Blog

Novos recursos do Iceberg V3 na AWS

A AWS anunciou o suporte aos vetores de exclusão e à linhagem de registros conforme definido na especificação Apache Iceberg Version 3 (V3). Esses novos recursos chegam aos serviços Apache Spark no Amazon EMR 7.12, AWS Glue, notebooks Amazon SageMaker, Amazon S3 Tables e ao AWS Glue Data Catalog.

O que são vetores de exclusão?

Os vetores de exclusão são arquivos otimizados de exclusão que aceleram significativamente os pipelines de dados e reduzem os custos associados à compactação de dados. Em vez de reescrever dados inteiros durante operações de delete, esse mecanismo permite marcar registros como deletados de forma mais eficiente, especialmente em cenários onde grandes volumes de dados precisam ser modificados.

Entendendo a linhagem de registros

A linhagem de registros funciona adicionando campos de metadados a cada registro, permitindo rastrear mudanças com uma consulta SQL simples. Isso elimina a necessidade computacional cara de identificar pequenas alterações em tabelas grandes, tornando muito mais prático auditar e monitorar quais registros foram modificados.

Benefícios para data lakes em escala

Juntos, esses recursos do Iceberg V3 ajudam organizações a construir data lakes em escala petabyte com desempenho aprimorado para modificações de dados. A combinação reduz custos operacionais e oferece funcionalidades mais robustas para rastreamento de mudanças de forma nativa.

Como começar

Para criar novas tabelas V3, configure a propriedade de tabela como format-version = 3 no comando CREATE TABLE usando Spark ou um notebook SageMaker. Para atualizar tabelas existentes, simplesmente atualize a propriedade de tabela nos metadados com a nova versão de formato. Após essa atualização, os mecanismos de query da AWS que suportam V3 começarão automaticamente a utilizar vetores de exclusão e linhagem de registros.

Disponibilidade

Os recursos de vetores de exclusão e linhagem de registros do Iceberg V3 estão disponíveis em todas as regiões AWS onde cada serviço respectivo — Amazon EMR, AWS Glue, notebooks SageMaker, S3 Tables e AWS Glue Data Catalog — é oferecido.

Saiba mais

Para aprofundar seu conhecimento sobre o suporte da AWS ao Iceberg V3, consulte a documentação sobre Apache Iceberg V3 na AWS e leia o artigo detalhado sobre aceleração de operações em data lakes com essas novas capacidades.

Fonte

AWS announces support for Apache Iceberg V3 deletion vectors and row lineage (https://aws.amazon.com/about-aws/whats-new/2025/11/aws-apache-iceberg-v3-deletion-vectors-row-lineage)

Novo Suporte à Responses API do OpenAI no Amazon Bedrock

A AWS anunciou o suporte à Responses API do OpenAI através de novos endpoints de serviço compatíveis com a API do OpenAI no Amazon Bedrock. Essa integração representa um avanço significativo para desenvolvedores que trabalham com cargas de trabalho de inferência de longa duração e fluxos de trabalho complexos.

Principais Capacidades da Responses API

A Responses API do OpenAI, agora disponível no Bedrock, traz funcionalidades que simplificam o desenvolvimento de aplicações baseadas em inteligência artificial. Dentre os principais benefícios estão:

• Inferência assíncrona: Permite que desenvolvedores processem cargas de trabalho de inferência de longa duração sem bloquear a aplicação.
• Gerenciamento de contexto automático: Elimina a necessidade de transmitir todo o histórico de conversas com cada requisição, reconstruindo automaticamente o contexto necessário para cada interação.
• Integração aprimorada de ferramentas: Simplifica a utilização de ferramentas em fluxos de trabalho de agentes autônomos.
• Gerenciamento de conversas com estado: Mantém o contexto das conversas de forma automática e eficiente.

Compatibilidade e Modos de Operação

Os novos endpoints de serviço suportam tanto modo streaming quanto não-streaming, além de viabilizar suporte a esforço de raciocínio dentro da Chat Completions API. Graças à compatibilidade com o SDK do OpenAI, os desenvolvedores precisam apenas alterar a URL base para integrar a solução em codebases existentes, minimizando esforço de migração ou adaptação.

Project Mantle e Infraestrutura

O suporte a Chat Completions com esforço de raciocínio está disponível para todos os modelos do Amazon Bedrock alimentados pelo Project Mantle, um novo mecanismo de inferência distribuída desenvolvido para servir modelos de machine learning de grande escala.

