Amazon Connect flow modules now support custom inputs, outputs, and branches, along with version and alias management. With this launch, you can now define flexible parameters for your reusable flow modules to math your specific business logic. For example, you can create an authentication module that accepts a phone number and PIN as inputs, then returns the customer name and authentication status as outputs with branches such as «authenticated» or «not authenticated». All parameters are customizable to meet your specific needs.
Additionally, advanced versioning and aliasing capabilities allow you to manage module updates more seamlessly. You can create immutable version snapshots and map aliases to specific versions. When you update an alias to point to a new version, all flows using that module automatically reference the updated version. These new features make flow modules more powerful and reusable, allowing you to build and maintain flows more efficiently.
Amazon Connect flow modules now support custom inputs, outputs, and branches, along with version and alias management. With this launch, you can now define flexible parameters for your reusable flow modules to math your specific business logic. For example, you can create an authentication module that accepts a phone number and PIN as inputs, then returns the customer name and authentication status as outputs with branches such as «authenticated» or «not authenticated». All parameters are customizable to meet your specific needs. Additionally, advanced versioning and aliasing capabilities allow you to manage module updates more seamlessly. You can create immutable version snapshots and map aliases to specific versions. When you update an alias to point to a new version, all flows using that module automatically reference the updated version. These new features make flow modules more powerful and reusable, allowing you to build and maintain flows more efficiently. To learn more about these 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 SageMaker HyperPod now supports NVIDIA Multi-Instance GPU (MIG) technology, enabling administrators to partition a single GPU into multiple isolated GPUs. This capability allows administrators to maximize resource utilization by running diverse, small generative AI (GenAI) tasks simultaneously on GPU partitions while maintaining performance and task isolation.
Administrators can choose either the easy-to-use configuration setup on the SageMaker HyperPod console or a custom setup approach to enable fine-grained, hardware-isolated resources for specific task requirements that don’t require full GPU capacity. They can also allocate compute quota to ensure fair and efficient distribution of GPU partitions across teams. With real-time performance metrics and resource utilization monitoring dashboard across GPU partitions, administrators gain visibility to optimize resource allocation. Data scientists can now accelerate time-to-market by scheduling lightweight inference tasks and running interactive notebooks in parallel on GPU partitions, eliminating wait times for full GPU availability.
This capability is currently available for Amazon SageMaker HyperPod clusters using the EKS orchestrator across the following AWS Regions: US West (Oregon), US East (N.Virginia), US East (Ohio), US West (N. California), Canada (Central), South America (Sao Paulo), Europe (Stockholm), Europe (Spain), Europe (Ireland), Europe (Frankfurt), Europe (London), Asia Pacific (Mumbai), Asia Pacific (Jakarta), Asia Pacific (Melbourne), Asia Pacific (Tokyo), Asia Pacific (Sydney), Asia Pacific (Seoul), Asia Pacific (Singapore).
Amazon SageMaker HyperPod now supports NVIDIA Multi-Instance GPU (MIG) technology, enabling administrators to partition a single GPU into multiple isolated GPUs. This capability allows administrators to maximize resource utilization by running diverse, small generative AI (GenAI) tasks simultaneously on GPU partitions while maintaining performance and task isolation. Administrators can choose either the easy-to-use configuration setup on the SageMaker HyperPod console or a custom setup approach to enable fine-grained, hardware-isolated resources for specific task requirements that don’t require full GPU capacity. They can also allocate compute quota to ensure fair and efficient distribution of GPU partitions across teams. With real-time performance metrics and resource utilization monitoring dashboard across GPU partitions, administrators gain visibility to optimize resource allocation. Data scientists can now accelerate time-to-market by scheduling lightweight inference tasks and running interactive notebooks in parallel on GPU partitions, eliminating wait times for full GPU availability. This capability is currently available for Amazon SageMaker HyperPod clusters using the EKS orchestrator across the following AWS Regions: US West (Oregon), US East (N.Virginia), US East (Ohio), US West (N. California), Canada (Central), South America (Sao Paulo), Europe (Stockholm), Europe (Spain), Europe (Ireland), Europe (Frankfurt), Europe (London), Asia Pacific (Mumbai), Asia Pacific (Jakarta), Asia Pacific (Melbourne), Asia Pacific (Tokyo), Asia Pacific (Sydney), Asia Pacific (Seoul), Asia Pacific (Singapore). To learn more, visit SageMaker HyperPod webpage, and SageMaker HyperPod documentation.
