Publicado el Deja un comentario

Automaticen procesos empresariales con agentes más flujos de trabajo en Microsoft Copilot Studio

Automaticen procesos empresariales con agentes más flujos de trabajo en Microsoft Copilot Studio

Dos personas colaboran en el trabajo

Por: Ashvini Sharma, director asociado de gestión de producto, Copilot Studio.

Presentamos nuevas capacidades en Microsoft Copilot Studio que les ayudan a automatizar sus procesos empresariales a través de combinar agentes de IA y flujos de trabajo. Agentes y flujos de trabajo ya existen en Copilot Studio como dos capacidades complementarias con fortalezas únicas. Los agentes aportan razonamiento y adaptabilidad; los flujos de trabajo aportan estructura y consistencia.

Crear agentes y flujos de trabajo en Copilot Studio

Entonces, ¿cómo saber cuándo usar agentes y cuándo flujos de trabajo?

Ya no es una decisión de una cosa o una cosa otra. Aquí tienen cómo usar agentes y flujos de trabajo juntos para combinar fortalezas y reducir riesgos.

¿Qué son los agentes y los flujos de trabajo?

Los agentes son soluciones de IA flexibles que dependen de modelos fundamentales para actuar, compartir conocimientos y gestionar tareas. Son poderosos justo porque son flexibles. Pueden interpretar entradas no estructuradas, razonar sobre el contexto y tomar decisiones más allá de la lógica fija.

Sin embargo, las organizaciones a menudo necesitan saber que las partes repetitivas de sus procesos se comportarán de manera consistente cada vez que se ejecutan. La autonomía pura del agente no siempre cumple con ese requisito en producción.

Captura de pantalla de la página principal de Copilot Studio que muestra opciones para crear un flujo de trabajo o crear un agente

Los flujos de trabajo, en cambio, son automatizaciones potentes que impulsan la ejecución de procesos con consistencia y rapidez. Están diseñados para ofrecer la fiabilidad que muchos procesos empresariales requieren.

Al mismo tiempo, la automatización rígida basada en reglas tiene su propio techo. Es casi imposible anticipar todos los posibles formatos de entrada, casos límite y contextos de toma de decisiones al construir un conjunto de reglas de flujo de trabajo. Por tanto, cuando la automatización del flujo de trabajo se encuentra con algo inesperado, no puede avanzar.

Dos patrones para la automatización de escalado con IA

Aunque tanto los agentes como los flujos de trabajo tienen sus puntos fuertes, vemos que los clientes obtienen el mayor valor en Copilot Studio al combinar ambos. En la práctica, hemos observado que surgen dos patrones en la forma en que los clientes aplican Copilot Studio, y ofrecemos mejoras en los productos para fortalecerlos y apoyarlos.

Flujos de trabajo que utilizan agentes

El primer patrón son los flujos de trabajo que llaman a agentes. En estos casos, el flujo de trabajo proporciona la estructura para el proceso empresarial: los pasos definidos, la lógica de ramificación, las transferencias y una pista de auditoría. Mientras tanto, el agente se encarga de las partes del proceso que requieren juicio. Esto puede incluir interpretar un documento, sintetizar información de múltiples fuentes o decidir cómo enrutar una excepción.

Una vez que el agente completa su trabajo, el control vuelve al flujo de trabajo y la ejecución continúa de manera predecible.

Para facilitar la adición de agentes a los flujos de trabajo en Copilot Studio, presentamos nodos agentes: la capacidad de que los flujos de trabajo en Copilot Studio llamen de manera directa a un agente dentro de un flujo de trabajo. Pueden construir una automatización determinista y fiable, y en el momento exacto en que necesitan razonamiento de IA, el flujo tan solo lo pasa a un agente.

Configurar un nodo agente dentro de un flujo de trabajo es sencillo:

  1. Creen un paso de flujo de trabajo llamado «Añadir un agente».
  2. Seleccionen cualquier agente de Copilot Studio que quieran incluir en el flujo de trabajo.
  3. Proporcionen las instrucciones o la tarea que el agente debe cumplir, e incluyan la opción de contactar con una persona designada si se necesita una aclaración específica.
  4. Añadan el resto de los pasos del flujo de trabajo.

Cuando ejecutan el flujo de trabajo, el agente hará su trabajo en la etapa adecuada y luego el resto del flujo continuará de manera automática.

Captura de pantalla del editor de flujos de trabajo que muestra un paso de “Ejecutar un agente” y las instrucciones para invocar al agente dentro del flujo de trabajo
Añadir un nodo agente dentro de un flujo de trabajo

Cuándo usar agentes dentro de los flujos de trabajo

Usar nodos de agente para incluir agentes en sus flujos de trabajo desbloquea escenarios que la automatización rígida por sí sola no puede manejar. Algunos usos potenciales incluyen los siguientes:

  • Un flujo de trabajo de compras que dirige a un agente para evaluar las propuestas de proveedores en relación con las políticas de la empresa.
  • Un flujo de trabajo de incorporación de RRHH que personaliza los materiales de bienvenida según el rol y el departamento.
  • Un proceso de atención al cliente que escale casos complejos a un agente de IA para recomendaciones de resolución.

En general, dondequiera que su flujo de trabajo tome una decisión que no pueda capturarse con lógica simple de si-entonces —donde necesita usar el razonamiento sobre el contexto, orquestar herramientas o extraer conocimiento de múltiples fuentes— un nodo agente puede ayudar a cerrar la brecha y hacer su flujo de trabajo más efectivo. Esta capacidad está disponible ahora en todas las regiones.

