل عدة Spaces في آنٍ واحد لمشاريع مستقلة، واستخدام Space مشتركة كي يتعاون عدة أشخاص في تطبيق Positron نفسه. ينشر Posit تعريفًا لتصميم صورة حاوية (container image definition) لـ Positron، مبنية على صورة Amazon SageMaker Distribution. يقوم مديرو المنصة ببناء تلك الصورة، ودفعها إلى مستودع Amazon Elastic Container Registry (Amazon ECR) الخاص بهم، وتسجيلها مع SageMaker AI، وربطها بمجال Studio. عندها يختار علماء البيانات Positron عند إنشاء Space ويفتحون الـ IDE مباشرةً داخل Studio. يوضح هذا المنشور كيف يختبر عالم البيانات Positron داخل SageMaker AI، بدءًا من استكشاف جدول في Amazon Athena وحتى نشر نقطة نهاية (endpoint) آنية/فورية. الشكل 1. بيئة التطوير المتكاملة (IDE) الخاصة بـ Positron على Amazon SageMaker Studio. نظرة عامة على الحل يستخدم هذا الدليل عمليّة سير (walkthrough) على بيانات افتراضية لمحفظة قروض من 50,000. يقوم Amazon S3 بتخزين بيانات المصدر، ويسجّل AWS Glue Data Catalog ذلك. يقوم Amazon Athena باستعلام البيانات، ويتحقق R من السمات (features)، وتقوم Python بتدريب مصنف XGBoost. يستدعي Shiny for Python الـ endpoint، ويسجل Quarto سير العمل. تأتي لقطات الشاشة والمقاييس من التشغيل المُلتقط. لا تمثل البيانات نظام إقراضًا إنتاجيًا. المتطلبات المسبقة لكي تتبع هذا الدليل، تحتاج المؤسسة إلى: منح ترخيص Posit وإتاحة الوصول إلى تعريف صورة Positron المنشور من Posit. أذونات المسؤول لإدارة Amazon ECR وتكوين صور مخصصة لمجال Amazon SageMaker Studio. دور تنفيذ Space مع وصول إلى Amazon Athena وAWS Glue Data Catalog. موقع مصدر Amazon S3 وموقع نتائج استعلام Athena مُهيأ. وصول نماذج Amazon Bedrock في نفس AWS Region الخاصة بمجال Studio عند استخدام Posit Assistant، مساعد تطوير الكود بالذكاء الاصطناعي من Posit. مثيل ml.t3.xlarge أو أكبر للبيئة المعروضة. الشكل 2. مشروع واحد يربط بيانات AWS المُدارة (governed) وتحليل R وPython، وخدمة نشر مُدارة، وتطبيق، وتقرير قابل لإعادة الإنتاج. الخطوة 1: Positron داخل SageMaker Studio Space بدأ التشغيل بـ Positron داخل SageMaker Studio Space. كانت. موجودة في بيئة واحدة قابلة للتشغيل عبر المتصفح ضمن حوسبة SageMaker تحت دور تنفيذ Space: مستكشف المشروع، والمحرر، وجلسات R وPython، ولوحة المتغيرات، والرسوم البيانية، والطرفية، ومعاينة التطبيق. الشكل 3. Space مهيأ لتشغيل صورة Positron المخصصة داخل JupyterLab. الخطوة 2: اكتشاف بيانات مُدار باستخدام Posit Assistant من نفس الـ Space، حدد Posit Assistant credit_risk_blog.loan_tape_source في AWS Glue Data Catalog وأعد استعلام Amazon Athena للقراءة فقط. أرجع الاستعلام خمس صفوف عينة عبر ستة حقول، وتم مسح 2.18 MiB، واكتمل خلال أقل من ثانية واحدة. الشكل 4. Posit Assistant يستخدم بيئة Athena المُهيأة لفحص المصدر المُدار. 2.1: استخدام رمز Amazon Bedrock والذاكرة