AWS Elemental MediaTailor now supports HTTP Live Streaming (HLS) Interstitials for live streams, enabling broadcasters and streaming service providers to deliver seamless, personalized ad experiences across a wide range of modern video players. This capability allows customers to insert interstitial advertisements and promotions directly into live streams using the HLS Interstitials specification (RFC 8216), which is natively supported by popular players including HLS.js, Shaka Player, Bitmovin Player, and Apple devices running iOS 16.4, iPadOS 16.4, tvOS 16.4, and later.
With HLS Interstitials, MediaTailor automatically generates the necessary metadata tags (Interstitial class EXT-X-DATERANGE with X-ASSET-LIST attributes) that signal to client players when and how to play interstitial content. This approach eliminates the need for custom player-side stitching logic, reducing development complexity and ensuring consistent playback behavior. The feature integrates with MediaTailor’s existing server-side ad insertion (SSAI) capabilities, delivering frame-accurate transitions with no buffering between content and interstitials. Server-side beaconing continues to work with HLS Interstitials, ensuring ad tracking and measurement workflows remain intact.
HLS Interstitials for live streams is particularly valuable for sports broadcasts, live news, and event streaming where precise ad timing and minimal latency are critical. The feature supports pre-roll and mid-roll insertion, giving customers flexibility in how they monetize their live content. This launch complements MediaTailor’s existing HLS Interstitials support for VOD, rounding out support across Linear, Live, FAST, and VOD workflows. MediaTailor makes it easy to test and deploy—customers can rapidly enable or disable HLS Interstitials with a simple query parameter on the multi-variant manifest request, providing per playback session control without changing the underlying MediaTailor configuration.
AWS Elemental MediaTailor HLS Interstitials for live streams is available today in all AWS Regions where MediaTailor operates. You pay only for the features you use, with no upfront commitments. To learn more and get started, visit the AWS Elemental MediaTailor documentation and the HLS Interstitials implementation guide.
AWS Elemental MediaTailor now supports HTTP Live Streaming (HLS) Interstitials for live streams, enabling broadcasters and streaming service providers to deliver seamless, personalized ad experiences across a wide range of modern video players. This capability allows customers to insert interstitial advertisements and promotions directly into live streams using the HLS Interstitials specification (RFC 8216), which is natively supported by popular players including HLS.js, Shaka Player, Bitmovin Player, and Apple devices running iOS 16.4, iPadOS 16.4, tvOS 16.4, and later. With HLS Interstitials, MediaTailor automatically generates the necessary metadata tags (Interstitial class EXT-X-DATERANGE with X-ASSET-LIST attributes) that signal to client players when and how to play interstitial content. This approach eliminates the need for custom player-side stitching logic, reducing development complexity and ensuring consistent playback behavior. The feature integrates with MediaTailor’s existing server-side ad insertion (SSAI) capabilities, delivering frame-accurate transitions with no buffering between content and interstitials. Server-side beaconing continues to work with HLS Interstitials, ensuring ad tracking and measurement workflows remain intact. HLS Interstitials for live streams is particularly valuable for sports broadcasts, live news, and event streaming where precise ad timing and minimal latency are critical. The feature supports pre-roll and mid-roll insertion, giving customers flexibility in how they monetize their live content. This launch complements MediaTailor’s existing HLS Interstitials support for VOD, rounding out support across Linear, Live, FAST, and VOD workflows. MediaTailor makes it easy to test and deploy—customers can rapidly enable or disable HLS Interstitials with a simple query parameter on the multi-variant manifest request, providing per playback session control without changing the underlying MediaTailor configuration. AWS Elemental MediaTailor HLS Interstitials for live streams is available today in all AWS Regions where MediaTailor operates. You pay only for the features you use, with no upfront commitments. To learn more and get started, visit the AWS Elemental MediaTailor documentation and the HLS Interstitials implementation guide.
AWS Lambda launches enhanced error handling capabilities for Amazon Managed Streaming for Apache Kafka (MSK) and self-managed Apache Kafka (SMK) event sources. These capabilities allow customers to build custom retry configurations, optimize retries of failed messages, and send failed events to a Kafka topic as an on-failure destination, enabling customers to build resilient Kafka workloads with robust error handling strategies.
Customers use Kafka event source mappings (ESM) with their Lambda functions to build their mission-critical Kafka applications. Kafka ESM offers robust error handling of failed events by retrying events with exponential backoff, and retaining failed events in on-failure destinations like Amazon SQS, Amazon S3, Amazon SNS. However, customers need customized error handling to meet stringent business and performance requirements. With this launch, developers can now exercise precise control over failed event processing and leverage Kafka topics as an additional on-failure destination when using Provisioned mode for Kafka ESM. Customers can now define specific retry limits and time boundaries for retry, automatically discarding failed records beyond these limits to customer-specified destination. They can now also set automatic retries of failed records in the batch and enhance their function code to report individual failed messages, optimizing the retry process.