Aprendan a añadir un nodo agente a un flujo de trabajo

Agentes que utilizan flujos de trabajo

El segundo patrón es por igual importante: agentes que utilizan flujos de trabajo como herramientas. Cuando un agente trabaja en una tarea compleja, no necesita redescubrir cómo actuar cada vez. En su lugar, puede llamar a un flujo de trabajo fiable y probado para ejecutar un subproceso bien definido—y luego usar el resultado para continuar su razonamiento y respuesta.

Esta capacidad ayuda a los agentes a construir sobre la infraestructura de procesos existente en lugar de reinventarla. Además, ayuda a dar a las organizaciones más confianza en que las partes de alta frecuencia o de alto riesgo pueden funcionar con la coherencia y los controles que la organización requiere.

Hay dos formas de añadir flujos de trabajo a un agente:

  1. Utilicen lenguaje natural para construir un flujo de trabajo directo dentro de Copilot Studio e incluyan ese nuevo flujo de trabajo en un agente.
  2. De manera alternativa, desde dentro del agente, pueden acceder a su biblioteca de flujos de trabajo preexistentes y añadirlos como herramientas. Luego, proporcionen instrucciones explícitas a su agente sobre cuándo usar el flujo de trabajo.

Eso es todo: el orquestador de su agente seleccionará los flujos de trabajo adecuados en el momento adecuado cuando sea necesario para completar su trabajo.

Captura de pantalla de la pestaña “Agregar herramienta” en Copilot Studio, donde el usuario ha seleccionado “Flujo” y se muestran nueve opciones de flujos preexistentes para elegir
Biblioteca de flujos preexistentes que pueden añadir a su agente

Cuándo usar flujos de trabajo dentro de los agentes

Añadir flujos de trabajo dentro de sus agentes ayuda a dar estructura y coherencia a interacciones que aún requieren flexibilidad. Algunos usos potenciales incluyen los siguientes:

  • Un agente de ventas recopila los detalles correctos del producto y el nivel de precios para una oferta, luego llama a un flujo de trabajo para generar el presupuesto, aplicar las reglas de descuento y encaminarlo para su aprobación.
  • Un agente de atención al cliente determina que un reembolso está justificado, luego llama a un flujo de trabajo para validarlo conforme a las normas del negocio, procesar la reversión del pago y enviar la confirmación.
  • Un agente de compras evalúa qué proveedor y qué condiciones se aplican a una solicitud, luego llama a un flujo de trabajo para crear la orden de compra en el sistema ERP y la enruta a través de la cadena de aprobación.

Por lo general, en cualquier lugar donde su agente necesite ejecutar un proceso repetible de manera fiable —al hacer cumplir las normas de negocio, coordinar sistemas o asegurándose de que se completen los pasos clave—, un flujo de trabajo puede ayudar a fundamentar sus acciones y hacer que los resultados sean más consistentes.

Regístrense para una prueba gratuita de Copilot Studio

Empiecen a usar agentes y flujos de trabajo juntos

Juntas, estas dos maneras de combinar agentes y flujos de trabajo les ofrecen flexibilidad para crear automatizaciones que funcionen mejor para sus necesidades reales. Los agentes gestionan la ambigüedad cuando los flujos de trabajo se vuelven frágiles; los flujos de trabajo imponen la estructura donde los agentes pueden derivar.

Al adoptar una combinación de agentes y flujos de trabajo, resulta más fácil para los distintos equipos involucrarse de maneras que mejor se adapten a su forma de trabajar. Los equipos empresariales pueden ampliar y adaptar estas soluciones de automatización sin tener que reconstruir desde cero. Los equipos de cumplimiento pueden auditarlos. Por último, sus equipos de seguridad y gobernanza pueden elegir el equilibrio adecuado entre consistencia y agilidad, en función de lo que requiera cada escenario.

En organizaciones que ya utilizan Copilot Studio para apoyar su trabajo diario, ambos patrones —flujos de trabajo con agentes y agentes que usan flujos de trabajo— aparecen de manera regular:

  • Un flujo de trabajo de compras llama a un agente para evaluar contratos con proveedores que llegan en formatos inconsistentes.
  • Un agente de atención al cliente, que gestiona una solicitud abierta, llama a un flujo de trabajo para iniciar un reembolso o actualizar un registro de cuenta.
  • Un proceso de aprobación invoca a un agente para sintetizar el contexto antes de enviarlo a un responsable de la toma de decisiones—y, por separado, ese mismo agente llama a un flujo de trabajo para enviar notificaciones, registrar resultados o iniciar pasos posteriores.

Estos escenarios muestran cómo la automatización y la inteligencia pueden reforzarse de manera mutua, al combinar estructura y flexibilidad para ofrecer resultados más adaptables y fiables.

Prueben estas capacidades en Microsoft Copilot Studio hoy mismo.

The post Automaticen procesos empresariales con agentes más flujos de trabajo en Microsoft Copilot Studio appeared first on Source LATAM.

 

​The post Automaticen procesos empresariales con agentes más flujos de trabajo en Microsoft Copilot Studio appeared first on Source LATAM.  