O Project Mantle oferece diversos benefícios para a plataforma Bedrock:

• Simplifica e acelera a integração de novos modelos ao Amazon Bedrock
• Fornece inferência serverless altamente performática e confiável com controles sofisticados de qualidade de serviço
• Desbloqueia quotas padrão mais elevadas para clientes através de gerenciamento automatizado de capacidade e pools unificados
• Oferece compatibilidade pronta com as especificações da API do OpenAI

Disponibilidade e Próximos Passos

O suporte à Responses API está disponível a partir de hoje para os modelos GPT OSS 20B/120B do OpenAI, com suporte a outros modelos previsto para breve. Para começar a utilizar a funcionalidade, desenvolvedores podem consultar a documentação do serviço.

Fonte

Amazon Bedrock now supports Responses API from OpenAI (https://aws.amazon.com/about-aws/whats-new/2025/12/amazon-bedrock-responses-api-from-openai/)

Automação de respostas por email no Amazon Connect

A AWS anunciou uma nova capacidade para o Amazon Connect que permite aos times de atendimento automatizar respostas por email e a lógica de roteamento de agentes usando condições baseadas em palavras-chave e frases específicas. Esse recurso se mostra particularmente valioso para organizações que desejam ampliar o atendimento por autoatendimento, minimizar o tempo gasto em processamento manual e aumentar a precisão no direcionamento de mensagens para os agentes corretos.

Como funciona a automação

O mecanismo permite que mensagens de email sejam respondidas automaticamente sem necessidade de intervenção humana em cenários onde há correspondência de palavras-chave ou frases predefinidas. Um exemplo prático seria quando um cliente envia um email perguntando sobre disponibilidade de um produto ou consultando o status de uma encomenda — em ambos os casos, uma resposta automática pode ser disparada sem que um agente precise atender manualmente a solicitação.

Implementação técnica

Para ativar esse recurso, os administradores precisam incorporar o bloco Get stored content nos fluxos de trabalho do Amazon Connect e complementá-lo com os blocos de fluxo correspondentes, como Check contact attributes e Send message. Essa combinação possibilita configurar tanto as respostas automáticas de email quanto as regras de roteamento conforme necessário.

Disponibilidade por região

O serviço de email do Amazon Connect está disponível em um conjunto abrangente de regiões que inclui US East (N. Virginia), US West (Oregon), Africa (Cape Town), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Sydney), Asia Pacific (Tokyo), Canada (Central), Europe (Frankfurt) e Europe (London).

Próximos passos

Para conhecer os detalhes técnicos completos e iniciar a implementação, consulte a documentação oficial ou acesse o site do Amazon Connect.

Fonte

Amazon Connect launches automated email responses using conditional keywords and phrases (https://aws.amazon.com/about-aws/whats-new/2025/11/amazon-connect-automated-email-responses/)

Novo recurso de personalização serverless no SageMaker AI

A AWS anunciou uma nova capacidade de personalização de modelos serverless no Amazon SageMaker AI, que capacita desenvolvedores de IA a customizarem rapidamente modelos populares com técnicas como fine-tuning supervisionado e aprendizado por reforço. O Amazon SageMaker AI é um serviço totalmente gerenciado que reúne um amplo conjunto de ferramentas para viabilizar desenvolvimento de modelos de IA de alto desempenho e baixo custo, adequado para qualquer caso de uso.

Desafios na customização de modelos

Muitos desenvolvedores de IA buscam customizar modelos com dados proprietários para melhorar a precisão, porém esse processo frequentemente envolve longos ciclos de iteração. Tradicionalmente, o fluxo de trabalho exigia múltiplas etapas: definir um caso de uso, preparar dados, selecionar o modelo e a técnica de customização, treinar o modelo e, finalmente, avaliar para deployement em produção.

Com essa nova capacidade, a AWS simplifica todo o fluxo de trabalho de customização de modelos, desde a preparação de dados até avaliação e deployement, acelerando significativamente o processo.

Capacidades e modelos suportados

Por meio de uma interface intuitiva, desenvolvedores de IA podem agora personalizar rapidamente modelos populares, incluindo Amazon Nova, Llama, Qwen, DeepSeek e GPT-OSS com seus próprios dados. A plataforma oferece suporte a técnicas como fine-tuning supervisionado e abordagens mais avançadas de customização, incluindo aprendizado por reforço e otimização de preferência direta.

Além disso, desenvolvedores podem utilizar o fluxo de trabalho guiado por agente de IA (em preview), permitindo usar linguagem natural para gerar dados sintéticos, analisar qualidade de dados e gerenciar treinamento e avaliação do modelo — tudo de forma totalmente serverless.

