AWS מאפשרת ל-Lambda לטעון קוד פונקציות מ-S3 buckets של הלקוח

חברת AWS הציגה self-managed Amazon S3 buckets לקוד של פונקציות Lambda, שמאפשרים ל-Lambda לקרוא deployment packages ישירות מ-buckets בבעלות הלקוח במקום מ-storage מנוהל של AWS. היתרון המרכזי: זה מסיר את מכסת אחסון הקוד בגודל 75GB שהגבילה זמן רב צוותים שמריצים פונקציות רבות או גדולות מאוד, ונותן ללקוחות שליטה על היכן שוכנים ה-artifacts שלהם.

המשמעות הטכנית מעשית לעומסי עבודה עתירי-AI. פונקציות serverless מודרניות אורזות יותר ויותר תלויות ML גדולות, מודלים או ספריות inference שנתקלות במגבלות אחסון. בכך ש-AWS מאפשרת לצוותים לארח קוד ב-buckets שלהם, היא נותנת מקום לחבילות שמנות יותר ומאפשרת ללקוחות להחיל את מדיניות ה-bucket, ההצפנה וכללי ה-lifecycle שלהם על ה-artifacts — שימושי ל-governance ולעמידה ברגולציה.

זהו אחד מאשכול עדכוני פלטפורמה של AWS השבוע — SageMaker HyperPod עם topology של Slurm ברמת partition, self-managed S3 ל-Lambda, מיגרציית dashboard בקליק אחד ב-OpenSearch, ו-Managed Grafana שהשיגה FedRAMP High ב-GovCloud — שיחד מסמנים את החיזוק היציב והלא-זוהר של התשתית התפעולית שמתחת ליישומי AI.

מבחינה תחרותית, ההישגים התשתיתיים ההדרגתיים האלה הם אסטרטגיית הנגד של AWS מול הכרזות המודלים הראוותניות יותר של OpenAI, Google ו-Anthropic. המסר של AWS הוא שלא משנה איזה מודל תבחר, ה-plumbing האמין להריץ אותו בסקייל חי על AWS — מחוזק השבוע בהפחתות דמי ניהול GPU של 35–60% דרך EKS Auto Mode ו-ECS Managed Instances. ההסתייגות: אלה שיפורים לאיכות החיים של המפתחים, לא קפיצות מדרגה, והם לא יזיזו את הנרטיב של ה-AI. שווה לעקוב האם הסרת תקרת ה-75GB באמת מרחיבה את מה שצוותים מריצים serverless ל-inference.