Publicado el Deja un comentario

AWS Security Agent now supports full repository code reviews

Today, AWS announces the release of full repository code review, a new capability in AWS Security Agent that performs deep, context-aware security analysis of your entire codebase. Unlike traditional static analysis tools that match code against known vulnerability patterns, full repository code review reasons about your application’s architecture, trust boundaries, and data flows to surface systemic vulnerabilities that pattern-matching tools miss. When vulnerabilities are found, the scanner generates code remediation, specific fixes tied to the exact file and line, so teams can identify and remediate security vulnerabilities faster than ever before. This capability is available at no additional charge for existing AWS Security Agent customers during the preview.

AI-driven cybersecurity capabilities are advancing rapidly. AWS Security Agent can find vulnerabilities and build working exploits at a scale and speed we haven’t seen before. AWS is prioritizing free early access for customers, giving defenders the opportunity to strengthen their codebases and share what they learn so the whole industry can benefit.

Full repository code review is available in in all AWS Regions where AWS Security Agent is available.

To get started, visit the AWS Security Agent console to enable full repository code review and run your first review. To learn more, see the AWS Security Agent documentation.

 

​Today, AWS announces the release of full repository code review, a new capability in AWS Security Agent that performs deep, context-aware security analysis of your entire codebase. Unlike traditional static analysis tools that match code against known vulnerability patterns, full repository code review reasons about your application’s architecture, trust boundaries, and data flows to surface systemic vulnerabilities that pattern-matching tools miss. When vulnerabilities are found, the scanner generates code remediation, specific fixes tied to the exact file and line, so teams can identify and remediate security vulnerabilities faster than ever before. This capability is available at no additional charge for existing AWS Security Agent customers during the preview.
AI-driven cybersecurity capabilities are advancing rapidly. AWS Security Agent can find vulnerabilities and build working exploits at a scale and speed we haven’t seen before. AWS is prioritizing free early access for customers, giving defenders the opportunity to strengthen their codebases and share what they learn so the whole industry can benefit.
Full repository code review is available in in all AWS Regions where AWS Security Agent is available.
To get started, visit the AWS Security Agent console to enable full repository code review and run your first review. To learn more, see the AWS Security Agent documentation.  

Publicado el Deja un comentario

Amazon Connect Customer now supports embedding Cases and Customer Profiles in custom agent applications

Amazon Connect Customer now enables you to embed Cases and Customer Profiles into custom agent applications, helping agents access case details and customer context alongside the tools they already use to resolve issues. Developers can use the Amazon Connect SDK to bring native Connect experiences into custom applications, reducing the need to build and maintain these capabilities from scratch.

The Amazon Connect SDK is available in all AWS Regions where Amazon Connect Customer is available. To learn more and get started, visit the administrator guide and developer guide.

 

​Amazon Connect Customer now enables you to embed Cases and Customer Profiles into custom agent applications, helping agents access case details and customer context alongside the tools they already use to resolve issues. Developers can use the Amazon Connect SDK to bring native Connect experiences into custom applications, reducing the need to build and maintain these capabilities from scratch. The Amazon Connect SDK is available in all AWS Regions where Amazon Connect Customer is available. To learn more and get started, visit the administrator guide and developer guide.  

Publicado el Deja un comentario

AWS Lambda supports scheduled scaling for functions on Lambda Managed Instances

AWS Lambda now supports scheduled scaling for functions running on Lambda Managed Instances, using Amazon EventBridge Scheduler. This capability allows you to define one-time or recurring schedules that proactively adjust your function’s capacity limits ahead of expected traffic, to meet your performance targets during peak periods and avoid costs during idle periods.

Lambda Managed Instances lets you run Lambda functions on managed Amazon EC2 instances with built-in routing, load balancing, and autoscaling. Capacity scales between your configured minimum and maximum execution environment limits based on traffic. Previously, customers with predictable traffic patterns, such as business-hours applications or marketing events, were required to manually adjust capacity limits ahead of known demand changes or build custom automation to manage scaling on a schedule. With scheduled scaling, you can now define schedules that proactively adjust your function’s capacity limits ahead of expected traffic. For example, you can schedule capacity limits to increase before business hours so execution environments are ready when the first requests arrive. You can also define a schedule that scales capacity to zero during idle periods (so you only pay when the function is actively serving traffic), and schedule it to scale back up before traffic returns.

Scheduled scaling for functions running on Lambda Managed Instances is available in all AWS Regions where Lambda Managed Instances is supported. You can create schedules using the Amazon EventBridge Scheduler console, AWS CLI, AWS SDK, AWS CDK, or AWS CloudFormation. To learn more, visit the AWS Lambda Managed Instances documentation, Amazon EventBridge Scheduler documentation, AWS Lambda pricing, and Amazon EventBridge pricing.

 

​AWS Lambda now supports scheduled scaling for functions running on Lambda Managed Instances, using Amazon EventBridge Scheduler. This capability allows you to define one-time or recurring schedules that proactively adjust your function’s capacity limits ahead of expected traffic, to meet your performance targets during peak periods and avoid costs during idle periods. Lambda Managed Instances lets you run Lambda functions on managed Amazon EC2 instances with built-in routing, load balancing, and autoscaling. Capacity scales between your configured minimum and maximum execution environment limits based on traffic. Previously, customers with predictable traffic patterns, such as business-hours applications or marketing events, were required to manually adjust capacity limits ahead of known demand changes or build custom automation to manage scaling on a schedule. With scheduled scaling, you can now define schedules that proactively adjust your function’s capacity limits ahead of expected traffic. For example, you can schedule capacity limits to increase before business hours so execution environments are ready when the first requests arrive. You can also define a schedule that scales capacity to zero during idle periods (so you only pay when the function is actively serving traffic), and schedule it to scale back up before traffic returns. Scheduled scaling for functions running on Lambda Managed Instances is available in all AWS Regions where Lambda Managed Instances is supported. You can create schedules using the Amazon EventBridge Scheduler console, AWS CLI, AWS SDK, AWS CDK, or AWS CloudFormation. To learn more, visit the AWS Lambda Managed Instances documentation, Amazon EventBridge Scheduler documentation, AWS Lambda pricing, and Amazon EventBridge pricing.  

