Amazon Connect now supports you to associate custom attributes with interaction segments, ensuring reporting and analytics always reflect the true customer journey. Attributes such as business unit name, account type, or contact reason can be centrally managed with predetermined values and applied to contact records through flows or the UpdateContact API. This approach preserves accurate business context throughout customer journeys, particularly during transfers and multi-party communications. For example, a customer engagement that originates in the Support business unit and transitions to Sales: each distinct interaction segment maintains its precise business unit name, creating an accurate and comprehensive record of the customer journey.
This feature is available in all AWS regions where Amazon Connect is available. To learn more about using predefined attributes as contact segment attributes, see the Amazon Connect Administrator Guide. To learn more about Amazon Connect, the AWS contact center as a service solution on the cloud, please visit the Amazon Connect website.
Amazon Connect now supports you to associate custom attributes with interaction segments, ensuring reporting and analytics always reflect the true customer journey. Attributes such as business unit name, account type, or contact reason can be centrally managed with predetermined values and applied to contact records through flows or the UpdateContact API. This approach preserves accurate business context throughout customer journeys, particularly during transfers and multi-party communications. For example, a customer engagement that originates in the Support business unit and transitions to Sales: each distinct interaction segment maintains its precise business unit name, creating an accurate and comprehensive record of the customer journey. This feature is available in all AWS regions where Amazon Connect is available. To learn more about using predefined attributes as contact segment attributes, see the Amazon Connect Administrator Guide. To learn more about Amazon Connect, the AWS contact center as a service solution on the cloud, please visit the Amazon Connect website.
Today, AWS announces the general availability of the new Amazon Elastic Block Storage (Amazon EBS) optimized Amazon Elastic Compute Cloud (Amazon EC2) R8gb instances. These instances are powered by AWS Graviton4 processors to deliver up to 30% better compute performance than AWS Graviton3 processors. At up to 150 Gbps of EBS bandwidth, these instances offer higher EBS performance compared to same-sized equivalent Graviton4-based instances. Take advantage of the higher block storage performance offered by these new EBS optimized EC2 instances to scale the performance and throughput of workloads such as high performance databases and NoSQL databases, while optimizing the cost of running your workloads.
For increased scalability, these instances offer instance sizes up to 24xlarge, including one metal size, up to 768 GiB of memory, up to 150 Gbps of EBS bandwidth, up to 200 Gbps of networking bandwidth. These instances support Elastic Fabric Adapter (EFA) networking on the 16xlarge, 24xlarge, and metal-24xl sizes, which enables lower latency and improved cluster performance for workloads deployed on tightly coupled clusters.
The new R8gb instances are available in US East (N. Virginia) and US West (Oregon) regions. Metal sizes are only available in US East (N. Virginia) region.
Today, AWS announces the general availability of the new Amazon Elastic Block Storage (Amazon EBS) optimized Amazon Elastic Compute Cloud (Amazon EC2) R8gb instances. These instances are powered by AWS Graviton4 processors to deliver up to 30% better compute performance than AWS Graviton3 processors. At up to 150 Gbps of EBS bandwidth, these instances offer higher EBS performance compared to same-sized equivalent Graviton4-based instances. Take advantage of the higher block storage performance offered by these new EBS optimized EC2 instances to scale the performance and throughput of workloads such as high performance databases and NoSQL databases, while optimizing the cost of running your workloads.
For increased scalability, these instances offer instance sizes up to 24xlarge, including one metal size, up to 768 GiB of memory, up to 150 Gbps of EBS bandwidth, up to 200 Gbps of networking bandwidth. These instances support Elastic Fabric Adapter (EFA) networking on the 16xlarge, 24xlarge, and metal-24xl sizes, which enables lower latency and improved cluster performance for workloads deployed on tightly coupled clusters.
The new R8gb instances are available in US East (N. Virginia) and US West (Oregon) regions. Metal sizes are only available in US East (N. Virginia) region.
To learn more, see Amazon R8gb Instances. To begin your Graviton journey, visit the Level up your compute with AWS Graviton page. To get started, see AWS Management Console, AWS Command Line Interface (AWS CLI), and AWS SDKs.
