Kategorie: Amazon AWS

Amazon EventBridge Pipes ist jetzt allgemein verfügbar

EventBridge Pipes bietet eine einfachere, konsistente und kosteneffiziente Möglichkeit, Punkt-zu-Punkt-Integrationen zwischen Event-Produzenten und -Konsumenten zu erstellen und erweitert das EventBridge-Angebot über Event-Busse und Terminplanung hinaus. EventBridge Pipes macht es einfach, Ihre Anwendungen mit Daten aus Quellen wie Amazon SQS, Amazon Kinesis, Amazon DynamoDB, Amazon Managed Streaming Kafka, Self-Managed Kafka und Amazon MQ zu verbinden. EventBridge Pipes unterstützt die gleichen Zielservices wie Event-Busse, wie Amazon SQS, AWS Step Functions, Amazon Kinesis Data Streams, Amazon Kinesis Data Firehose, Amazon SNS, Amazon ECS und Event-Busse selbst.
Quelle: aws.amazon.com

AWS AppConfig Agent vereinfacht Funktionsflags und Laufzeitkonfiguration für Container

AWS AppConfig hat einen Agenten für Container-Laufzeiten veröffentlicht, der die Verwendung von Funktionsflags und die Laufzeitkonfiguration bei verbesserter Leistung vereinfacht. Kunden, die Amazon Elastic Container Service (Amazon ECS), Amazon Elastic Kubernetes Service (Amazon EKS), Docker oder Kubernetes verwenden, können jetzt den AWS AppConfig Agent nutzen, um die Aufrufe ihrer containerisierten Anwendung an den AWS AppConfig Service zu verwalten. Bisher mussten Kunden bei der Verwendung einer Container-Laufzeitumgebung den Abruf und die Zwischenspeicherung von Konfigurationsdaten selbst verwalten. Bei Verwendung des AWS AppConfig-Agenten übernimmt der Agent diese Aufgabe nun für sie. Dieser Agent fragt AWS AppConfig nach Konfigurationsdaten ab und stellt diese lokal zur Verfügung. Es kann auch die Abfrage- und Zwischenspeicherlogik für Kunden übernehmen. Anwendungen führen lokale HTTP-Aufrufe an den AWS AppConfig-Agenten aus, wodurch sich die Leistung beim Abrufen von Konfigurationsdaten verbessert.
Quelle: aws.amazon.com

Einführung der Unterstützung von Amazon SageMaker für Schattentests

Amazon SageMaker unterstützt Schattentests, damit du die Leistung neuer Machine Learning (ML)-Modelle durch Vergleich mit Produktionsmodellen validieren kannst. Mit Schattentests kannst du mögliche Konfigurationsfehler und Leistungsprobleme erkennen, bevor sie sich auf die Endbenutzer auswirken. Mit SageMaker entfällt der wochenlange Aufbau einer Infrastruktur für Schattentests, sodass du Modelle schneller in die Produktion überführen kannst.
Quelle: aws.amazon.com

Bekanntgabe der Trusted Language Extensions für PostgreSQL auf Amazon Aurora und Amazon RDS

Trusted Language Extensions für PostgreSQL ist ein neues Open-Source-Entwicklungskit, das dir bei der Erstellung von leistungsstarken Erweiterungen hilft, die sicher auf PostgreSQL laufen. Mit Trusted Language Extensions können Entwickler Erweiterungen, die in einer vertrauenswürdigen Sprache geschrieben wurden, auf der PostgreSQL-kompatiblen Version von Amazon Aurora und dem Amazon Relational Database Service (RDS) für PostgreSQL installieren.
Quelle: aws.amazon.com

Amazon Redshift unterstützt jetzt das automatische Kopieren aus Amazon S3

Amazon Redshift startet die Vorschau für die Unterstützung des automatischen Kopierens, um das Laden von Daten aus Amazon S3 in Amazon Redshift zu vereinfachen. Sie können jetzt Regeln für die kontinuierliche Aufnahme von Dateien einrichten, um Ihre Amazon S3-Pfade zu verfolgen und neue Dateien automatisch zu laden, ohne dass zusätzliche Tools oder benutzerdefinierte Lösungen erforderlich sind. 
Quelle: aws.amazon.com

Amazon SageMaker Data Wrangler unterstützt jetzt über 40 Anwendungen von Drittanbietern als Datenquellen