Publicado el Deja un comentario

Amazon CloudFront Premium flat-rate plan now supports configurable usage allowances

Previously, the Amazon CloudFront Premium flat-rate plan supported a single usage allowance, and customers who outgrew it needed to contact us to discuss custom pricing options. Now, the Premium plan offers a range of self-service monthly usage levels ranging from 500 million to 6 billion requests and 50 TB to 600 TB, so customers can scale within the plan as their applications grow. Enterprises and mid-sized businesses whose baseline traffic previously made them ineligible for flat-rate plans can now adopt the Premium plan at a usage level that fits their application.

You select your Premium plan usage level in the CloudFront console, see your new monthly flat-rate price instantly, and can change your usage level at any time with no commitment required. All Premium plan features are included at every usage level. Flat-rate plans provide a single monthly price covering content delivery, AWS WAF and DDoS protection, bot management, Amazon Route 53 DNS, Amazon CloudWatch Logs ingestion, serverless edge compute, and Amazon S3 storage credits — with no overage charges.

To get started, visit the CloudFront console. To learn more, refer to the Launch Blog or Amazon CloudFront Developer Guide.

 

​Previously, the Amazon CloudFront Premium flat-rate plan supported a single usage allowance, and customers who outgrew it needed to contact us to discuss custom pricing options. Now, the Premium plan offers a range of self-service monthly usage levels ranging from 500 million to 6 billion requests and 50 TB to 600 TB, so customers can scale within the plan as their applications grow. Enterprises and mid-sized businesses whose baseline traffic previously made them ineligible for flat-rate plans can now adopt the Premium plan at a usage level that fits their application.
You select your Premium plan usage level in the CloudFront console, see your new monthly flat-rate price instantly, and can change your usage level at any time with no commitment required. All Premium plan features are included at every usage level. Flat-rate plans provide a single monthly price covering content delivery, AWS WAF and DDoS protection, bot management, Amazon Route 53 DNS, Amazon CloudWatch Logs ingestion, serverless edge compute, and Amazon S3 storage credits — with no overage charges.
To get started, visit the CloudFront console. To learn more, refer to the Launch Blog or Amazon CloudFront Developer Guide.  

Publicado el Deja un comentario

Amazon EventBridge Scheduler adds 619 new SDK API actions, including Lambda Managed Instances

Amazon EventBridge Scheduler expands its AWS SDK integrations with 13 additional services and 619 new API actions across new and existing AWS services, including AWS Lambda Managed Instances. You can now schedule direct invocations of a broader set of AWS services without writing custom integration code.

EventBridge Scheduler is a serverless scheduler that allows you to create, run, and manage billions of scheduled events and tasks across more than 270 AWS services, without provisioning or managing the underlying infrastructure. With this expansion, you can now schedule a broader set of AWS API actions directly from Scheduler, including scaling Lambda managed instances up or down on a time-based schedule for precise control over capacity provisioning.

These enhancements are now generally available in all AWS Regions where AWS EventBridge Scheduler is available. Specific services and API actions are subject to the availability of the target service in the AWS Region. To learn more about AWS EventBridge Scheduler SDK integrations, visit the Developer Guide.

 

​Amazon EventBridge Scheduler expands its AWS SDK integrations with 13 additional services and 619 new API actions across new and existing AWS services, including AWS Lambda Managed Instances. You can now schedule direct invocations of a broader set of AWS services without writing custom integration code. EventBridge Scheduler is a serverless scheduler that allows you to create, run, and manage billions of scheduled events and tasks across more than 270 AWS services, without provisioning or managing the underlying infrastructure. With this expansion, you can now schedule a broader set of AWS API actions directly from Scheduler, including scaling Lambda managed instances up or down on a time-based schedule for precise control over capacity provisioning. These enhancements are now generally available in all AWS Regions where AWS EventBridge Scheduler is available. Specific services and API actions are subject to the availability of the target service in the AWS Region. To learn more about AWS EventBridge Scheduler SDK integrations, visit the Developer Guide.  

Publicado el Deja un comentario

Amazon SageMaker Feature Store now supports SageMaker Python SDK V3

Amazon SageMaker Feature Store now supports the SageMaker Python SDK v3, including new capabilities for Lake Formation access controls and Apache Iceberg table properties configuration. Feature Store is a fully managed repository to store, share, and manage features for machine learning models. Data scientists can now use the modern, modular SDK v3 interfaces to manage feature groups with fine-grained access control and optimized offline storage.

Data scientists can use the SageMaker Python SDK v3 to manage feature groups with streamlined workflows and reduced boilerplate. With Lake Formation integration, data scientists can enforce column-level and row-level access control on offline store data through an opt-in setting at feature group creation. With Iceberg properties support, data scientists can configure additional table properties such as compaction and snapshot expiration directly through the SDK to optimize storage and query performance. These capabilities allow data scientists to govern access to feature data and optimize offline store performance from a single SDK without managing separate tools.

These capabilities are available in all AWS Regions where Amazon SageMaker Feature Store is available. To get started, install SageMaker Python SDK v3.8.0 or later. For more information, see Lake Formation access controls and Iceberg metadata management documentation.