This feature is available in all AWS Commercial Regions where AWS Lambda’s Provisioned mode for Kafka ESM is available.
To enable these capabilities, provide configuration parameters for your Kafka ESM in the ESM API, AWS Console, and AWS CLI. To learn more, read the Lambda ESM documentation and AWS Lambda pricing.
AWS Lambda launches enhanced error handling capabilities for Amazon Managed Streaming for Apache Kafka (MSK) and self-managed Apache Kafka (SMK) event sources. These capabilities allow customers to build custom retry configurations, optimize retries of failed messages, and send failed events to a Kafka topic as an on-failure destination, enabling customers to build resilient Kafka workloads with robust error handling strategies. Customers use Kafka event source mappings (ESM) with their Lambda functions to build their mission-critical Kafka applications. Kafka ESM offers robust error handling of failed events by retrying events with exponential backoff, and retaining failed events in on-failure destinations like Amazon SQS, Amazon S3, Amazon SNS. However, customers need customized error handling to meet stringent business and performance requirements. With this launch, developers can now exercise precise control over failed event processing and leverage Kafka topics as an additional on-failure destination when using Provisioned mode for Kafka ESM. Customers can now define specific retry limits and time boundaries for retry, automatically discarding failed records beyond these limits to customer-specified destination. They can now also set automatic retries of failed records in the batch and enhance their function code to report individual failed messages, optimizing the retry process. This feature is available in all AWS Commercial Regions where AWS Lambda’s Provisioned mode for Kafka ESM is available. To enable these capabilities, provide configuration parameters for your Kafka ESM in the ESM API, AWS Console, and AWS CLI. To learn more, read the Lambda ESM documentation and AWS Lambda pricing.
Starting today, Amazon EC2 High Memory U7i instances with 6TB of memory (u7i-6tb.112xlarge) are now available in the Asia Pacific (Jakarta) region. U7i-6tb instances are part of AWS 7th generation and are powered by custom fourth generation Intel Xeon Scalable Processors (Sapphire Rapids). U7i-6tb instances offer 6TB of DDR5 memory, enabling customers to scale transaction processing throughput in a fast-growing data environment.
U7i-6tb instances offer 448 vCPUs, support up to 100Gbps Elastic Block Storage (EBS) for faster data loading and backups, deliver up to 100Gbps of network bandwidth, and support ENA Express. U7i instances are ideal for customers using mission-critical in-memory databases like SAP HANA, Oracle, and SQL Server.
Starting today, Amazon EC2 High Memory U7i instances with 6TB of memory (u7i-6tb.112xlarge) are now available in the Asia Pacific (Jakarta) region. U7i-6tb instances are part of AWS 7th generation and are powered by custom fourth generation Intel Xeon Scalable Processors (Sapphire Rapids). U7i-6tb instances offer 6TB of DDR5 memory, enabling customers to scale transaction processing throughput in a fast-growing data environment. U7i-6tb instances offer 448 vCPUs, support up to 100Gbps Elastic Block Storage (EBS) for faster data loading and backups, deliver up to 100Gbps of network bandwidth, and support ENA Express. U7i instances are ideal for customers using mission-critical in-memory databases like SAP HANA, Oracle, and SQL Server. To learn more about U7i instances, visit the High Memory instances page.
Escala infinita: La arquitectura detrás de la superfábrica de IA Azure
Por: Scott Guthrie, vicepresidente ejecutivo, Nube + IA.
Hace unos días presentamos la próxima sede de Fairwater de centros de datos Azure AI en Atlanta, Georgia. Este centro de datos diseñado de manera específica, está conectado a nuestro primer sitio en Fairwater en Wisconsin, a generaciones anteriores de superordenadores de IA y a la huella global más amplia de centros de datos Azure para crear la primera superfábrica de IA a escala planetaria del mundo. Al dotar una potencia de cálculo más densa que nunca, cada sitio de Fairwater está diseñado para satisfacer de manera eficiente una demanda sin precedentes de computación por IA, empujar los límites de la inteligencia modelo y empoderar a cada persona y organización del planeta para lograr más.
Para satisfacer esta demanda, hemos reinventado la manera en que diseñamos los centros de datos de IA y los sistemas que ejecutamos dentro de ellos. Fairwater supone un cambio respecto al modelo tradicional de centros de datos en la nube y utiliza una única red plana que puede integrar cientos de miles de las últimas GPUs NVIDIA GB200 y GB300 en un superordenador enorme. Estas innovaciones son fruto de décadas de experiencia en el diseño de centros de datos y redes, así como de aprendizajes adquiridos con el apoyo a algunos de los mayores trabajos de formación en IA del planeta.
