2026. szeptember 2., szerda · Eszközök

AWS útmutatót adott ki az Amazon Quick AI-ügynökök biztonságos bevezetéséhez

Az AWS saját blogbejegyzése szerint az Amazon Quick platform gyakran sikeresen indul kis pilot csapatokkal, majd elakad, amikor a biztonsági csapatok átveszik a production tervet. A cég állítása szerint a tíz felhasználóra méretezett jogosultsági modell megbomlik öt osztály hozzáadásakor, és az ügynökök a tervezett hatókörön kívüli adatokat is visszaadhatnak. Egy fiktív, 5000 fős vállalati példán mutatják be a megoldást: egy adathalmazt három, jogosultsághoz igazított nézetre bontanak, külön Agentekkel és Dashboardokkal, jóváhagyási ponttal ellátott Flow-val. A bejegyzés négy mintát és egy governance-keretrendszert ismertet, kizárólag az AWS saját termékére vonatkozóan.

Miért fontos?

A gyakorlati AI-ügynök-bevezetések kockázata a jogosultságkezelés skálázáskor, ezért releváns egy nagy felhőszolgáltató konkrét biztonsági mintáinak közzététele.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #Amazon Quick#AI-ügynök biztonság

Napi összefoglaló

Ez a hír a 2026. szeptember 2., szerda napi AI összefoglaló része.

Kapcsolódó hírek

Az Amazon Quick és az NVIDIA NeMo Agent Toolkit együttműködése ellátásilánc-kezelő ügynökfolyamatokat kínál

Az AWS hivatalos blogján bemutatott megoldás az Amazon Quick és az NVIDIA NeMo Agent Toolkit összekapcsolásával specializált, ügynökalapú munkafolyamatokat épít ellátásilánc-kockázatok kezelésére. Az Amazon Quick egységes, beszélgetésalapú felületet biztosít strukturált és strukturálatlan vállalati adatokhoz, több mint száz előre elkészített csatlakozóval és MCP-protokollon keresztül elérhető ügynökfolyamatokkal. Az NVIDIA NeMo Agent Toolkit nyílt forráskódú, keretrendszer-független könyvtárként működik, amely LangChain, LlamaIndex, CrewAI és más eszközökkel is kompatibilis. A bemutatott példában egy ellátásilánc-elemző az irányítópult kontextusából kiindulva, a csevegőügynökön keresztül automatikusan vizsgálja a zavarokat, hívja meg az eszközöket, validálja a javaslatot, és rangsorolt kockázatcsökkentési tervet ad vissza a tervezőnek.

Google Pics: promptalapú AI-tervezőeszköz érkezik a Workspace-be

A Google bemutatta a Google Pics nevű új Workspace-alkalmazást, amely a Nano Banana képgeneráló modellre épül, és promptalapú kép- és szövegszerkesztést kínál üzleti felhasználóknak, valamint a Google AI Pro és Ultra előfizetőinek. A vállalat állítása szerint a cél, hogy a marketinganyagok és prezentációk készítése ne igényeljen grafikustudást, elkerülve a chatbotok esetlen eredményeit. Az eszköz önálló alkalmazásként, illetve Docs és Slides integrációként indul, a Drive-hoz a tervek szerint a következő hetekben érkezik. Funkciói közé tartozik az objektumok promptos módosítása, szöveg cseréje vagy fordítása képeken, 2K-4K felbontású felskálázás és csapatmunkára alkalmas megosztás. A Google szerint ez a Canva és az Adobe Express konkurenciája, de jogdíjas alkotói piacteret nem tartalmaz.

OpenClaw 2.0: egyszerűbb telepítés és közös munkamenetek a nyílt forráskódú AI-ügynöknek

Az OpenClaw fejlesztői kiadták a nyílt forráskódú személyes AI-ügynök 2.0-s verzióját (jelölése: 2026.8.1), amelyet a projekt közleménye szerint 933 fejlesztő több mint 16 ezer pull requestje formált. A gyártó állítása szerint a telepítés leegyszerűsödött: a program automatikusan felismeri a gépen elérhető ChatGPT- vagy Claude-előfizetéseket, API-kulcsokat és helyben futó modelleket, a további beállítást pedig az ügynökkel folytatott beszélgetésbe helyezték át. A böngészős felület is elsődleges kezelőfelületté vált, ahonnan a felhasználó közvetlenül társaloghat az ügynökkel és nyomon követheti a futó feladatokat. Új elem a megosztott felhős munkamenet, amely lehetővé teszi, hogy több felhasználó dolgozzon egy közös ügynök-kontextuson. A rendszer modellfüggetlen marad, és támogatja a WhatsApp, Telegram, Discord, Slack, Signal és iMessage csatornákat.

NVIDIA útmutatót ad az AI-inferencia GPU-igényének méretezéséhez

Az NVIDIA saját technikai blogján közölt útmutatót arról, hogyan méretezhetők pontosan a GPU-erőforrások AI-inferencia feladatokhoz és hogyan optimalizálható a teljes birtoklási költség. A vállalat szerint az inferencia-terheléseket négy fő kategóriába (chatbotok, AI-ügynökök, tartalomgenerálás, fordítóalkalmazások) sorolva eltérő tokenmintázatok rajzolódnak ki, amelyek meghatározzák a memória- és számításigényt. Az NVIDIA egy úgynevezett „core-and-flex” modellt javasol, amely helyi vagy foglalt felhő-GPU-kat kombinál a rugalmas, csúcsidőszaki felhőkapacitással. A cég állítása szerint a Model Optimizer eszközükkel végzett FP8 utólagos kvantálás újratanítás nélkül 43,5%-kal csökkentette a Llama-3.1-8B modell memóriaigényét, míg egy Qwen3-8B modellből metszéssel és desztillációval mintegy 6 milliárd paraméteres kisebb modellt hoztak létre.