Heute kündigt AWS die allgemeine Verfügbarkeit von Amazon SageMaker Data Wrangler an, das über 40 Anwendungen von Drittanbietern als Datenquellen für Machine Learning (ML) durch die Integration mit Amazon AppFlow unterstützt. Amazon SageMaker Data Wrangler reduziert den Zeitaufwand für die Zusammenführung und Vorbereitung von Daten für Machine Learning (ML) von Wochen auf Minuten. Die Aufbereitung hochwertiger Daten für ML ist oft komplex und zeitaufwändig, da sie die Aggregation von Daten aus verschiedenen Quellen und Formaten mit unterschiedlichen Tools erfordert. Mit SageMaker Data Wrangler können Sie Daten aus einer Vielzahl beliebter Quellen wie Amazon S3, Amazon Athena, Amazon Redshift, Snowflake, Databricks und Salesforce Customer Data Platform untersuchen und importieren. Ab heute erleichtern wir unseren Kunden die Aggregation von Daten für ML aus über 40 Anwendungsdatenquellen von Drittanbietern, darunter Salesforce Marketing, SAP, Google Analytics, LinkedIn und mehr über Amazon AppFlow. 
Quelle: aws.amazon.com

Ankündigung von AWS Data Exchange für Amazon S3 (Vorversion)

Wir kündigen die Vorversion von AWS Data Exchange für Amazon S3 an. Dabei handelt es sich um eine neue Funktion, die Datenabonnenten den Zugriff auf Datendateien von Drittanbietern direkt aus den Amazon Simple Storage Service (Amazon S3)-Buckets der Datenanbieter ermöglicht. Diese Funktion ist für Abonnenten gedacht, die Datendateien von Drittanbietern für ihre Datenanalyse mit AWS-Services verwenden möchten, ohne Datenkopien erstellen oder verwalten zu müssen. Außerdem ist sie für Datenanbieter gedacht, die einen direkten Zugriff auf die in ihren Amazon-S3-Buckets gehosteten Daten anbieten möchten.
Quelle: aws.amazon.com

Einführung von Software-Produkten von Amazon EC2 Spot Ready

Die neue Spezialisierung von Amazon EC2 Spot Ready hilft Kunden, validierte Softwareprodukte von AWS-Partnern zu identifizieren, die Amazon EC2 Spot Instances unterstützen. Dies ist eine Kaufoption für Computing, mit der Kunden freie EC2-Kapazitäten zu einem vergünstigten Preis gegenüber On-Demand (bis zu 90 %) verwenden können. Amazon EC2 Spot Ready stellt sicher, dass Kunden eine gut durchdachte und kostenoptimierte Lösung haben, mit der sie von den EC2-Spot-Einsparungen für ihre Workloads profitieren können.
Quelle: aws.amazon.com

Einführung von Ready-Software-Produkten von Amazon SageMaker

Wir freuen uns, die neue Spezialisierung von Amazon SageMaker Ready anzukündigen. Mit ihr werden erstklassige Softwareprodukte von AWS-Partnern validiert, die sich in Amazon SageMaker integrieren lassen und Kunden beim Aufbau von Machine-Learning-Lösungen unterstützen. Zu den Angeboten von AWS-Partnern in dieser Spezialisierung gehören Datenplattformen, Datenvorverarbeitung und Funktionsspeicher, ML-Frameworks, MLOps-Tools sowie Geschäftsentscheidungen und -anwendungen. Amazon SageMaker ist ein vollständig verwalteter Machine Learning (ML)-Service. Er ermöglicht es Datenwissenschaftlern und Entwicklern, ML-Modelle für jeden Anwendungsfall schnell zu erstellen, zu trainieren und in einer produktionsbereiten, gehosteten Umgebung bereitzustellen.
Quelle: aws.amazon.com

Amazon S3 Access Points kann jetzt verwendet werden, um Zugriffsberechtigungen für gemeinsam genutzte Datensätze sicher an andere AWS-Konten zu delegieren

Amazon S3 Access Points vereinfachen den Datenzugriff für alle AWS-Services oder Kundenanwendungen, die Daten in S3-Buckets speichern. Mit S3 Access Points erstellst du eindeutige Zugriffskontrollrichtlinien für jeden Zugriffspunkt, um den Zugriff auf gemeinsam genutzte Datensätze einfacher zu kontrollieren. Jetzt können Bucket-Besitzer den Zugriff über Zugriffspunkte genehmigen, die in anderen Konten erstellt wurden. Auf diese Weise behalten die Bucket-Besitzer stets die ultimative Kontrolle über den Datenzugriff, können aber die Verantwortung für spezifischere IAM-basierte Zugriffskontrollentscheidungen an den Besitzer des Access Points delegieren. Dies ermöglicht dir die sichere und einfache gemeinsame Nutzung von Datensätzen mit Tausenden von Anwendungen und Benutzern, ganz ohne zusätzliche Kosten.
Quelle: aws.amazon.com