Aunque el diseño del centro de datos Fairwater es muy adecuado para entrenar la próxima generación de modelos de frontera, también está diseñado con la fungibilidad en mente. La formación ha evolucionado de un solo trabajo monolítico a una variedad de cargas de trabajo con diferentes requisitos (como preentrenamiento, ajuste fino, aprendizaje por refuerzo y generación de datos sintéticos). Microsoft ha desplegado una columna vertebral dedicada a la IA WAN para integrar cada sitio de Fairwater en un sistema elástico más amplio que permite la asignación dinámica de diversas cargas de trabajo de IA y maximiza la utilización de la GPU en el sistema combinado.
A continuación, repasamos algunas de las innovaciones técnicas más interesantes que apoyan a Fairwater, desde la forma en que construimos centros de datos hasta la red dentro y entre los sitios.
Densidad máxima de cálculo
La infraestructura moderna de IA está cada vez más limitada por las leyes de la física. La velocidad de la luz es ahora un cuello de botella clave en nuestra capacidad para integrar de forma estrecha aceleradores, computación y almacenamiento con una latencia de alto rendimiento. Fairwater está diseñado para maximizar la densidad de cálculo y minimizar la latencia dentro y entre racks y maximizar el rendimiento del sistema.
Uno de los principales mecanismos para la densidad de conducción es mejorar la refrigeración a gran escala. Los servidores de IA en los centros de datos de Fairwater están conectados a un sistema de refrigeración a nivel de toda la instalación diseñado para la longevidad, con un enfoque de circuito cerrado que reutiliza el líquido de forma continua tras el llenado inicial sin evaporación. El agua utilizada en el relleno inicial equivale a lo que consumen 20 hogares al año y solo se reemplaza si la química del agua indica que es necesario (está diseñada para más de 6 años), lo que la hace muy eficiente y sostenible.
La refrigeración líquida también proporciona una transferencia de calor mucho mayor, permitiéndonos maximizar la potencia a nivel de rack y fila (~140 kW por rack, 1.360 kW por fila) para condensar el cálculo de la manera más densa posible dentro del centro de datos. La refrigeración de última generación también nos ayuda a maximizar la utilización de este denso cálculo en operaciones de estado estacionario, lo que permite que grandes trabajos de entrenamiento funcionen de manera eficiente a gran escala. Tras recorrer un sistema de caminos de placas frías a lo largo de la flota de GPUs, el calor es disipado por una de las plantas de refrigeración más grandes del planeta.
Refrigeración líquida directa a nivel de rack.
Otra forma en la que impulsamos la densidad de cómputo es con un diseño de edificio de centro de datos de dos plantas. Muchas cargas de trabajo de IA son muy sensibles a la latencia, lo que significa que la longitud de los cables puede afectar de manera significativa al rendimiento del clúster. Cada GPU en Fairwater está conectada a todas las demás, por lo que el enfoque de construcción de centros de datos de dos plantas permite colocar racks en tres dimensiones para minimizar la longitud de los cables, lo que a su vez mejora la latencia, el ancho de banda, la fiabilidad y el coste.
Arquitectura de red de dos plantas.
Energía de alta disponibilidad y bajo coste
Empujamos el límite al ofrecer este cómputo con energía rentable y fiable. El emplazamiento de Atlanta fue seleccionado con la energía eléctrica resiliente en mente y es capaz de alcanzar una disponibilidad de 4×9 a un coste de 3×9. Al asegurar una energía de red de una alta disponibilidad, también podemos prescindir de los enfoques tradicionales de resiliencia para la flota de GPUs (como la generación in situ, sistemas UPS y distribución de doble cable), lo que genera ahorros para los clientes y un tiempo de salida al mercado más rápido para Microsoft.
También hemos trabajado con nuestros socios industriales para codesarrollar soluciones de gestión de energía que mitiguen las oscilaciones de potencia provocadas por empleos a gran escala, un reto creciente para mantener la estabilidad de la red a medida que la demanda de IA crece. Esto incluye una solución impulsada por software que introduce cargas de trabajo suplementarias durante periodos de menor actividad, una solución impulsada por hardware donde las GPUs imponen sus propios umbrales de potencia y una solución de almacenamiento de energía in situ para enmascarar aún más las fluctuaciones de energía sin utilizar el exceso de energía.
Aceleradores y sistemas de redes de vanguardia
El diseño de centros de datos de clase mundial de Fairwater está impulsado por servidores diseñados en específico para este propósito, aceleradores de IA de vanguardia y sistemas de red novedosos. Cada centro de datos Fairwater ejecuta un único clúster coherente de GPUs NVIDIA Blackwell interconectadas, con una arquitectura de red avanzada que puede escalar de forma fiable más allá de los límites tradicionales de Clos con switches de última generación (cientos de miles de GPUs en una sola red plana). Esto requirió innovación en redes escaladas, redes escalables y protocolos de red.
