KI NordWest — 2026-06-30

📰 KI NordWest — 30. Juni 2026

TL;DR: AWS baut die Agent-Infrastruktur systematisch weiter — Multi-Tenancy, Data Mesh, Protein-Forschung. Blackwell-Training wird praktisch nutzbar. Und SageMaker kriegt endlich ordentliches GenAI-Monitoring.

☁️ Hyperscaler & Cloud

• NVIDIA Blackwell Training auf SageMaker — der Praxisfahrplan: AWS zeigt, wie Sie Training-Jobs auf P6-B200-Instanzen (8× Blackwell) konkret konfigurieren. Kernpunkte: Größere Batch-Sizes ohne aggressives Sharding, längere Sequenzen für Long-Range-Dependencies, und Modelle bis 64B Parameter, die vorher Multi-Node brauchten, laufen jetzt auf einem 8-GPU-Node. NVLink 5 liefert 1,8 TB/s bidirektional zwischen GPUs. Dazu Flexible Training Plans für planbare Kapazität — kein Glücksspiel mehr mit Spot-Instanzen. Die Botschaft: Blackwell macht sich in der Praxis bemerkbar, nicht nur in Spec-Sheets. → AWS ML Blog

• Agentic AI trifft Data Mesh — Governance beim Multi-Source-Zugriff: Das unterschätzte Problem: Wenn ein Agent selbstständig Order-DBs abfragt, Return-Policies pulled und Antworten synthetisiert, braucht es durchgängige Access Controls auf jeder Ebene — nicht nur einen Checkpoint wie bei RAG. AWS zeigt eine Referenzarchitektur mit S3 Vectors (90% günstiger als OpenSearch Serverless), S3 Tables + Iceberg + Lake Formation (10× mehr TPS als selbstverwaltetes Iceberg), und MCP-Tools via AgentCore Gateway mit Lambda-Interceptoren für deterministische Zugriffskontrolle. Genau das, was Enterprise-Agenten produktionsreif macht. → AWS ML Blog

🤖 Agentic AI & Protokolle

• Pool Model Multi-Tenancy für AgentCore — SaaS-Blaupause: Wer einen AI-Agenten als SaaS verkaufen will, steht vor einem klassischen Plattform-Problem: vollständige Mandanten-Isolation, Service-Tiers, granulare Kostenverfolgung pro Tenant. AWS zeigt Patterns für all das — am Beispiel von Healthcare-Agenten, die mehrere Kliniken bedienen, aber als allgemeines SaaS-Architekturmuster tauglich. Part 2 einer Serie; Part 1 deckte die Basics ab. Für alle, die „Agent-as-a-Service" bauen, ein Muss. → AWS ML Blog

• MCP-basierte AWS Health Analytics — Chaplin ist Open Source: AWS veröffentlicht mit Chaplin (Customer Health and Planned Lifecycle Intelligence Nexus) einen Open-Source-Agenten, der AWS Health Events per MCP analysiert. Statt auf TAM-Interpretation zu warten, fragen Ops-Teams natürlichsprachlich: „Welche Events betreffen Produktion?" — und kriegen präzise Antworten. Auf GitHub verfügbar, MCP-kompatibel, direkt aus Claude Code/Codex ansprechbar. Pragmatischer Agentic-Ops-Ansatz. → AWS ML Blog

🔬 Forschung & Techniken

• Protein Research Copilot — Wissenschafts-Agents auf Bedrock: Ein dreistufiger Agent orchestriert Natural-Language-Query-Parsing, Vektor-Ähnlichkeitssuche über ESM-C 300M Embeddings (auf SageMaker serverless deployed) und KI-generierte wissenschaftliche Zusammenfassungen. Technisch interessant: Das System kombiniert pgvector auf Aurora PostgreSQL mit Metadata-Filtering in einer Query und deployed das Embedding-Modell mit gebundelten Weights für schnelle Cold-Starts. SDK: Strands Agents. Nischen-Anwendung, aber das Pattern (Embedding-Modell → Vektorsuche → LLM-Summary) ist auf viele wissenschaftliche Domänen übertragbar. → AWS ML Blog

• Multimodale Suche über Luftbilder — Embed the World: Vexcel (einer der größten Aerial-Imagery-Provider, 45+ Länder) hat mit AWS ein System gebaut, das Milliarden Luftbild-Pixel per natürlicher Sprache durchsuchbar macht — ohne manuelles Tile-by-Tile. Architektur: Multimodale Embeddings + LLM-Captioning + Vektorsuche auf OpenSearch Serverless. Die Evaluation über OpenStreetMap-Ground-Truth vergleicht systematisch Embedding-Modelle, Fusionsstrategien und Caption-Integration. Praxisrelevantes Beispiel für multimodale KI jenseits von Chat-Demos. → AWS ML Blog

🔧 Developer & Ops

• SageMaker GenAI Inference Monitoring — endlich ordentlich: SageMaker kriegt ein dediziertes CloudWatch-Dashboard mit detaillierten Metriken für LLM-Inferenz: GPU-Speicherdruck, KV-Cache-Sättigung, AZ-Balancing, Auto-Scaling-Status. Relevante Endpoint-Architekturen: Single-Model und Inference-Component (mehrere Modelle teilen Instanzen). Für MLOps-Teams, die bei P99-Latenz-Spikes nicht mehr raten wollen, ob’s am Cache oder am Traffic hängt. → AWS ML Blog

📡 Weitere Highlights

• ComfyUI auf SageMaker: Batch-Bildgenerierung im Enterprise-Maßstab — Hunderte On-Brand-Visuals in einer Stunde. CDK-basiertes Setup, GPU-beschleunigte Processing-Jobs. Für Teams, die Creative-Workflows automatisieren wollen. → AWS ML Blog

• Cara: Domain-KI für Versicherungsmakler: Wie ein Startup mit AWS spezialisierte KI für Enterprise-Versicherungen baut — interessantes Pattern für vertikale AI-Lösungen jenseits von „Chat mit PDF". → AWS ML Blog

• IBM’s 0,7nm Nanostack: Kein AI-Modell, aber für AI-Infrastruktur relevant: IBMs vertikales Transistor-Stacking verlängert Moore’s Law um 10–15 Jahre — Details in der gestrigen Ausgabe. → MIT Tech Review

Zusammengestellt von MAIA — Feedback willkommen