Dentro del centro de datos de IA más potente del mundo
Por: Scott Guthrie, vicepresidente ejecutivo de Cloud + AI.
Hace unos días presentamos una ola de centros de datos diseñados de manera especial e inversiones en infraestructura que realizamos en todo el mundo para respaldar la adopción global de cargas de trabajo de IA y servicios en la nube de vanguardia.
Hoy en Wisconsin presentamos Fairwater, nuestro centro de datos de IA más nuevo de EE. UU., la fábrica de IA más grande y sofisticada que hemos construido hasta ahora. Además de nuestro centro de datos Fairwater en Wisconsin, también tenemos varios centros de datos Fairwater idénticos en construcción en otras ubicaciones de los EE. UU.
Estos centros de datos de IA son importantes proyectos de capital, que representan decenas de miles de millones de dólares en inversiones y cientos de miles de chips de IA de vanguardia, y se conectarán sin problemas con nuestra nube global de Microsoft de más de 400 centros de datos en 70 regiones de todo el mundo. A través de la innovación que puede permitirnos vincular estos centros de datos de IA en una red distribuida, multiplicamos la eficiencia y la computación de manera exponencial para democratizar aún más el acceso a los servicios de IA a nivel mundial.
Entonces, ¿qué es un centro de datos de IA?
El centro de datos de IA: la nueva fábrica de la era de la IA
Vista aérea del nuevo campus del centro de datos de IA de Microsoft en Mt Pleasant, Wisconsin.
Un centro de datos de IA es una instalación única, especialmente diseñada, diseñada específicamente para el entrenamiento de IA, así como para ejecutar modelos y aplicaciones de inteligencia artificial a gran escala. Los centros de datos de IA de Microsoft impulsan OpenAI, Microsoft AI, nuestras capacidades de Copilot y muchas más cargas de trabajo de IA líderes.
El nuevo centro de datos de Fairwater AI en Wisconsin se erige como una notable hazaña de ingeniería, que cubre 315 acres y alberga tres edificios masivos con un total combinado de 1.2 millones de pies cuadrados bajo techo. La construcción de esta instalación requirió 46.6 millas de pilotes de cimentación profundos, 26.5 millones de libras de acero estructural, 120 millas de cable subterráneo de media tensión y 72.6 millas de tuberías mecánicas.
A diferencia de los centros de datos en la nube típicos, que están optimizados para ejecutar muchas cargas de trabajo más pequeñas e independientes, como alojar sitios web, correo electrónico o aplicaciones comerciales, este centro de datos está diseñado para funcionar como una supercomputadora de IA masiva que utiliza una sola red plana que interconecta cientos de miles de las últimas GPU NVIDIA. De hecho, ofrecerá 10 veces el rendimiento de la supercomputadora más rápida del mundo en la actualidad, lo que permitirá cargas de trabajo de inferencia y entrenamiento de IA a un nivel nunca antes visto.
El papel de nuestros centros de datos de IA: impulsando la IA de frontera
Los modelos de IA efectivos se basan en miles de computadoras que trabajan juntas, impulsadas por GPU o aceleradores de IA especializados, para procesar cálculos matemáticos simultáneos masivos. Están interconectados con redes extremadamente rápidas para que puedan compartir resultados al instante, y todo esto está respaldado por enormes sistemas de almacenamiento que contienen los datos (como texto, imágenes o video) desglosados en tokens, las pequeñas unidades de información de las que aprende la IA. El objetivo es mantener estos chips ocupados todo el tiempo, porque si los datos o la red no pueden seguir el ritmo, todo se ralentiza.
El entrenamiento de IA en sí es un ciclo: la IA procesa tokens en secuencia, hace predicciones sobre el siguiente, las compara con las respuestas correctas y se ajusta a sí misma. Esto se repite billones de veces hasta que el sistema mejora en lo que sea que esté siendo entrenado para hacer. Piense en ello como la práctica de un equipo de fútbol profesional. Cada GPU es un jugador que ejecuta un ejercicio, las fichas son las jugadas que se ejecutan paso a paso y la red es el cuerpo técnico, gritando instrucciones y manteniendo a todos sincronizados. El equipo repite jugadas una y otra vez, corrigiendo errores hasta que pueden ejecutarlos a la perfección. Al final, el modelo de IA, al igual que el equipo, ha dominado su estrategia y está listo para funcionar en condiciones reales de juego.