En cuanto a escalado, cada rack de aceleradores de IA alberga hasta 72 GPUs NVIDIA Blackwell, conectadas vía NVLink para una comunicación de ultra baja latencia dentro del rack. Los aceleradores Blackwell proporcionan la mayor densidad de cálculo disponible hoy en día, con soporte para formatos numéricos de baja precisión como FP4 para aumentar el FLOPS total y permitir un uso eficiente de la memoria. Cada rack proporciona 1,8 TB de ancho de banda GPU a GPU, con más de 14 TB de memoria agrupada disponible para cada GPU.
Racks de GPU con una alta densidad de población con redes dirigidas a aplicaciones.
Estos racks utilizan entonces redes escalables para crear pods y clústeres que permiten que todas las GPUs funcionen como un único superordenador con un número mínimo de saltos. Lo conseguimos con una red backend de dos niveles basada en ethernet que soporta tamaños masivos de clústeres con conectividad GPU a GPU de 800 Gbps. Depender de un ecosistema ethernet amplio y SONiC (Software para Red Abierta en la Nube – que es nuestro propio sistema operativo para nuestros switches de red) también nos ayuda a evitar el bloqueo de proveedores y a gestionar costes, ya que podemos usar hardware comercial en lugar de soluciones propietarias.
Las mejoras en el recorte de paquetes, la pulverización de paquetes y la telemetría de alta frecuencia son componentes fundamentales de nuestra red optimizada de IA. También trabajamos para permitir un control y optimización más profundos de las rutas de red. En conjunto, estas tecnologías ofrecen un control avanzado de congestión, detección y retransmisión rápida, y un balanceo ágil de cargas, lo que asegura un rendimiento ultra fiable y de baja latencia para cargas de trabajo modernas de IA.
Escala planetaria
Incluso con estas innovaciones, la demanda de cálculo para grandes trabajos de formación (ahora medidos en billones de parámetros) supera con rapidez las limitaciones de energía y espacio de una sola instalación. Para satisfacer estas necesidades, hemos construido una red óptica WAN de IA dedicada para ampliar las redes de escalabilidad y escalabilidad de Fairwater. Al aprovechar nuestra escala y décadas de experiencia en hiperescala, el año pasado entregamos más de 120.000 nuevas millas de fibra en todo Estados Unidos, lo que amplía el alcance y la fiabilidad de las redes de IA a nivel nacional.
Con esta columna vertebral de alto rendimiento y alta resiliencia, podemos conectar de manera directa diferentes generaciones de superordenadores en una superfábrica de IA que supera las capacidades de un solo sitio en ubicaciones con una gran diversidad geográfica. Esto permite a los desarrolladores de IA acceder a nuestra red más amplia de centros de datos Azure AI, lo que segmenta el tráfico según sus necesidades a través de redes de escalabilidad hacia arriba y hacia abajo dentro de un sitio, así como entre sitios a través del continente que abarca la WAN de IA.
Esto supone un cambio significativo respecto al pasado, cuando todo el tráfico tenía que seguir la red escalable sin importar los requisitos de la carga de trabajo. No solo proporciona a los clientes una red adecuada para su propósito a un nivel más detallado, sino que también ayuda a crear fungibilidad para maximizar la flexibilidad y el uso de nuestra infraestructura.
Reunir todo
El nuevo emplazamiento de Fairwater en Atlanta representa el siguiente salto en la infraestructura de IA de Azure y refleja nuestra experiencia en la gestión de los mayores trabajos de formación en IA del planeta. Combina innovaciones revolucionarias en densidad computacional, sostenibilidad y sistemas de redes para satisfacer de manera eficiente la enorme demanda de potencia computacional que presenciamos. También se integra a profundidad con otros centros de datos de IA y la plataforma Azure más amplia para formar la primera superfábrica de IA del mundo. En conjunto, estas innovaciones proporcionan una infraestructura flexible y adecuada que puede servir a todo el espectro de cargas de trabajo modernas de IA y empoderar a cada persona y organización del planeta para lograr más. Para nuestros clientes, esto significa una integración más sencilla de la IA en todos los flujos de trabajo y la capacidad de crear soluciones innovadoras de IA que antes eran inalcanzables.
Descubran más sobre cómo Microsoft Azure puede ayudarlos a integrar la IA para optimizar y fortalecer los ciclos de vida del desarrollo aquí.