 

​Amazon SageMaker Feature Store now supports the SageMaker Python SDK v3, including new capabilities for Lake Formation access controls and Apache Iceberg table properties configuration. Feature Store is a fully managed repository to store, share, and manage features for machine learning models. Data scientists can now use the modern, modular SDK v3 interfaces to manage feature groups with fine-grained access control and optimized offline storage. Data scientists can use the SageMaker Python SDK v3 to manage feature groups with streamlined workflows and reduced boilerplate. With Lake Formation integration, data scientists can enforce column-level and row-level access control on offline store data through an opt-in setting at feature group creation. With Iceberg properties support, data scientists can configure additional table properties such as compaction and snapshot expiration directly through the SDK to optimize storage and query performance. These capabilities allow data scientists to govern access to feature data and optimize offline store performance from a single SDK without managing separate tools. These capabilities are available in all AWS Regions where Amazon SageMaker Feature Store is available. To get started, install SageMaker Python SDK v3.8.0 or later. For more information, see Lake Formation access controls and Iceberg metadata management documentation.  

Publicado el Deja un comentario

Karpenter now supports Amazon Application Recovery Controller zonal shift

Amazon Elastic Kubernetes Service (Amazon EKS) now supports Amazon Application Recovery Controller (ARC) zonal shift and zonal autoshift when using the open source Karpenter project for compute provisioning. ARC helps you manage and coordinate recovery for your applications across AWS Regions and Availability Zones (AZs). With this launch, you can better maintain Kubernetes application availability by automating the process of shifting in-cluster network traffic away from an impaired AZ.

Customers increasingly deploy highly available applications in Amazon EKS across multiple AZs to eliminate a single point of failure. With ARC zonal shift, you can temporarily mitigate an AZ impairment by redirecting in-cluster network traffic away from the impacted AZ. For a fully automated experience, authorize AWS to manage this on your behalf using ARC zonal autoshift, which includes practice runs to verify your cluster functions as expected with one less AZ. When a zonal shift is activated for your EKS cluster, Karpenter stops provisioning new capacity in the impaired AZ, halts voluntary disruptions such as consolidation and drift for nodes in that AZ, and prevents voluntary disruptions in healthy zones if they depend on scheduling pods to the impaired zone. Pods with strict scheduling requirements such as volume affinities that require the impaired zone will not trigger launch attempts. When the zonal shift expires or is canceled, Karpenter resumes normal operations.

This Karpenter feature works with both manual zonal shifts and zonal autoshifts. No custom ARC resources are required as Karpenter integrates directly with the existing EKS cluster ARC resource. To enable zonal shift support, set the ENABLE_ZONAL_SHIFT setting in your Karpenter settings. To learn more, visit the Karpenter documentation and the ARC zonal shift documentation.

 

​Amazon Elastic Kubernetes Service (Amazon EKS) now supports Amazon Application Recovery Controller (ARC) zonal shift and zonal autoshift when using the open source Karpenter project for compute provisioning. ARC helps you manage and coordinate recovery for your applications across AWS Regions and Availability Zones (AZs). With this launch, you can better maintain Kubernetes application availability by automating the process of shifting in-cluster network traffic away from an impaired AZ. Customers increasingly deploy highly available applications in Amazon EKS across multiple AZs to eliminate a single point of failure. With ARC zonal shift, you can temporarily mitigate an AZ impairment by redirecting in-cluster network traffic away from the impacted AZ. For a fully automated experience, authorize AWS to manage this on your behalf using ARC zonal autoshift, which includes practice runs to verify your cluster functions as expected with one less AZ. When a zonal shift is activated for your EKS cluster, Karpenter stops provisioning new capacity in the impaired AZ, halts voluntary disruptions such as consolidation and drift for nodes in that AZ, and prevents voluntary disruptions in healthy zones if they depend on scheduling pods to the impaired zone. Pods with strict scheduling requirements such as volume affinities that require the impaired zone will not trigger launch attempts. When the zonal shift expires or is canceled, Karpenter resumes normal operations. This Karpenter feature works with both manual zonal shifts and zonal autoshifts. No custom ARC resources are required as Karpenter integrates directly with the existing EKS cluster ARC resource. To enable zonal shift support, set the ENABLE_ZONAL_SHIFT setting in your Karpenter settings. To learn more, visit the Karpenter documentation and the ARC zonal shift documentation.  

Publicado el Deja un comentario

Amazon Redshift launches RG instances powered by AWS Graviton

Amazon Redshift announces the general availability of RG instances, a new generation of provisioned cluster nodes powered by AWS Graviton processors that deliver better performance, running data warehouse and data lake workloads up to 2.4x as fast as previous generation RA3 instances, at 30% lower price per vCPU. RG instances include Redshift’s custom-built vectorized data lake query engine that processes Apache Iceberg and Parquet data on your cluster nodes — enabling you to run SQL analytics across your data warehouse and data lake using a single engine. This eliminates the need for Redshift Spectrum’s separate scanning fleet and its associated per-terabyte charges.