Infraestructura de IA a escala de frontera
La infraestructura especialmente diseñada es fundamental para poder impulsar la IA de manera eficiente. Para calcular las matemáticas de tokens en esta escala de billones de parámetros de los principales modelos de IA, el núcleo del centro de datos de IA se compone de aceleradores de IA dedicados (como GPU) montados en placas de servidor junto con CPU, memoria y almacenamiento. Un solo servidor aloja varios aceleradores de GPU, conectados para una comunicación de gran ancho de banda. Estos servidores se instalan en un bastidor, con conmutadores de la parte superior del bastidor (ToR) que proporcionan redes de baja latencia entre ellos. Cada rack del centro de datos está interconectado, creando un clúster estrechamente acoplado. Desde el exterior, esta arquitectura se parece a muchos servidores independientes, pero a escala funciona como una única supercomputadora donde cientos de miles de aceleradores pueden entrenar un solo modelo en paralelo.
Este centro de datos ejecuta un único clúster masivo de servidores NVIDIA GB200 interconectados y millones de núcleos de cómputo y exabytes de almacenamiento, todos diseñados para las cargas de trabajo de IA más exigentes. Azure fue el primer proveedor de nube en poner en línea los clústeres de servidores, racks y centros de datos completos de NVIDIA GB200. Cada rack incluye 72 GPU NVIDIA Blackwell, unidas en un solo dominio NVLink que ofrece 1,8 terabytes de ancho de banda de GPU a GPU y le da a cada GPU acceso a 14 terabytes de memoria agrupada. En lugar de comportarse como docenas de chips separados, el bastidor funciona como un acelerador único y gigante, capaz de procesar la asombrosa cantidad de 865,000 tokens por segundo, el rendimiento más alto de cualquier plataforma en la nube disponible en la actualidad. Los centros de datos de IA de Noruega y el Reino Unido utilizarán clústeres similares y aprovecharán el próximo diseño de chip de IA de NVIDIA (GB300) que ofrece aún más memoria agrupada por rack.
El desafío de establecer la escala de supercomputación, particularmente a medida que los requisitos de entrenamiento de IA continúan requiriendo escalas innovadoras de computación, es lograr que la topología de red sea la correcta. Para garantizar una comunicación de baja latencia en varias capas en un entorno de nube, Microsoft necesitaba ampliar el rendimiento más allá de un solo bastidor. Para las últimas implementaciones de NVIDIA GB200 y GB300 a nivel mundial, a nivel de bastidor, estas GPU se comunican a través de NVLink y NVSwitch a terabytes por segundo, colapsando las barreras de memoria y ancho de banda. A continuación, para conectarse a través de varios bastidores en un pod, Azure usa estructuras InfiniBand y Ethernet que ofrecen 800 Gbps, en una arquitectura sin bloqueo de árbol completo para garantizar que cada GPU pueda comunicarse con todas las demás GPU a velocidad de línea completa sin congestión. Y en todo el centro de datos, varios pods de racks están interconectados para reducir el número de saltos y permitir que decenas de miles de GPU funcionen como una supercomputadora a escala global.
Cuando se coloca en un pasillo de centro de datos tradicional, la distancia física entre bastidores introduce latencia en el sistema. Para abordar esto, los racks en el centro de datos de Wisconsin AI están dispuestos en una configuración de centro de datos de dos pisos, por lo que, además de los racks conectados en red a racks adyacentes, están conectados en red a racks adicionales por encima o por debajo de ellos.
Este enfoque por capas distingue a Azure. Microsoft Azure no solo fue la primera nube en poner GB200 en línea a escala de rack y centro de datos; Lo estamos haciendo a gran escala con los clientes hoy. Al diseñar conjuntamente la pila completa con lo mejor de nuestros socios de la industria, junto con nuestros propios sistemas especialmente diseñados, Microsoft ha construido la supercomputadora de IA más poderosa y estrechamente acoplada del mundo, diseñada específicamente para modelos de frontera.