Scott Guthrie es responsable de soluciones y servicios de computación en la nube a gran escala, incluido Azure, la plataforma de computación en la nube de Microsoft, soluciones de IA generativa, plataformas de datos y seguridad de la información y ciberseguridad. Estas plataformas y servicios ayudan a organizaciones de todo el mundo a resolver desafíos urgentes e impulsar la transformación a largo plazo.
Nota del editor: Se hizo una actualización para explicar con mayor claridad cómo optimizamos nuestra red.
You can now use Amazon MSK Replicator to replicate streaming data across Amazon Managed Streaming for Apache Kafka (Amazon MSK) clusters in five additional AWS Regions: Asia Pacific (Thailand), Mexico (Central), Asia Pacific (Taipei), Canada West (Calgary), Europe (Spain).
MSK Replicator is a feature of Amazon MSK that enables you to reliably replicate data across Amazon MSK clusters in different or the same AWS Region(s) in a few clicks. With MSK Replicator, you can easily build regionally resilient streaming applications for increased availability and business continuity. MSK Replicator provides automatic asynchronous replication across MSK clusters, eliminating the need to write custom code, manage infrastructure, or setup cross-region networking. MSK Replicator automatically scales the underlying resources so that you can replicate data on-demand without having to monitor or scale capacity. MSK Replicator also replicates the necessary Kafka metadata including topic configurations, Access Control Lists (ACLs), and consumer group offsets. If an unexpected event occurs in a region, you can failover to the other AWS Region and seamlessly resume processing.
You can get started with MSK Replicator from the Amazon MSK console or the Amazon CLI. To learn more, visit the MSK Replicator product page, pricing page, and documentation.
You can now use Amazon MSK Replicator to replicate streaming data across Amazon Managed Streaming for Apache Kafka (Amazon MSK) clusters in five additional AWS Regions: Asia Pacific (Thailand), Mexico (Central), Asia Pacific (Taipei), Canada West (Calgary), Europe (Spain). MSK Replicator is a feature of Amazon MSK that enables you to reliably replicate data across Amazon MSK clusters in different or the same AWS Region(s) in a few clicks. With MSK Replicator, you can easily build regionally resilient streaming applications for increased availability and business continuity. MSK Replicator provides automatic asynchronous replication across MSK clusters, eliminating the need to write custom code, manage infrastructure, or setup cross-region networking. MSK Replicator automatically scales the underlying resources so that you can replicate data on-demand without having to monitor or scale capacity. MSK Replicator also replicates the necessary Kafka metadata including topic configurations, Access Control Lists (ACLs), and consumer group offsets. If an unexpected event occurs in a region, you can failover to the other AWS Region and seamlessly resume processing. You can get started with MSK Replicator from the Amazon MSK console or the Amazon CLI. To learn more, visit the MSK Replicator product page, pricing page, and documentation.
Amazon Redshift now supports federated permissions across multi-warehouse architectures
Amazon Redshift now supports federated permissions, which simplify permissions management across multiple Redshift data warehouses. Customers are adopting multi-warehouse architectures to scale and isolate workloads and are looking for simplified, consistent permissions management across warehouses. With Redshift federated permissions, you define data permissions once from any Redshift warehouse and automatically enforce them across all warehouses in the account.
Amazon Redshift warehouses with federated permissions are auto-mounted in every Redshift warehouse, and you can use existing workforce identities with AWS IAM Identity Center or use existing IAM roles to query data across warehouses. Regardless of which warehouse is used for querying, row-level, column-level, and masking controls always apply automatically, delivering fine-grained access compliance. You can get started by registering a Redshift Serverless namespace or Redshift provisioned cluster with AWS Glue Data Catalog and start querying across warehouses using Redshift Query Editor V2, or any supported SQL client. You get horizontal scalability with multiple warehouses by allowing you to add new warehouses without increasing governance complexity, as new warehouses automatically enforce permission policies and analysts immediately see all databases from registered warehouses.
Amazon Redshift federated permissions is available at no additional cost in supported AWS regions. To learn more, visit the Amazon Redshift documentation.
Amazon Redshift now supports federated permissions across multi-warehouse architectures Amazon Redshift now supports federated permissions, which simplify permissions management across multiple Redshift data warehouses. Customers are adopting multi-warehouse architectures to scale and isolate workloads and are looking for simplified, consistent permissions management across warehouses. With Redshift federated permissions, you define data permissions once from any Redshift warehouse and automatically enforce them across all warehouses in the account. Amazon Redshift warehouses with federated permissions are auto-mounted in every Redshift warehouse, and you can use existing workforce identities with AWS IAM Identity Center or use existing IAM roles to query data across warehouses. Regardless of which warehouse is used for querying, row-level, column-level, and masking controls always apply automatically, delivering fine-grained access compliance. You can get started by registering a Redshift Serverless namespace or Redshift provisioned cluster with AWS Glue Data Catalog and start querying across warehouses using Redshift Query Editor V2, or any supported SQL client. You get horizontal scalability with multiple warehouses by allowing you to add new warehouses without increasing governance complexity, as new warehouses automatically enforce permission policies and analysts immediately see all databases from registered warehouses. Amazon Redshift federated permissions is available at no additional cost in supported AWS regions. To learn more, visit the Amazon Redshift documentation.