المؤقتة (cache) يمكن لـ Posit Assistant استخدام Amazon Bedrock كمزوّد نماذج عبر بيانات اعتماد AWS وAWS Region مُهيأة. لا يلزم مفتاح API منفصل لمزوّد النماذج عندما تُحلّ مصادقة Amazon Bedrock عبر بيانات اعتماد AWS الخاصة بالبيئة. يتم تشفير محتوى العميل ولا يُستخدم لتحسين النماذج الأساسية، ولا تتم مشاركته مع مزوّدي النماذج (انظر حماية بيانات Amazon Bedrock). يمكن تهيئة الاتصال الخاص عبر AWS PrivateLink. تعرض صفحة Session information المُلتقطة 6,657,942 token، بما في ذلك 6,118,411 token للقراءة من الذاكرة المؤقتة و462,905 token للكتابة في الذاكرة المؤقتة، بتكلفة مقدّرة 6.319 دولار وكفاءة ذاكرة مؤقتة 92.5%، كما هو موضح في الشكل التالي. تصف هذه القيم هذه الجلسة وتقدير المساعد. وليست فاتورة AWS أو معيارًا عامًا للتكلفة. يعتمد سلوك الذاكرة المؤقتة والتسعير على النموذج والمزوّد المحددين. الشكل 5. عرض معلومات الجلسة (Session information) للجلسة المُسجلة للمساعد. الخطوة 3: توصيف البيانات (profiling) داخل Amazon Athena استخدم سير العمل استعلامًا تجميعيًا في Athena لفحص عدد الصفوف، وتفرد المعرفات، والقيم المفقودة، والنطاقات الرقمية، وصحة الهدف (target). حددت النتائج 50,000 قرض، بما في ذلك 1,500 سجل بها دخل مفقود و1,015 حالة افتراض (defaults)، بمعدل افتراض إجمالي قدره 2.03%. الشكل 6. نقطة التحقق من الموافقة قبل أن يقوم Posit Assistant بتشغيل أمر الـ profiling. الشكل 7. توصيف مصدر يحتوي على 50,000 صف قبل تطوير النموذج. الخطوة 4: استكشاف بيانات تفاعلي في R قام سير العمل بتحميل جدول يحتوي على 50,000 صف إلى جلسة R النشطة وفتحه في Data Explorer. أنشأ R سمات debt-to-income وlog-income ثم عرض توزيع debt-to-income في لوحة Plots. باستثناء السجلات غير المكتملة البالغ عددها 1,500 سجل، بقيت 48,500 قرضًا للنمذجة والتهييم (scoring). الشكل 8. فحص بيانات المصدر والتحقق من المتغيرات المشتقة في R. الخطوة 5: التحقق من السمات وتدريب نموذج Python نُقلت تعريفات السمات التي تم التحقق منها بعد ذلك إلى Python. تم تدريب مصنف XGBoost على مصفوفة تحتوي على 40,000 صف وثلاث سمات للنموذج. أعطى التقييم المُحجوب (held-out) AUC قدره 0.834 وأظهر معدل افتراض مُلاحظ قدره 12.3% في أعلى شريحة مخاطر. الشكل 9. تقييم النموذج عبر AUC من مجموعة held-out ومعدلات الافتراض الملاحظة حسب شريحة المخاطر (risk decile). الخطوة 6: نشر مُدار باستخدام SageMaker AI كتب سير العمل الاحتمالات المتوقعة وشرائح المخاطر لـ 48,500 قرض إلى Parquet وسجل النتائج كـ credit_risk_blog.scored_loans في Athena. ثم أنشأ نموذج SageMaker AI وتكوين الـ endpoint ونقطة النهاية الفورية/الآنَية (real-time endpoint). وصل الـ endpoint إلى حالة InService، ونجح استدعاء باستخدام حمولة متقدمة افتراضية (synthetic applicant payload). الشكل 10. نقطة النهاية real-time الخاصة بـ SageMaker AI عند الخدمة. الخطوة 