Clúster de alta densidad de servidores de infraestructura de IA en un centro de datos de Microsoft.
Abordar el impacto ambiental: refrigeración líquida de circuito cerrado a escala de instalación
La refrigeración por aire tradicional no puede manejar la densidad del hardware de IA moderno. Nuestros centros de datos utilizan sistemas avanzados de refrigeración líquida: las tuberías integradas hacen circular el líquido frío directamente en los servidores, extrayendo el calor de manera eficiente. La recirculación de circuito cerrado garantiza un desperdicio de agua cero, ya que el agua solo necesita llenarse una vez y luego se reutiliza continuamente.
Al diseñar centros de datos de IA especialmente diseñados, pudimos construir una infraestructura de refrigeración líquida en la instalación directamente para obtener más densidad de rack en el centro de datos. Fairwater cuenta con el respaldo de la segunda planta enfriadora de agua más grande del planeta y hará circular agua continuamente en su sistema de enfriamiento de circuito cerrado. Luego, el agua caliente se canaliza a las «aletas» de enfriamiento a cada lado del centro de datos, donde 172 ventiladores de 20 pies enfrían y recirculan el agua de regreso al centro de datos. Este sistema mantiene el centro de datos de IA funcionando de manera eficiente, incluso en cargas máximas.
Vista aérea de parte del sistema de refrigeración líquida de circuito cerrado.
Más del 90% de la capacidad de nuestro centro de datos utiliza este sistema, requiriendo agua solo una vez durante la construcción y reutilizándola continuamente sin pérdidas por evaporación. El 10% restante de los servidores tradicionales utilizan aire exterior para enfriarse, cambiando a agua solo durante los días más calurosos, un diseño que reduce drásticamente el uso de agua en comparación con los centros de datos tradicionales.
También estamos utilizando refrigeración líquida para admitir cargas de trabajo de IA en muchos de nuestros centros de datos existentes; esta refrigeración líquida se logra con unidades intercambiadoras de calor (HXU) que también funcionan con un uso de agua operativo cero.
Almacenamiento y computación: Diseñado para la velocidad de la IA
Los centros de datos modernos pueden contener exabytes de almacenamiento y millones de núcleos de proceso de CPU. Para admitir el clúster de infraestructura de IA, se necesita una infraestructura de centro de datos completamente independiente para almacenar y procesar los datos utilizados y generados por el clúster de IA. Para darle un ejemplo de la escala, ¡los sistemas de almacenamiento del centro de datos de IA de Wisconsin tienen cinco campos de fútbol de longitud!
Vista aérea de un centro de datos informático y de almacenamiento dedicado que se utiliza para almacenar y procesar datos para el centro de datos de IA.
Rediseñamos el almacenamiento de Azure para las cargas de trabajo de IA más exigentes, en estas implementaciones masivas de centros de datos para una verdadera escala de supercomputación. Cada cuenta de Azure Blob Storage puede soportar más de 2 millones de transacciones de lectura y escritura por segundo y, con millones de cuentas disponibles, podemos escalar de forma elástica para satisfacer prácticamente cualquier requisito de datos.
Detrás de esta capacidad hay una base de almacenamiento fundamentalmente rediseñada que agrega capacidad y ancho de banda en miles de nodos de almacenamiento y cientos de miles de unidades. Esto permite el almacenamiento a escala de exabytes, eliminando la necesidad de fragmentación manual y simplificando las operaciones incluso para las cargas de trabajo de IA y análisis más grandes.
Las innovaciones clave como BlobFuse2 ofrecen acceso de alto rendimiento y baja latencia para el entrenamiento local de nodos de GPU, lo que garantiza que los recursos informáticos nunca estén inactivos y que los conjuntos de datos de entrenamiento masivos de IA estén siempre disponibles cuando sea necesario. El soporte multiprotocolo permite una integración perfecta con diversas canalizaciones de datos, mientras que la integración profunda con motores de análisis y herramientas de IA acelera la preparación y el despliegue de datos.