Whether you’re running structured data warehouse workloads on Redshift Managed Storage or querying open-format data lake tables in Amazon S3, RG instances deliver significant performance improvements — up to 2.2x as fast as RA3 instances for data warehouse workloads, up to 2.4x as fast for Apache Iceberg queries, and up to 1.5x as fast for Parquet workloads. The natively built data lake engine features a purpose-built I/O subsystem with smart prefetch, NVMe caching, vectorized Parquet scans, and advanced file and partition-level pruning. Just-in-Time (JIT) Analyze delivers consistently fast queries without manual tuning — automatically collecting and updating table statistics as your data and workload patterns evolve. Intelligent NVMe caching keeps frequently accessed datasets close to compute, reducing round-trips to your data lake for faster response times on repeated queries. RG instances are available at launch in two instance sizes — rg.xlarge and rg.4xlarge. Existing RA3 clusters can migrate using Snapshot & Restore, Elastic Resize, or Classic Resize. RG instances are available with flexible pricing options, including On-Demand, and 1-year and 3-year Reserved Instances with No Upfront payment. For pricing details, visit the Amazon Redshift pricing page.

Amazon Redshift RG instances are now available in the following AWS Regions: US East (N. Virginia), US East (Ohio), US West (Oregon), US West (N. California), Canada (Central), South America (São Paulo), Europe (Ireland), Europe (Frankfurt), Europe (London), Europe (Paris), Europe (Stockholm), Europe (Milan), Europe (Spain), Asia Pacific (Tokyo), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Sydney), Asia Pacific (Mumbai), Asia Pacific (Jakarta), Asia Pacific (Hong Kong), Asia Pacific (Osaka), Asia Pacific (Malaysia), Asia Pacific (Hyderabad), Asia Pacific (Taiwan), and Asia Pacific (Melbourne).

To get started, refer to the following resources:

 

​Amazon Redshift announces the general availability of RG instances, a new generation of provisioned cluster nodes powered by AWS Graviton processors that deliver better performance, running data warehouse and data lake workloads up to 2.4x as fast as previous generation RA3 instances, at 30% lower price per vCPU. RG instances include Redshift’s custom-built vectorized data lake query engine that processes Apache Iceberg and Parquet data on your cluster nodes — enabling you to run SQL analytics across your data warehouse and data lake using a single engine. This eliminates the need for Redshift Spectrum’s separate scanning fleet and its associated per-terabyte charges. Whether you’re running structured data warehouse workloads on Redshift Managed Storage or querying open-format data lake tables in Amazon S3, RG instances deliver significant performance improvements — up to 2.2x as fast as RA3 instances for data warehouse workloads, up to 2.4x as fast for Apache Iceberg queries, and up to 1.5x as fast for Parquet workloads. The natively built data lake engine features a purpose-built I/O subsystem with smart prefetch, NVMe caching, vectorized Parquet scans, and advanced file and partition-level pruning. Just-in-Time (JIT) Analyze delivers consistently fast queries without manual tuning — automatically collecting and updating table statistics as your data and workload patterns evolve. Intelligent NVMe caching keeps frequently accessed datasets close to compute, reducing round-trips to your data lake for faster response times on repeated queries. RG instances are available at launch in two instance sizes — rg.xlarge and rg.4xlarge. Existing RA3 clusters can migrate using Snapshot & Restore, Elastic Resize, or Classic Resize. RG instances are available with flexible pricing options, including On-Demand, and 1-year and 3-year Reserved Instances with No Upfront payment. For pricing details, visit the Amazon Redshift pricing page.
Amazon Redshift RG instances are now available in the following AWS Regions: US East (N. Virginia), US East (Ohio), US West (Oregon), US West (N. California), Canada (Central), South America (São Paulo), Europe (Ireland), Europe (Frankfurt), Europe (London), Europe (Paris), Europe (Stockholm), Europe (Milan), Europe (Spain), Asia Pacific (Tokyo), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Sydney), Asia Pacific (Mumbai), Asia Pacific (Jakarta), Asia Pacific (Hong Kong), Asia Pacific (Osaka), Asia Pacific (Malaysia), Asia Pacific (Hyderabad), Asia Pacific (Taiwan), and Asia Pacific (Melbourne).
To get started, refer to the following resources:

Amazon Redshift RG Instance Documentation
RA3 to RG Upgrade Guide
Amazon Redshift Pricing  

Publicado el Deja un comentario

De la capacidad a la responsabilidad: Asegurar nuestro ecosistema digital global con IA de próxima generación

De la capacidad a la responsabilidad: Asegurar nuestro ecosistema digital global con IA de próxima generación

Ilustración digital de un candado brillante sobre una red de líneas azules y puntos de datos, que representa ciberseguridad, cifrado y protección de la información.

Por: Amy Hogan-Burney, CVP, Seguridad y Confianza del Cliente.

La ciberseguridad está en un punto de inflexión. Los modelos avanzados de IA aceleran de manera importante el descubrimiento de vulnerabilidades y crean condiciones propicias para su explotación, todo esto subrayado por el anuncio de Claude Mythos Preview. Esto supone un cambio, y si esta tecnología favorecerá a los defensores o a los atacantes dependerá de las decisiones que tomemos ahora. 

Con las salvaguardas adecuadas, estas capacidades pueden ayudar a defensores de confianza a identificar y corregir vulnerabilidades en sistemas críticos en hospitales, redes eléctricas, agua y telecomunicaciones. Sin embargo, si se liberan de manera irresponsable o no están aseguradas de manera debida, esas mismas capacidades podrían ser abusadas por actores maliciosos, lo que podría amenazar los cimientos de nuestro ecosistema digital.