Belém, Brasil – La inteligencia artificial (IA) está revolucionando el sector energético a nivel global, situando a América Latina y el Caribe (ALC) como regiones donde de manera decisiva se avanza en la adopción de prácticas innovadoras que promueven la descarbonización, la eficiencia y la inclusión social. En el marco de la COP30 se presentó el informe “Inteligencia Artificial y Energía: una visión general de las prácticas emergentes”, elaborado por Stimson Fellows y CAF -banco de desarrollo de América Latina y el Caribe- en colaboración con Microsoft, como resultado de una alianza estratégica. Este estudio analiza las tendencias, oportunidades y desafíos asociados a la integración de la IA en los sistemas energéticos de la región.
El informe destaca que la IA está optimizando la producción, distribución y consumo de energía, acelerando la transición hacia fuentes renovables y mejorando la gestión de redes eléctricas. Sin embargo, también advierte sobre el aumento de la demanda energética derivada de la expansión de centros de datos y modelos generativos, lo que plantea nuevos retos de gobernanza y sostenibilidad.
Entre las principales recomendaciones del informe se encuentran:
Promover la transparencia y la rendición de cuentas en los sistemas de IA aplicados a la energía.
Alinear la infraestructura digital con los objetivos climáticos y de justicia social.
Institucionalizar la participación comunitaria en la planificación y gobernanza energética.
Fortalecer la capacidad técnica y el intercambio de conocimientos en el Sur Global.
Desarrollar escenarios estandarizados de emisiones de IA para una mejor planificación climática.
La IA permite el desarrollo de redes inteligentes, mantenimiento predictivo, gemelos digitales y modelos descentralizados de prosumidores y microrredes. Estas tecnologías mejoran la eficiencia operativa, la resiliencia y la rentabilidad, al tiempo que abren oportunidades para la participación comunitaria y la equidad energética. El informe subraya la importancia de la transparencia, la rendición de cuentas y la supervisión humana en la toma de decisiones algorítmicas, alineando la innovación tecnológica con principios éticos y de justicia social.
Países como Chile, Brasil, Uruguay y México lideran la implementación de soluciones basadas en IA. En Chile, la integración de modelos de pronóstico renovable impulsados por IA ha optimizado el uso de energías limpias y reducido emisiones, sirviendo de modelo para la modernización de redes en la región. México, por su parte, se consolida como un hub digital con la instalación de centros de datos de empresas como Microsoft en Querétaro, impulsando la economía digital, con desafíos propios en el uso responsable de recursos como el agua y la energía, respecto de los cuales y de manera simultánea se trabaja en la implementación de medidas para equilibrar la innovación y la sostenibilidad.
“A través de este informe, buscamos ofrecer a los tomadores de decisión información clave, ejemplos regionales y recomendaciones prácticas que orienten el uso responsable de la IA en el sector energético. Esta publicación está dirigida a formuladores de políticas, líderes del sector, investigadores y profesionales interesados en comprender no solo el papel transformador de la IA en la energía, sino también cómo implementarla de manera que refleje los valores y prioridades de la región”, dijo Sergio Díaz-Granados, Presidente Ejecutivo de CAF.
La expansión de los centros de datos está transformando el panorama digital de América Latina y el Caribe, atrayendo inversiones significativas y posicionando a la región como un actor relevante en la economía digital. El informe recomienda la implementación de reportes periódicos sobre el uso de energía y agua, el fortalecimiento de las redes eléctricas y el establecimiento de incentivos condicionados a la integración de energías renovables y beneficios comunitarios medibles, tales como programas de capacitación laboral e infraestructura compartida. Estas acciones deben estar alineadas con las estrategias nacionales de descarbonización e inclusión digital, garantizando que la transformación digital contribuya de manera equitativa y sostenible al desarrollo regional. En el ámbito de la gobernanza regional y la ética la alianza entre CAF y la UNESCO ha creado un Consejo Regional para implementar la Recomendación sobre la Ética de la IA, apoyando a los gobiernos en el diseño e implementación políticas y estrategias. En su primer año, colaboró con siete países ofreciendo asistencia técnica y desarrollando pilotos de experimentación normativa y talento, sentando así una base sólida para trasladar los principios éticos a decisiones concretas en energía y centros de datos. Para 2024–2025, la hoja de ruta prioriza gobernanza y regulación de la IA, con atención en derechos, seguridad digital y rendición de cuentas. Además, CAF impulsa una red regional de HPC iniciando en Chile y República Dominicana, para cerrar brechas de capacidad y fortalecer la regulación de IA en América Latina y el Caribe.