Disponibilidade e próximos passos

O novo recurso está disponível nas seguintes regiões AWS: Europe (Ireland), US East (N. Virginia), Asia Pacific (Tokyo) e US West (Oregon).

Para acessar o fluxo de trabalho guiado por agente de IA, desenvolvedores podem se registrar na página de inscrição na waitlist.

Mais informações estão disponíveis na página de customização de modelos do SageMaker AI e no blog da AWS.

Fonte

New serverless model customization capability in Amazon SageMaker AI (https://aws.amazon.com/about-aws/whats-new/2025/12/new-serverless-model-customization-capability-amazon-sagemaker-ai)

Novas capacidades para modernização de mainframes

A AWS anunciou expansão significativa do AWS Transform for Mainframe com funcionalidades dedicadas à reimaginação de aplicações. O serviço agora entrega recursos avançados de análise de dados e atividades, permitindo que as organizações extraiam insights abrangentes que conduzem à modernização de aplicações mainframe. Esses insights podem ser combinados com extração de lógica de negócio para orientar a decomposição de sistemas legados em domínios de negócio bem definidos.

Fluxo completo de engenharia reversa

O AWS Transform for Mainframe oferece um fluxo de trabalho abrangente que abrange análise automatizada de código e estruturas de dados, análise de atividades, geração de documentação técnica, extração de lógica de negócio e decomposição inteligente de código. Juntos, esses componentes formam a base de uma especificação técnica robusta que pode ser utilizada por agentes de código com inteligência artificial, como o Kiro, para reimaginar aplicações em arquiteturas nativas em nuvem.

Análise profunda para decisões arquiteturais

Através de análise detalhada de dados e atividades, o AWS Transform identifica componentes de aplicação com alta utilização ou valor de negócio. Essa capacidade permite que as equipes otimizem seus esforços de modernização e tomem decisões arquiteturais baseadas em dados concretos, em vez de suposições.

Interface interativa com flexibilidade

A plataforma oferece uma interface de chat alimentada por inteligência artificial onde os usuários podem personalizar sua abordagem de modernização. Através de planos de trabalho flexíveis, é possível escolher entre fluxos predefinidos—modernização completa, foco em análise ou foco em lógica de negócio—ou criar uma combinação customizada de capacidades alinhada aos objetivos específicos da organização.

Disponibilidade em múltiplas regiões

As capacidades de reimaginação no AWS Transform for Mainframe estão disponíveis em oito regiões da AWS: US East (N. Virginia), Ásia-Pacífico (Mumbai, Seul, Sydney e Tóquio), Canadá (Central) e Europa (Frankfurt e Londres).

Saiba mais

Para explorar em detalhes como reimaginar aplicações mainframe com o AWS Transform, consulte o artigo publicado no blog da AWS ou visite a página do produto AWS Transform.

Fonte

AWS Transform for mainframe now supports application reimagining (https://aws.amazon.com/about-aws/whats-new/2025/12/transform-mainframe-application-reimagining/)

Superando as Limitações do Treinamento com Checkpoints

A AWS anunciou uma novidade significativa no SageMaker HyperPod: o suporte a treinamento sem checkpoints, uma capacidade fundamental para modelos de IA que elimina a necessidade de reinicializações baseadas em checkpoints para recuperação de falhas.

Tradicionalmente, quando uma falha ocorre durante o treinamento de um modelo em larga escala, o processo segue um fluxo trabalhoso: é necessário pausar todo o cluster de treinamento, diagnosticar manualmente o problema, e restaurar a partir de checkpoints salvos anteriormente. Este procedimento deixa os aceleradores de IA (GPUs e TPUs) custosos ociosos por horas, gerando desperdício considerável de recursos computacionais e aumentando significativamente os custos operacionais.

Como Funciona o Treinamento Checkpointless

O treinamento sem checkpoints transforma este paradigma ao preservar automaticamente o estado do modelo de treinamento em todo o cluster distribuído. Quando uma falha é detectada, o sistema substitui os nós defeituosos sobre a marcha (on the fly) e utiliza transferência de estado ponto-a-ponto entre os aceleradores saudáveis para recuperação imediata.

A implementação reduz drasticamente o tempo de recuperação: em vez de horas, o sistema retoma o treinamento em minutos. Ao eliminar as dependências de checkpoints durante a recuperação, as organizações economizam significativamente em custos de aceleradores ociosos e aceleram o ciclo geral de desenvolvimento.

Escalabilidade e Performance em Larga Escala

Um aspecto impressionante deste recurso é seu desempenho em ambientes de grande escala. Mesmo operando com clusters contendo milhares de aceleradores de IA, o treinamento checkpointless no SageMaker HyperPod mantém uma “goodput” (aproveitamento produtivo) superior a 95%.