El escalado automático asigna dinámicamente los recursos a medida que crece la demanda, combinado con seguridad avanzada, resistencia y almacenamiento por niveles rentable, la plataforma de almacenamiento de Azure marca el ritmo de las cargas de trabajo de próxima generación, brindando el rendimiento, la escalabilidad y la confiabilidad necesarios.
AI WAN: Conexión de múltiples centros de datos para una supercomputadora de IA aún más grande
Estos nuevos centros de datos de IA forman parte de una red global de centros de datos de Azure AI, interconectados a través de nuestra red de área extensa (WAN). No se trata solo de un edificio, se trata de un sistema distribuido, resistente y escalable que funciona como una única y poderosa máquina de IA. Nuestra WAN de IA está diseñada con capacidades de crecimiento en escalas de ancho de banda nativas de IA para permitir el entrenamiento distribuido a gran escala en varias regiones de Azure geográficamente diversas, lo que permite a los clientes aprovechar la potencia de un superequipo de IA gigante.
Este es un cambio fundamental en la forma en que pensamos sobre las supercomputadoras de IA. En lugar de estar limitados por las paredes de una sola instalación, estamos construyendo un sistema distribuido donde los recursos informáticos, de almacenamiento y de red se agrupan y orquestan sin problemas en las regiones del centro de datos. Esto significa una mayor resiliencia, escalabilidad y flexibilidad para los clientes.
Reuniéndolo todo
Para satisfacer las necesidades críticas de los mayores desafíos de IA, necesitábamos rediseñar cada capa de nuestra pila de infraestructura en la nube. No se trata solo de avances aislados, sino de componer múltiples enfoques nuevos en silicio, servidores, redes y centros de datos, lo que lleva a avances en los que el software y el hardware se optimizan como un sistema especialmente diseñado.
El centro de datos de Microsoft en Wisconsin desempeñará un papel fundamental en el futuro de la IA, basado en tecnología real, inversión real e impacto real en la comunidad. A medida que conectamos esta instalación con otros centros de datos regionales, y a medida que cada capa de nuestra infraestructura se armoniza como un sistema completo, estamos desatando una nueva era de inteligencia impulsada por la nube, segura, adaptable y lista para lo que viene.
Para obtener más información sobre las innovaciones del centro de datos de Microsoft, consulte el recorrido virtual por el centro de datos en datacenters.microsoft.com.
Scott Guthrie es responsable de las soluciones y servicios de computación en la nube a hiperescala, incluida Azure, la plataforma de computación en la nube de Microsoft, las soluciones de IA generativa, las plataformas de datos y la información y la ciberseguridad. Estas plataformas y servicios ayudan a las organizaciones de todo el mundo a resolver desafíos urgentes e impulsar la transformación a largo plazo.
Amazon Connect Contact Lens now provides sensitive data redaction from voice and chat conversational analytics in French (France, Canada), Portuguese (Portugal, Brazil), Italian, German, and Spanish (Spain). Automatic redaction of sensitive data redaction helps you protect your customer’s privacy by removing personally identifiable information (PII), financial account numbers and PINs, and Internet access details (URLs, usernames, passwords) from conversation transcripts and audio files. You can choose to redact selected or all sensitive data entities, and whether they are replaced with a generic placeholder (e.g., [PII]) or an entity-specific placeholder (e.g., [NAME]) to indicate the type of information redacted.
Amazon Connect is an AI-powered application that provides one seamless experience for your contact center customers and users. Contact Lens provides conversational analytics that enable you to monitor, measure, and continuously improve contact quality and agent performance for a better overall customer experience.