Gran parte del debate se ha centrado, con razón, en los riesgos. A medida que los modelos avanzados de IA aceleran el descubrimiento de vulnerabilidades, la manera en que las corregimos también debe acelerarse. Eso significa evaluaciones de riesgos previas al despliegue más sólidas y una estrecha colaboración entre gobiernos, desarrolladores de IA de vanguardia, proveedores de software y el ecosistema en general, para garantizar que estas herramientas reduzcan, en lugar de aumentar, el riesgo cibernético. Esto es en especial importante dado que los propios sistemas de IA se han convertido en objetivos de alto valor, lo que requiere una mayor protección de modelos, sistemas, datos e infraestructuras subyacentes.

Esto es, en última instancia, un desafío internacional. Ni las cadenas de suministro de software ni los actores amenazantes se detienen en las fronteras. Tampoco nuestra respuesta. Afrontar este momento requerirá enfoques compartidos entre países, sectores y sistemas, basados en la confianza, los estándares compartidos, la resiliencia y el uso responsable.

Este momento también es una oportunidad. La seguridad ha sido y sigue como la máxima prioridad en Microsoft. En los últimos dos años, a través de nuestra Iniciativa Futuro Seguro, hemos reforzado nuestras bases de seguridad para esta era de la IA, en parte al utilizar la IA para acelerar el descubrimiento y la remediación de vulnerabilidades. También hemos invertido en IA fundamental para la investigación en seguridad, incluido el desarrollo de benchmarks industriales de código abierto que puedan utilizarse para evaluar si los modelos están preparados para trabajos reales de seguridad. Aceleramos ese trabajo mediante una colaboración público-privada más profunda y en colaboración con IA, incluido el Proyecto Glasswing de Anthropic y el programa Trusted Access for Cyber de OpenAI. 

Proteger nuestro ecosistema digital con IA de próxima generación está al alcance, pero no es automático.

Construir bases seguras para la era de la IA Frontier

Garantizar que las tecnologías avanzadas de IA se utilicen para fortalecer la ciberseguridad requiere una acción deliberada y urgente. Compartimos las siguientes recomendaciones como medidas prácticas que gobiernos, industria y el ecosistema en general pueden tomar para garantizar que estas herramientas, a menudo denominadas «IA Frontier», refuercen los cimientos de seguridad de los que dependen las sociedades digitales. Y esperamos seguir con la colaboración con proveedores modelo, la industria y el gobierno para poder trabajar juntos y mejorar los resultados de seguridad para todos.

1. Reforzar las prácticas básicas de ciberseguridad

La IA avanzada solo puede fortalecer la ciberseguridad cuando ya existe una higiene cibernética fuerte y constante. A medida que la IA pionera acelera el descubrimiento y la respuesta a vulnerabilidades, prácticas clave como el parche rápido, el control de accesos y la resiliencia del sistema se vuelven más críticas, no menos.

Los avances en seguridad en la era pionera de la IA dependen de la estrecha coordinación entre los proveedores tecnológicos que avanzan en nuevas capacidades y las organizaciones responsables de operar, actualizar y asegurar sistemas reales. Sin esta interdependencia, la IA avanzada no puede ofrecer mejoras duraderas en seguridad. Ninguna organización puede resolver estos problemas de ciberseguridad por sí sola.

Por eso, la inversión sostenida en lo que sabemos que funciona es todavía esencial: ciclos de vida de productos de secure-by-design (seguro desde el diseño), arquitecturas Zero Trust (Confianza Cero), autenticación multifactor, acceso menos privilegiado y formación continua en seguridad. Adopción y armonización generalizada de marcos de ciberseguridad establecidos para garantizar una resiliencia coherente en los sistemas habilitados por IA. Entornos de nube de confianza que permiten estas prácticas a gran escala, al apoyar el manejo seguro de datos, el parche continuo y el despliegue seguro de herramientas habilitadas por IA para defensores.

2. Liberar capacidades avanzadas de manera responsable

A medida que los sistemas de IA de vanguardia adquieren capacidades de razonamiento, codificación y agentes, surgen algunos de los riesgos de seguridad más graves antes del despliegue, incluido un uso indebido realista que implica razonamiento en varios pasos, uso de herramientas y reconocimiento. Los benchmarks técnicos de seguridad son todavía importantes, pero son insuficientes sin pruebas rigurosas y realistas.

Como resultado, los gobiernos establecen cada vez más evaluaciones previas al despliegue que combinan pruebas técnicas con modelado de amenazas. Estas evaluaciones son más efectivas cuando los Desarrolladores Frontier trabajan de manera estrecha con organizaciones que monitorizan los riesgos de seguridad nacional. Invertir en entornos de evaluación seguros y métodos modernos de prueba puede ayudar a los gobiernos a mantenerse al día a medida que avanzan las capacidades.  

Las prácticas de liberación responsable, incluido el acceso por fases y controlado, son una extensión crítica de este enfoque. Nuestro trabajo con Anthropic en el Proyecto Glasswing ofrece un modelo práctico, que permite a defensores de confianza evaluar capacidades avanzadas en entornos restringidos antes de su lanzamiento más amplio. De manera similar, OpenAI y Microsoft trabajan de manera estrecha a través del programa Trusted Access for Cyber, y ya apoyamos el uso de despliegues tempranos y con alcance definido para pruebas de seguridad y protección.  

La responsabilidad no termina en la liberación. Las organizaciones que implementan modelos Frontier suelen estar en mejor posición para detectar nuevos abusos y deben monitorizar, mitigar y compartir información sobre amenazas. Microsoft colabora con sus pares a través del Frontier Model Forum para avanzar en las mejores prácticas en la evaluación y gestión del riesgo cibernético y facilitar el intercambio de información. Los gobiernos deberían fomentar la colaboración continua con la industria para restringir el acceso de actores amenazantes identificados y contrarrestar el uso adversarial o malicioso de IA avanzada.

