👁 AgentWatch: проактивный мониторинг AWS с помощью ambient-агентов

Amazon представил AgentWatch — ambient-агента для мониторинга AWS-инфраструктуры, который выходит за рамки реактивного управления алертами CloudWatch. Решение работает непрерывно, анализируя метрики, логи и алерты из нескольких аккаунтов AWS, и доставляет отчёты напрямую в Slack. Агент проверяет инфраструктуру каждые 15 минут и отвечает на естественно-языковые запросы о состоянии ресурсов.

AgentWatch построен на базе Amazon Bedrock и разворачивается через AgentCore Runtime — бессерверную среду для запуска AI-агентов в продакшене. Ключевая особенность — гибридная архитектура с human-in-the-loop: низкорисковые задачи (мониторинг утилизации, предоставление информации) выполняются полностью автономно, а анализ причин алертов и применение исправлений требуют подтверждения пользователя. Это решает проблему alert fatigue и позволяет командам сосредоточиться на инновациях вместо постоянного тушения пожаров.

Для DevOps-команд и SRE-инженеров AgentWatch означает переход от ручного дашбординга к проактивному управлению: агент сам определяет, что требует внимания, и привлекает человека только в критических точках. Решение особенно актуально для организаций с несколькими AWS-аккаунтами, где контекст-свитчинг между инструментами становится основной причиной потери времени и пропущенных инцидентов.

#Ai #AWS #Monitoring #Agents #DevOps #AmazonBedrock

👁 Мониторинг дискриминативных ML-моделей с Amazon SageMaker AI и MLflow

AWS представила архитектуру для мониторинга дискриминативных моделей машинного обучения (классификация и регрессия) на базе Amazon SageMaker AI и open-source библиотеки Evidently. Решение отслеживает дрейф данных и модели в production, интегрируется с MLflow и позволяет настроить алерты в Slack или автоматический перезапуск пайплайнов обучения.

Дрейф данных фиксируется при изменении статистических свойств входных данных (например, смена типа колонки или появление новых продуктов). Дрейф модели — когда точность предсказаний падает из-за изменения поведения пользователей или внешних факторов. Архитектура включает batch inference через SageMaker Batch Transform, processing job для расчёта метрик и EventBridge для запуска по расписанию.

Для разработчиков это кастомизируемая альтернатива встроенному мониторингу SageMaker: можно интегрировать результаты в любые дашборды, управлять затратами и поддерживать нестандартные сценарии. Решение особенно актуально для команд, которые хотят сохранить контроль над ML-пайплайнами без vendor lock-in.

#AI #AWS #SageMaker #MLflow #MLOps #Monitoring