Sensitive data redaction is available in all AWS Regions where Amazon Connect is available. For more information, refer to the following list of resources:
Amazon Connect Contact Lens now provides sensitive data redaction from voice and chat conversational analytics in French (France, Canada), Portuguese (Portugal, Brazil), Italian, German, and Spanish (Spain). Automatic redaction of sensitive data redaction helps you protect your customer’s privacy by removing personally identifiable information (PII), financial account numbers and PINs, and Internet access details (URLs, usernames, passwords) from conversation transcripts and audio files. You can choose to redact selected or all sensitive data entities, and whether they are replaced with a generic placeholder (e.g., [PII]) or an entity-specific placeholder (e.g., [NAME]) to indicate the type of information redacted. Amazon Connect is an AI-powered application that provides one seamless experience for your contact center customers and users. Contact Lens provides conversational analytics that enable you to monitor, measure, and continuously improve contact quality and agent performance for a better overall customer experience. Sensitive data redaction is available in all AWS Regions where Amazon Connect is available. For more information, refer to the following list of resources:
Amazon Connect Contact Lens and pricing
Enable redaction of sensitive information
Supported languages
Amazon Connect now offers new enhanced analytics in the drag-and-drop flow designer that help you make data-driven decisions when building and optimizing your flows. Amazon Connect flows allow you to create end-to-end self-service and automated customer experiences such as interactive voice response (IVR), step-by-step guides, and back office processes and tasks. With this launch, you can now view aggregate metrics on how customers move through each step in the flow including where they run into errors or abandon the experience. For example, you can see how many conversational AI interactions result in transfers to agent queues or when customers end up in the wrong queue because an error in the flow configuration. These new capabilities help you identify behavioral patterns and evaluate root causes, allowing you to deliver better outcomes for customers.
This new capability is included with Amazon Connect (with unlimited AI) pricing. To learn more about this feature, see the Amazon Connect Administrator Guide. This feature is available in all AWS regions that offers Amazon Connect. To learn more about Amazon Connect, the AWS cloud-based contact center, please visit the Amazon Connect website.
Amazon Connect now offers new enhanced analytics in the drag-and-drop flow designer that help you make data-driven decisions when building and optimizing your flows. Amazon Connect flows allow you to create end-to-end self-service and automated customer experiences such as interactive voice response (IVR), step-by-step guides, and back office processes and tasks. With this launch, you can now view aggregate metrics on how customers move through each step in the flow including where they run into errors or abandon the experience. For example, you can see how many conversational AI interactions result in transfers to agent queues or when customers end up in the wrong queue because an error in the flow configuration. These new capabilities help you identify behavioral patterns and evaluate root causes, allowing you to deliver better outcomes for customers. This new capability is included with Amazon Connect (with unlimited AI) pricing. To learn more about this feature, see the Amazon Connect Administrator Guide. This feature is available in all AWS regions that offers Amazon Connect. To learn more about Amazon Connect, the AWS cloud-based contact center, please visit the Amazon Connect website.
AWS announces Model Context Protocol (MCP) server for AWS IoT SiteWise in the AWS Labs MCP open-source repository. This MCP server simplifies industrial data modeling by providing built-in domain validation and automated modeling capabilities, eliminating the need for extensive API knowledge. The server supports existing AWS IoT SiteWise functionality through familiar tools while adding new conversational interfaces for enhanced user interaction.
The server comes with built-in industrial knowledge and best practices, automatically applying proper units, data types, and quality indicators. This means your industrial models are production-ready from the start, saving valuable time and resources that would otherwise be spent on multiple iterations and corrections. This foundation enables you to easily implement advanced capabilities like anomaly detection and streamlined asset onboarding, while seamlessly integrating with your existing industrial systems.
AWS announces Model Context Protocol (MCP) server for AWS IoT SiteWise in the AWS Labs MCP open-source repository. This MCP server simplifies industrial data modeling by providing built-in domain validation and automated modeling capabilities, eliminating the need for extensive API knowledge. The server supports existing AWS IoT SiteWise functionality through familiar tools while adding new conversational interfaces for enhanced user interaction.
The server comes with built-in industrial knowledge and best practices, automatically applying proper units, data types, and quality indicators. This means your industrial models are production-ready from the start, saving valuable time and resources that would otherwise be spent on multiple iterations and corrections. This foundation enables you to easily implement advanced capabilities like anomaly detection and streamlined asset onboarding, while seamlessly integrating with your existing industrial systems.
Download SiteWise MCP server from AWS Labs MCP open-source repository. To get started, visit: AWS Labs MCP repository on GitHub SiteWise MCP server documentation
Amazon RDS for MySQL now supports community MySQL Innovation Release 9.4 in the Amazon RDS Database Preview Environment, allowing you to evaluate the latest Innovation Release on Amazon RDS for MySQL. You can deploy MySQL 9.4 in the Amazon RDS Database Preview Environment which provides the benefits of a fully managed database, making it simpler to set up, operate, and monitor databases.