Amy Luers, Directora Senior de Ciencia e Innovación • Energía, Conectividad y Sostenibilidad en Microsoft, comentó “Este informe describe los temas clave en el centro de la relación entre la IA y la energía. Lo que está quedando claro es que la convergencia entre IA y energía no es solo una tendencia tecnológica, sino un imperativo para acelerar la transición hacia sistemas más limpios, resilientes e inclusivos en América Latina y el Caribe. En Microsoft, estamos comprometidos a impulsar esta transformación con responsabilidad y transparencia, integrando la innovación digital con los objetivos climáticos y fortaleciendo la colaboración público-privada. Solo así podemos garantizar que la tecnología esté al servicio del planeta y de las personas.
Acerca de CAF
Somos un banco de desarrollo comprometido con el apoyo a los países de América Latina y el Caribe y la mejora de la calidad de vida en la región. Nuestras acciones promueven el desarrollo sostenible y la integración regional. Atendemos a los sectores público y privado, ofreciendo una amplia gama de productos y servicios a una amplia cartera de clientes de 24 países miembros, empresas privadas e instituciones financieras.
Acerca de Microsoft
Microsoft (Nasdaq «MSFT» @microsoft) crea plataformas y herramientas impulsadas por la IA para ofrecer soluciones innovadoras que satisfagan las necesidades cambiantes de nuestros clientes. La empresa de tecnología está comprometida con hacer que la IA esté ampliamente disponible, de manera responsable, con la misión de empoderar a cada persona y a cada organización en el planeta para lograr más.
The post La Inteligencia Artificial y la energía: Un informe pionero para el futuro sostenible de América Latina y el Caribe appeared first on Source LATAM.
Amazon SageMaker now supports Amazon Athena for Apache Spark, bringing a new notebook experience and fast serverless Spark experience together within a unified workspace. Now, data engineers, analysts, and data scientists can easily query data, run Python code, develop jobs, train models, visualize data, and work with AI from one place, with no infrastructure to manage and second-level billing.
Athena for Apache Spark scales in seconds to support any workload, from interactive queries to petabyte-scale jobs. Athena for Apache Spark now runs on Spark 3.5.6, the same high-performance Spark engine available across AWS, optimized for open table formats including Apache Iceberg and Delta Lake. It brings you new debugging features, real-time monitoring in the Spark UI, and secure interactive cluster communication through Spark Connect. As you use these capabilities to work with your data, Athena for Spark now enforces table-level access controls defined in AWS Lake Formation.
Athena for Apache Spark is now available with Amazon SageMaker notebooks in US East (Ohio), US East (N. Virginia), US West (Oregon), Europe (Ireland), Europe (Frankfurt), Asia Pacific (Mumbai), Asia Pacific (Tokyo), Asia Pacific (Singapore), and Asia Pacific (Sydney). To learn more, visit Apache Spark engine version 3.5, read the AWS News Blog or visit Amazon SageMaker documentation. Visit the Getting Started guide to try it from Amazon SageMaker notebooks.
Amazon SageMaker now supports Amazon Athena for Apache Spark, bringing a new notebook experience and fast serverless Spark experience together within a unified workspace. Now, data engineers, analysts, and data scientists can easily query data, run Python code, develop jobs, train models, visualize data, and work with AI from one place, with no infrastructure to manage and second-level billing. Athena for Apache Spark scales in seconds to support any workload, from interactive queries to petabyte-scale jobs. Athena for Apache Spark now runs on Spark 3.5.6, the same high-performance Spark engine available across AWS, optimized for open table formats including Apache Iceberg and Delta Lake. It brings you new debugging features, real-time monitoring in the Spark UI, and secure interactive cluster communication through Spark Connect. As you use these capabilities to work with your data, Athena for Spark now enforces table-level access controls defined in AWS Lake Formation.
Athena for Apache Spark is now available with Amazon SageMaker notebooks in US East (Ohio), US East (N. Virginia), US West (Oregon), Europe (Ireland), Europe (Frankfurt), Asia Pacific (Mumbai), Asia Pacific (Tokyo), Asia Pacific (Singapore), and Asia Pacific (Sydney). To learn more, visit Apache Spark engine version 3.5, read the AWS News Blog or visit Amazon SageMaker documentation. Visit the Getting Started guide to try it from Amazon SageMaker notebooks.