7: استدلال حي (live inference) باستخدام تطبيق Shiny for Python استخدم المشروع تطبيق Shiny for Python لاستدعاء الـ endpoint الذي تم نشره. استقبل التطبيق معلومات مرشح افتراضية، وطبق تعريفات السمات المستخدمة أثناء التدريب، ثم عرض احتمال التخلف عن السداد (default) المُعاد. بقيت الشفرة المصدرية والتطبيق قيد التشغيل ضمن مشروع Positron نفسه الذي يعمل خلف وسيط تطبيق Amazon SageMaker Studio ولا يمكن الوصول إليه إلا بواسطة المستخدمين الذين تمّت مصادقتهم على الـ Space. يستدعي الـ endpoint تحت دور تنفيذ Space وليس عبر أي مفتاح مخزن، والـ role محدود بأذونات sagemaker:InvokeEndpoint على ARN الخاص بالـ endpoint. الشكل 11. تطبيق Shiny for Python يستدعي نقطة النهاية live الخاصة بـ SageMaker AI. الخطوة 8: تقارير قابلة لإعادة الإنتاج باستخدام Quarto انتهى التشغيل بتقرير Quarto يربط مصدر Athena ونتائج جودة البيانات والتحقق في R ونموذج Python والمخرجات المُسجَّلة وendpoint الخاص بـ SageMaker AI وتطبيق Shiny. تم إنشاء التقرير مباشرةً من المشروع، محافظًا على دليل سير العمل ونتائجه في وثيقة واحدة قابلة لإعادة الإنتاج. الشكل 12. Quarto يحافظ على الأدلة والقرارات من سير العمل. معمارية النشر يتضمن النشر مسارين: مسار مسؤول يقوم ببناء وتسجيل صورة Positron المخصصة، ومسار علم بيانات يستخدمها لتحليل البيانات ونشر النماذج. المسار الإداري يعمل Positron كمنا صورة مخصصة مبنية على صورة Amazon SageMaker Distribution في SageMaker AI. يقوم المسؤول ببناء تعريف صورة Positron المنشور من Posit، ودفعه إلى مستودع Amazon Elastic Container Registry (Amazon ECR) خاص في منطقة AWS التابعة لمجال Studio، ثم تسجيل صورة SageMaker AI وإصدارها، وإنشاء تكوين صورة لتطبيق JupyterLab، والتحقق من الترخيص، ومنح دور التنفيذ الأذونات المطلوبة، ثم ربط الصورة بالمجال. ينشر Posit تعريف الصورة، على سبيل المثال Positron SageMaker Containerfile، الذي يعتمد على صورة الأساس لـ SageMaker Distribution. Amazon Bedrock اختياري ويُستخدم فقط عندما يتم اختياره كمزوّد لـ Posit Assistant. تبقى المسؤوليات منفصلة. يوفر Posit صورة البرمجيات والدعم الخاص بالمنتج. يقوم العميل بإدارة الهوية، والأذونات، والترخيص، والشبكات، والتسجيل (logging)، وتحديثات الصور، وخدمات AWS المعتمدة. تقوم AWS بتشغيل خدماتها السحابية المُدارة. مسار علم البيانات يطلق عالم البيانات JupyterLab في SageMaker Studio Space، ويُفتح Positron، ويستخدم R وPython وQuarto وPosit Database Drivers وأيضًا Posit Assistant (اختياريًا) للاستعلام عن البيانات وتحليلها ونشر النماذج. الشكل 13. إعداد المسؤول ومسؤوليات عالم البيانات لـ Positron Space. ما الذي أثبته التشغيل المُسجل أظهر سير العمل المُسجل القدرات التالية ضمن Positron Space واحد: وصول بيانات مُدار. تم تنفيذ اكتشاف Athena والعينات والتوصيف من الـ Space المُهيأ. تحليل متعدد اللغات. قام