3. Modernizar la gestión de vulnerabilidades

La IA cambia tanto la velocidad de detección de vulnerabilidades como lo que constituye un riesgo de seguridad significativo. Un descubrimiento más rápido solo mejora la seguridad si el triaje, la validación y la remediación pueden mantenerse al día.

A medida que la IA acelera el descubrimiento, la gestión de vulnerabilidades debe pasar de rastrear el volumen bruto a reducir el riesgo en el mundo real. Eso significa priorizar vulnerabilidades que sean en verdad explotables, asignar una responsabilidad clara en el triaje y la remediación, y utilizar una divulgación por fases y basada en riesgos cuando la coordinación privada mejore la seguridad. Por encima de todo, los sistemas deben diseñarse en torno a la validación y la capacidad realista de remediación, no a la suposición de que más hallazgos conducen en automático a una mejor seguridad.

Los desarrolladores de modelos de IA vanguardistas deberían integrar la coordinación y divulgación de vulnerabilidades directo en los marcos de redacción responsable. Y trabajar con gobiernos e industria para asegurar que los hallazgos se dirijan a los propietarios adecuados, se actúe con antelación y se respalden mediante vías claras de coordinación.

4. Arreglar más rápido: Fortalecer y acelerar la respuesta y la remediación

A medida que la IA acelera el descubrimiento de vulnerabilidades, la remediación debe mantener el ritmo. Iniciativas como el AI Cyber Challenge de DARPA demuestran cómo la IA puede ayudar tanto a encontrar como a corregir fallos en el software de código abierto. Reforzar las defensas requiere inversión no solo en herramientas de detección, sino también en las personas, procesos e infraestructuras responsables de corregir vulnerabilidades, en especial en sectores críticos. 

Gran parte del software que sustenta la infraestructura crítica depende de componentes de código abierto mantenidos por pequeños equipos o voluntarios con capacidad de seguridad limitada. Un aumento en el descubrimiento habilitado por IA corre el riesgo de sobrepasar los procesos de triaje y divulgación existentes. Iniciativas como el GitHub Secure Open Source Fund, junto con inversiones de Microsoft y otros a través de la Linux Foundation, AlphaOmega y OpenSSF, ayudan a los mantenedores a adaptarse de manera práctica y alineada con los flujos de trabajo existentes.  

Los gobiernos deberían tratar la capacidad de remediación como una prioridad fundamental en la resiliencia, incluida la inversión sostenida y el apoyo a los mantenedores, la capacidad de aumento durante grandes eventos de descubrimiento y la modernización de las vías de divulgación, para reconocer que la remediación eficaz aun depende en gran medida del juicio humano, la coordinación y el tiempo.

5. Avanzar en la seguridad de la IA a nivel internacional

La seguridad de la IA es esencial para desplegar la IA a gran escala. Dado que los sistemas de IA, las cadenas de suministro y los riesgos que introducen operan a través de las fronteras, los enfoques nacionales por sí solos no serán suficientes.

Los gobiernos y la industria deberían trabajar juntos para construir bases internacionales interoperables para la seguridad de la IA, incluida la evaluación de riesgos, la divulgación coordinada de vulnerabilidades y el intercambio de información. Las prioridades deberían incluir fortalecer el uso defensivo de la IA, prevenir el mal uso mediante normas y salvaguardas compartidas, y asegurar los sistemas de IA y la pila tecnológica de IA.

La participación global es fundamental. Los países y organizaciones con recursos limitados de ciberseguridad o infraestructuras heredadas suelen ser los más expuestos. La cooperación internacional debe priorizar el fortalecimiento de capacidades, para asegurar que los beneficios de seguridad de la IA se realicen de manera amplia y equitativa.

La seguridad de la IA no es solo una salvaguarda; es un facilitador de innovación y crecimiento. Al actuar de manera colectiva y moverse con rapidez, los gobiernos y la industria pueden fortalecer la resiliencia digital global y desbloquear la adopción confiable de la IA en economías, infraestructuras críticas y servicios públicos.

Afrontar el momento: Utilizar capacidades de IA de vanguardia para generar confianza y confianza

Afrontar este momento es, en última instancia, una cuestión de confianza: no en una tecnología o proveedor individual, sino en nuestra capacidad colectiva para introducir IA avanzada de manera responsable.

Utilizadas de forma deliberada y basadas en sólidas bases de seguridad, estas capacidades pueden reforzar la ciberseguridad y reforzar la confianza en los sistemas de los que depende la sociedad. La elección no es entre innovación y seguridad, sino si permitimos que se refuercen de manera mutua.

Ese resultado está al alcance. Con gobiernos, industria y operadores de infraestructuras alineados, la IA avanzada puede desplegarse de formas que coincidan con la capacidad defensiva real y apoyen acciones legales y de confianza. Si se hace bien y se trabaja en conjunto, la IA de vanguardia puede ayudar a proteger la infraestructura digital que sustenta la vida moderna y generar una confianza duradera en su resiliencia.

The post De la capacidad a la responsabilidad: Asegurar nuestro ecosistema digital global con IA de próxima generación appeared first on Source LATAM.

 

​The post De la capacidad a la responsabilidad: Asegurar nuestro ecosistema digital global con IA de próxima generación appeared first on Source LATAM.