Disponibilidade e Integração

O treinamento checkpointless está disponível em todas as regiões AWS onde o SageMaker HyperPod já opera. O recurso pode ser ativado sem necessidade de alterações de código, utilizando receitas de HyperPod para modelos populares de código aberto, como Llama e GPT.

Para arquiteturas de modelo personalizadas, a integração de componentes checkpointless requer modificações mínimas em workflows baseados em PyTorch, tornando a capacidade acessível mesmo para equipes sem expertise profunda em treinamento distribuído.

Próximos Passos

Para começar, a AWS disponibiliza a página do produto SageMaker HyperPod e oferece um repositório GitHub com orientações de implementação para guiar equipes técnicas através da configuração e uso do recurso.

Fonte

Amazon SageMaker HyperPod now supports checkpointless training (https://aws.amazon.com/about-aws/whats-new/2025/12/amazon-sagemaker-hyperpod-checkpointless-training)

Uma Abordagem Revolucionária para Treinamento de Modelos em Larga Escala

A AWS anunciou uma novidade significativa para o Amazon SageMaker HyperPod: o suporte a treinamento elástico. Esta funcionalidade transforma a maneira como organizações realizam treinamento de modelos foundation, permitindo escalabilidade automática de cargas de trabalho com base na disponibilidade de recursos e nas prioridades das tarefas.

O treinamento elástico representa uma mudança fundamental comparado ao modelo tradicional, onde os recursos eram alocados de forma fixa durante todo o ciclo de treinamento. Com essa nova abordagem, a AWS busca economizar horas de trabalho de engenharia que seriam gastas reonfigurando tarefas de treinamento de acordo com a disponibilidade de computação.

O Problema que o Treinamento Elástico Resolve

Anteriormente, qualquer alteração na disponibilidade de recursos exigia um processo manual e complexo: interromper o treinamento, reconfigurar os parâmetros, reiniciar as tarefas — tudo exigindo conhecimento especializado em treinamento distribuído. Enquanto essa reconfiguração ocorria, os aceleradores de IA de alto custo permaneciam ociosos, representando desperdício financeiro significativo.

Como o Treinamento Elástico Funciona

Escalabilidade Contínua Sem Interrupções

O treinamento elástico opera de forma automática, expandindo tarefas de treinamento para absorver aceleradores de IA que estão ociosos. Quando cargas de trabalho de maior prioridade necessitam de recursos, o sistema contrai gracefully — tudo sem interromper completamente o treinamento em progresso. Esse mecanismo de contração dinâmica garante que os recursos sejam sempre utilizados de forma eficiente.

Começo Ágil com Crescimento Oportunista

As tarefas de treinamento podem iniciar imediatamente com recursos mínimos e crescer conforme a capacidade fica disponível. Essa flexibilidade permite que as organizações iniciem projetos sem aguardar a disponibilidade total de infraestrutura, acelerando o tempo até o mercado.

Benefícios para Organizações

Ao eliminar overhead de reconfiguração manual e garantir utilização contínua dos recursos disponíveis, o treinamento elástico oferece três vantagens principais:

• Economia de tempo: redução significativa no tempo gasto em gerenciamento de infraestrutura;
• Redução de custos: maximização da utilização do cluster reduz gastos com recursos subutilizados;
• Aceleração do time-to-market: os modelos chegam ao mercado mais rapidamente.

Implementação Acessível e Flexível

O treinamento elástico está disponível em todas as regiões onde o Amazon SageMaker HyperPod funciona atualmente. A implementação foi projetada para ser acessível mesmo sem expertise profunda em sistemas distribuídos.

Para Modelos Públicos

Organizações podem habilitar treinamento elástico sem nenhuma alteração de código usando HyperPod recipes para modelos amplamente disponíveis, como Llama e GPT OSS — frameworks de código aberto conhecidos e consolidados no mercado.

Para Arquiteturas Personalizadas

Quando se trabalha com arquiteturas de modelo customizadas, é possível integrar capacidades de treinamento elástico através de atualizações leves de configuração e modificações mínimas de código. Essa abordagem deixa a funcionalidade acessível para equipes sem exigir especialização em sistemas distribuídos.

Próximos Passos

Para começar, equipes podem acessar a página do produto Amazon SageMaker HyperPod e consultar a documentação de treinamento elástico para orientações de implementação específicas.

Fonte

Introducing elastic training on Amazon SageMaker HyperPod (https://aws.amazon.com/about-aws/whats-new/2025/12/elastic-training-amazon-sagemaker-hyperpod/)