R بالتحقق من البيانات والسمات قبل أن تقوم Python بتدريب النموذج. قياس سلوك النموذج. كان AUC من held-out يساوي 0.834 وكان أعلى decile للمخاطر يحتوي على معدل افتراض مُلاحظ قدره 12.3%. نشر مُدار. سجل سير العمل 48,500 صفًا مُسجلًا (scored) في Athena وأحضر endpoint فورية/آنية إلى حالة InService. ربط المخرجات. تم إنتاج تطبيق Shiny المباشر وتقرير Quarto من نفس المشروع. النطاق والقيود كانت مجموعة البيانات وpayloads الخاصة بالمتقدمين افتراضية/مصطنعة. لم يثبت سير العمل عدالة النموذج (model fairness)، أو المعايرة (calibration)، أو ملاءمة الإقراض (lending suitability)، أو زمن الانتظار في الإنتاج (production latency)، أو سلوك التحميل، أو المراقبة، أو الامتثال التنظيمي. جاءت نتائج AUC وdecile من تقسيمة held-out واحدة، ولم تكن deciles الأدنى متسقة بشكل صارم في الاتجاه (non-monotonic). توثق لقطات الشاشة تشغيلًا واحدًا مُسجّلًا ولا ينبغي تقديمها كمعيار عام للأداء أو التكلفة. يتطلب تبني الإنتاج أيضًا التحقق من شروط Posit preview ومنح الترخيص وإصدار الصورة إلى جانب المناطق المدعومة في AWS وتوافر النماذج. يجب على الفرق كذلك التأكد من تصميم الشبكة، وأذونات مبدأ أقل امتياز (least-privilege)، والتعامل مع الأسرار (secrets handling)، والتسجيل، وتحديثات التصحيح للصور (image patching)، والمسؤولية التشغيلية. تنظيف للحيلولة دون رسوم مستمرة، احذف الموارد التي أنشأها هذا الدليل. احذفها بالترتيب التالي لأن الـ real-time endpoint يعتمد على كل من تكوين الـ endpoint ونموذجه: احذف الـ endpoint أولًا، ثم تكوين الـ endpoint، ثم النموذج. احذف Real-time inference endpoint. في وحدة تحكم SageMaker AI، انتقل إلى Inference > Endpoints، وحدد endpoint الخاص بك، واختر Delete. aws sagemaker delete-endpoint --endpoint-name Delete حذف تكوين endpoint. انتقل إلى Inference > Endpoint configurations، وحدد تكوينك، واختر Delete. aws sagemaker delete-endpoint-config --endpoint-config-name Delete حذف نموذج. انتقل إلى Inference > Models، وحدد نموذجك، واختر Delete. aws sagemaker delete-model --model-name Delete حذف كائنات ناتج الاستعلام وإسقاط جدول Athena. من وحدة تحكم Amazon S3، افتح حاويتك، وانتقل إلى بادئة (output prefix)، وحدد الكائنات، واختر Delete. aws s3 rm s3://amzn-s3-demo-bucket// --recursive ثم في محرر الاستعلام داخل Amazon Athena، نفّذ: DROP TABLE IF EXISTS .; حذف إصدار صورة Amazon ECR. في وحدة تحكم Amazon ECR، انتقل إلى Repositories، وحدد مستودعك، وحدد وسم الصورة (image tag)، واختر Delete. aws ecr batch-delete-image --repository-name --image-ids imageTag= حذف تسجيل صورة SageMaker AI. في وحدة تحكم SageMaker AI، انتقل إلى Admin configurations > Images، وحدد صورتك، واختر Delete. aws sagemaker delete-image --image-name Stop واحذف أي Test Spaces لا