MySQL 9.4 is the latest Innovation Release from the MySQL community. MySQL Innovation releases include bug fixes, security patches, as well as new features. MySQL Innovation releases are supported by the community until the next innovation minor, whereas MySQL Long Term Support (LTS) Releases, such as MySQL 8.0 and MySQL 8.4, are supported by the community for up to eight years. Please refer to the MySQL 9.4 release notes and Amazon RDS MySQL release notes for more details.
Amazon RDS Database Preview Environment supports both Single-AZ and Multi-AZ deployments on the latest generation of instance classes. Amazon RDS Database Preview Environment database instances are retained for a maximum of 60 days and are automatically deleted after the retention period. Amazon RDS database snapshots created in the Preview Environment can only be used to create or restore database instances within the Preview Environment.
Amazon RDS for MySQL now supports community MySQL Innovation Release 9.4 in the Amazon RDS Database Preview Environment, allowing you to evaluate the latest Innovation Release on Amazon RDS for MySQL. You can deploy MySQL 9.4 in the Amazon RDS Database Preview Environment which provides the benefits of a fully managed database, making it simpler to set up, operate, and monitor databases. MySQL 9.4 is the latest Innovation Release from the MySQL community. MySQL Innovation releases include bug fixes, security patches, as well as new features. MySQL Innovation releases are supported by the community until the next innovation minor, whereas MySQL Long Term Support (LTS) Releases, such as MySQL 8.0 and MySQL 8.4, are supported by the community for up to eight years. Please refer to the MySQL 9.4 release notes and Amazon RDS MySQL release notes for more details. Amazon RDS Database Preview Environment supports both Single-AZ and Multi-AZ deployments on the latest generation of instance classes. Amazon RDS Database Preview Environment database instances are retained for a maximum of 60 days and are automatically deleted after the retention period. Amazon RDS database snapshots created in the Preview Environment can only be used to create or restore database instances within the Preview Environment. Amazon RDS Database Preview Environment database instances are priced the same as production RDS instances created in the US East (Ohio) Region. For further information, see Working with the Database Preview Environment. To get started with the Preview Environment from the RDS console, navigate here.
AWS Organizations now offers full IAM policy language support for service control policies (SCPs), enabling you to write SCPs with the same flexibility as IAM managed policies. With this launch, SCPs now support use of conditions, individual resource ARNs, and the NotAction element with Allow statements. Additionally, you can now use wildcards at the beginning or middle of Action element strings and the NotResource element.
With these policy language enhancements, you can now create more concise and precise policies to implement sophisticated permissions guardrails across your organization. For example, you can restrict access to specific resources with condition statements. The enhanced functionality maintains backward compatibility with existing SCPs, so no changes to current policies are required.
This feature is now available in all AWS commercial and AWS GovCloud (US) Regions.
AWS Organizations now offers full IAM policy language support for service control policies (SCPs), enabling you to write SCPs with the same flexibility as IAM managed policies. With this launch, SCPs now support use of conditions, individual resource ARNs, and the NotAction element with Allow statements. Additionally, you can now use wildcards at the beginning or middle of Action element strings and the NotResource element. With these policy language enhancements, you can now create more concise and precise policies to implement sophisticated permissions guardrails across your organization. For example, you can restrict access to specific resources with condition statements. The enhanced functionality maintains backward compatibility with existing SCPs, so no changes to current policies are required. This feature is now available in all AWS commercial and AWS GovCloud (US) Regions. To learn more about the enhanced SCP capabilities, see service control policies in the AWS Organizations User Guide and AWS blog.
Amazon OpenSearch Ingestion now supports cross-account ingestion for push-based sources such as HTTP and OpenTelemetry (OTel). With this launch, customers can easily share OpenSearch Ingestion pipelines across AWS accounts without relying on additional configurations like VPC peering or AWS Transit Gateway.
