Si buscas las noticias del día anterior, puedes encontrarlas aquí. O si lo que buscas son las noticias del día siguiente, haz clic aquí.
Microsoft (vía blog de terceros técnico) publica un ejemplo práctico sobre el uso de Fabric Operations Agents junto con Workspace Monitoring para Power BI. El artículo muestra cómo crear agentes operativos que supervisan pipelines de Fabric y emitir notificaciones (por ejemplo a Teams) ante condiciones concretas — incluye casos de uso como alertas en refrescos fallidos, detección de errores en modelos semánticos y envío de avisos basados en consultas KQL predefinidas. La pieza es útil para equipos que gestionan entornos Fabric y quieren integrar alertas operativas con flujos de trabajo existentes; también enfatiza la necesidad de ajustar la telemetría y la granularidad de las instrucciones del agente para evitar ruido. Fuente. (blog.crossjoin.co.uk)
Durante el fin de semana se confirmó la finalización de una operación global de restablecimiento de cuotas/usage limits por parte de OpenAI que había afectado a clientes y APIs. Informes de monitorización pública señalan que el proceso de restablecimiento se completó el 18 de julio y que el incidente incluyó varias rondas de ajustes de límites durante la semana anterior; la entrada de actividad describe la cronología y la verificación del cierre del suceso. Para equipos que dependen de la API, el evento subraya la importancia de monitoreo del uso y planes de mitigación frente a cambios repentinos en límites de cuota. Fuente. (exploresfall.com)
Un timeline público de desarrollos en AI registró entradas recientes (19 de julio) que recogen movimientos importantes: lanzamientos y ampliaciones de producto por parte de proveedores de hardware y modelos, además de hitos en modelos de tamaño medio para edge. El registro actúa como agregador cronológico de lanzamientos y menciona tanto anuncios de aceleradores como actualizaciones de modelos destinados a operativa en dispositivo, lo que ayuda a seguir la evolución rápida del ecosistema entre proveedores y proyectos open source. Esta referencia es útil como fuente de señal temprana para equipos que siguen competencia entre modelos y plataformas de inferencia. Fuente. (lmtimeline.com)
Informes técnicos recogen que el equipo detrás del proyecto open source FastFlowLM se ha unido formalmente a AMD. FastFlowLM aporta una pila ligera y optimizada para ejecutar modelos LLM y multimodales sobre NPU (por ejemplo Ryzen AI), enfocada en rendimiento local para PCs y workstations. La incorporación se enmarca dentro de la estrategia de AMD de fortalecer su ecosistema de software abierto (ROCm, Lemonade, GAIA) y facilitar la experiencia de desarrollador para modelos en dispositivos con aceleradores AMD. Esta noticia interesa a quienes construyen infra para IA local y buscan alternativas abiertas para inference/optimización. Fuente. (phoronix.com)
Durante las últimas jornadas el ecosistema AMD ha publicado movimientos en su stack de software para IA local: referencias a ROCm 7.14 (promocionado a producción en comunicaciones técnicas), así como actualizaciones de Lemonade (servidor local de IA) y otras herramientas vinculadas al soporte para Ryzen AI y GPU Instinct. Las notas y análisis de la comunidad destacan mejoras en compatibilidad con frameworks (p. ej. PyTorch), herramientas de profiling y optimizaciones de inferencia; los cambios buscan facilitar despliegues on-prem y en equipos de desarrollo para modelos de tamaño medio. Para responsables de homelab y despliegues locales, conviene revisar la documentación oficial y las guías de migración del stack antes de actualizar entornos de producción. Fuente. (phoronix.com)
Varios agregadores y piezas técnicas en la última semana recogen la ampliación de la familia Jetson Thor con módulos dirigidos al mercado de robots y edge (módulos de clase media y opciones con menor consumo). Las entradas del timeline resaltan la aparición de modelos orientados a reducir coste/potencia, la promesa de emulación en JetPack y el interés por ejecutar modelos de inferencia multimodal en dispositivos integrados. Para proyectos homelab y de edge AI esto implica más opciones de hardware con soporte para on-device inference, aunque la disponibilidad y los detalles de rendimiento deben verificarse con los fabricantes y primeras pruebas independientes. Fuente. (servethehome.com)