تستخدمها. قم بعمل نسخة احتياطية لأي ملفات مشروع تحتاجها، وقم أولًا بالتأكد من سلوك الاحتفاظ بالتخزين للـ Space. في SageMaker Studio، انتقل إلى Spaces، وحدد الـ Space، واختر Stop. احذف الـ Space فقط بعد أن تكون قد أخذت نسخة احتياطية من ملفاتها. الخلاصة يوضح سير العمل المُسجّل كيف يمكن لصورة Positron مخصصة أن تحافظ على وصول بيانات AWS المُدار، وتحليل R وPython، ونشر النماذج، وتطوير التطبيقات، وإعداد التقارير القابلة لإعادة الإنتاج داخل SageMaker Studio Space واحد. تكون الاستمرارية مفيدة لأن الدليل (evidence) والشفرة ونتيجة النشر وأثر التواصل تبقى مرتبطة ببعضها. يعتمد الاستخدام في الإنتاج مع ذلك على ضوابط الأمان والحوكمة والتحقق والتشغيل لدى العميل. موارد ذات صلة لمعلومات خلفية ذات صلة، راجع: Positron Set up Guide on SageMaker Posit Assistant Run interactive IDEs on Amazon EKS with SageMaker AI to power up your AI workflows Amazon SageMaker Studio documentation Amazon ECR User Guide Positron Docker Image AWS License Manager User Guide نبذة عن المؤلفين Abhishek Maligehalli Shivalingaiah Abhishek هو مهندس حلول لدى الشركاء في AWS، ويتخصص في بناء تطبيقات ذكاء اصطناعي توليدي. بشغف عميق لاستخدام أطر عمل ذكاء اصطناعي وكيلية (agentic AI frameworks) لحل تحديات أعمال معقدة، يجلب ما يقرب من عقد من الخبرة في تطوير حلول البيانات والذكاء الاصطناعي التي تقدم قيمة ملموسة للمؤسسات. وبعيدًا عن مساعيه المهنية، فهو فنان يستمتع برسم بورتريهات العائلة والأصدقاء، ويعبر عن إبداعه عبر وسائط فنية متنوعة. SriAakash Mandavilli SriAakash مهندس برمجيات ضمن فريق Amazon SageMaker AI، حيث يبني منتجات وتجارب للمطورين عبر Amazon SageMaker Studio. يركز على تطوير حلول تُبسّط وتحسّن تجربة تطوير التعلم الآلي لعلماء البيانات والمطورين. خارج العمل، يستمتع SriAakash بالبقاء نشطًا من خلال المشي لمسافات طويلة (hiking) وركوب الدراجات (biking) والمشي الطويل. Arkaprava De Arkaprava هو مدير تطوير برمجيات في AWS ضمن فريق SageMaker AI. يعمل في Amazon منذ أكثر من 10 سنوات، ويساهم في تحسين تجربة IDE لدى Amazon SageMaker Studio لمطوري التعلم الآلي. Arantza Rodriguez Arantza هي مديرة منتجات فنية أولى لدى Amazon SageMaker AI. وهي متحمسة لبناء منتجات قابلة للتوسع تحل مشكلات حقيقية لدى العملاء. في AWS، تركز على تجربة المطورين لـ SageMaker AI Studio، لمساعدة علماء البيانات عبر مختلف الصناعات على بناء وتدريب ونشر نماذج AI/ML. خارج العمل، تستمتع Arantza بالسفر ولعب كرة القدم والطهي. Sam McIntyre Sam هو مدير تطوير شراكات أول لدى الشركاء يعمل مع ISVs في GenAI، ويبني شراكات استراتيجية وحلولًا مبتكرة لعملاء AWS. وبخبرة تزيد عن 12 عامًا عبر تكنولوجيا السحابة ونظام الشركاء البيئي، يقدم Sam خبرة عميقة في AWS Marketplace والتعاون مع كبار مُتكاملي الأنظمة وشركاء GenAI. （المصدر: ME）