This capability makes it simpler for organizations with multiple accounts to centralize observability and analytics workflows. For example, a central logging team can create ingestion pipelines and grant access to development teams across different accounts, enabling them to ingest logs, metrics, and traces directly into OpenSearch domains or OpenSearch Serverless collections. This reduces operational overhead and lowers the cost of sharing ingestion pipelines across accounts.
Cross-account ingestion for Amazon OpenSearch Ingestion is available today in all AWS regions where OpenSearch Ingestion is offered. Customers can get started by creating resource policies in the AWS Management Console or using the AWS CLI, and then enabling pipeline endpoints from their VPCs to ingest data seamlessly.
Amazon OpenSearch Ingestion now supports cross-account ingestion for push-based sources such as HTTP and OpenTelemetry (OTel). With this launch, customers can easily share OpenSearch Ingestion pipelines across AWS accounts without relying on additional configurations like VPC peering or AWS Transit Gateway.
This capability makes it simpler for organizations with multiple accounts to centralize observability and analytics workflows. For example, a central logging team can create ingestion pipelines and grant access to development teams across different accounts, enabling them to ingest logs, metrics, and traces directly into OpenSearch domains or OpenSearch Serverless collections. This reduces operational overhead and lowers the cost of sharing ingestion pipelines across accounts.
Cross-account ingestion for Amazon OpenSearch Ingestion is available today in all AWS regions where OpenSearch Ingestion is offered. Customers can get started by creating resource policies in the AWS Management Console or using the AWS CLI, and then enabling pipeline endpoints from their VPCs to ingest data seamlessly.
To learn more about this feature, see the Amazon OpenSearch Service Developer Guide and the launch blog.
Amazon Redshift announces the general availability of Multidimensional Data Layouts (MDDL) that dynamically sort data based on actual query filters, accelerating query performance. Unlike traditional sorting methods that sort data based on fixed columns, MDDL sorts data based on query filters (for example, Sales in US), achieving up to 10x better end-to-end performance compared to using only optimal single-column sort keys for query workloads with repetitive query filters.
For each table with an AUTO sort key, which is the default for tables without an explicit sort key, Redshift analyzes the table’s query history and automatically selects either a single-column sort key or MDDL for your table, depending on potential performance improvements for your workload. Redshift with MDDL automatically constructs a multidimensional virtual sort keythat co-locates rows typically accessed by the same queries. This virtual column, equivalent to a new sort key for the table, is subsequently used during query execution to skip data blocks and even skip scanning entire predicate columns. Redshift with MDDL provides a more expressive generalization of existing compound and interleaved sort keys that significantly improves the performance of table scans, especially when your query workload contains repetitive query filters. For pre-existing tables with manually defined sort keys, you can take advantage of MDDL by altering the sortkey of the table to AUTO.
MDDL is available in all AWS commercial regions where Redshift is available. To get started, read the documentation, blog, and Amazon Science publication to learn more about benchmarks on query performance improvements.
Amazon Redshift announces the general availability of Multidimensional Data Layouts (MDDL) that dynamically sort data based on actual query filters, accelerating query performance. Unlike traditional sorting methods that sort data based on fixed columns, MDDL sorts data based on query filters (for example, Sales in US), achieving up to 10x better end-to-end performance compared to using only optimal single-column sort keys for query workloads with repetitive query filters. For each table with an AUTO sort key, which is the default for tables without an explicit sort key, Redshift analyzes the table’s query history and automatically selects either a single-column sort key or MDDL for your table, depending on potential performance improvements for your workload. Redshift with MDDL automatically constructs a multidimensional virtual sort key that co-locates rows typically accessed by the same queries. This virtual column, equivalent to a new sort key for the table, is subsequently used during query execution to skip data blocks and even skip scanning entire predicate columns. Redshift with MDDL provides a more expressive generalization of existing compound and interleaved sort keys that significantly improves the performance of table scans, especially when your query workload contains repetitive query filters. For pre-existing tables with manually defined sort keys, you can take advantage of MDDL by altering the sortkey of the table to AUTO. MDDL is available in all AWS commercial regions where Redshift is available. To get started, read the documentation, blog, and Amazon Science publication to learn more about benchmarks on query performance improvements.
