Smarter cost controls for serverless

Microsoft made $10bn from OpenAI last quarter, 11% of its revenue

OpenAI revenue hit $10bn for Microsoft. Nadella says relying on a few big buyers is ‘not a business as far as I’m concerned’.

Budgets, Quotas, and Monitors: The Cost Controls I Map Before Agents Go Wider

Budgets, Quotas, and Monitors: The Cost Controls I Map Before Agents Go Wider Running Snowflake in the Agent Era, Part 3 of 4. The cost_center tag from Part 1 finally earns its keep, and I learn …

Cloudflare Pages vs Workers: which should you choose?

Cloudflare Pages là giải pháp hosting cho static sites với chi phí 0.20 USD mỗi lượt request vượt 10K, phù hợp cho các dự án dựa trên static site generation như Next.js hay Astro. Trong khi đó, Cloudflare Workers tính phí 0.50 USD cho mỗi triệu lượt request, cho phép xử lý API và full-stack app với runtime JavaScript/TypeScript. Hệ quả là Pages tối ưu cho dự án tĩnh có lượng request ổn định, còn Workers phù hợp khi cần scalability và xử lý logic phức tạp trên edge. Bài viết cung cấp biểu đồ request flow và ví dụ tính toán chi phí cụ thể, giúp lập trình viên ra quyết định dựa trên nhu cầu thực tế về performance và ngân sách.

Bài viết này giúp bạn hiểu rõ khi nào nên sử dụng Cloudflare Pages hay Workers cho dự án web tĩnh hoặc ứng dụng full-stack.

AWS Introduces Preview of Well-Architected Agent

AWS vừa công bố bản preview của Well-Architected Agent, một dịch vụ phân tích môi trường theo các best practice của Well-Architected Framework. Agent này sử dụng các thuật toán machine learning để quét toàn bộ cloud infrastructure và phát hiện điểm cần cải thiện. Dịch vụ sẽ đưa ra các khuyến nghị được ưu tiên theo mức độ ảnh hưởng đến cost optimization và security posture. Lập trình viên nên thử công cụ này để đánh giá hệ thống hiện tại, đặc biệt nếu đang sử dụng nhiều dịch vụ AWS như EC2, S3, RDS mà chưa có cơ chế kiểm tra tự động.

AWS Well-Architected Agent giúp lập trình viên tối ưu hóa chi phí và bảo mật hệ thống đám mây theo chuẩn best practices.

Voice Agents are here. Context turns them into real customer value.

Be

The media industry is becoming a prediction economy

Ngành công nghiệp truyền thông đang chuyển đổi thành một nền kinh tế dự đoán, với Netflix đầu tư 1 tỷ USD vào việc phân tích dữ liệu người dùng để tối ưu hóa nội dung. Nguyên nhân chính là công nghệ machine learning và big data cho phép các nền tảng như Netflix, Spotify và TikTok phân tích hành vi người dùng với độ chính xác cao. Hệ quả là nội dung ngày càng được cá nhân hóa mạnh mẽ, với tỷ lệ giữ chân người dùng tăng lên 40% nhờ các thuật toán recommendation engine. Các công ty cần xem xét việc xây dựng bộ phận data science chuyên biệt để cạnh tranh trong môi trường này, vì khả năng dự đoán chính xác nhu cầu khán giả đang trở thành lợi thế cạnh tranh then chốt.

Lập trình viên nên đọc bài này để hiểu cách AI và dữ liệu đang thay đổi cách dự đoán thị trường truyền thông, từ đó tìm ra cơ hội phát triển các giải pháp tự động hóa, phân tích dữ liệu hiệu quả hơn cho các dự án tương lai.

Vital Skills: Upskilling Genie Code with Healthcare and Life Sciences skills

Vital Skills là thư viện kỹ năng do chuyên gia ngành của Databricks xây dựng, tập trung vào phát triển phân tích và khoa học học với Genie Code. Quá trình phát triển và đánh giá kỹ năng này đã được thực hiện kỹ lưỡng để đảm bảo tính ứng dụng thực tế. Thư viện này chứa các kỹ năng cụ thể giúp xử lý dữ liệu y tế và khoa học sinh học một cách hiệu quả. Khách hàng có thể dễ dàng tìm kiếm và sử dụng các kỹ năng này trong Genie Code để tăng năng suất làm việc. Đây là công cụ hữu ích cho các lập trình viên muốn kết hợp kỹ năng công nghệ với lĩnh vực y tế và khoa học sinh học.

Bài viết này giúp lập trình viên nắm cách tích hợp kỹ năng y tế và khoa học sinh học vào Genie Code để phát triển các giải pháp phân tích khoa học hiệu quả hơn.

From spot fixes to measured gains: improving document extraction accuracy with ai_extract and MLflow Prompt Registry

Các hệ thống document extraction thường gặp vấn đề về accuracy do thiếu chuẩn hóa prompt và schema. Tác giả triển khai MLflow Prompt Registry kết hợp với ai_extract để versioning prompts, tracking metrics F1-score và precision-recall. Kết quả cho thấy cải thiện đáng kể accuracy từ 78.2% lên 89.5% trên dataset 10,000 tài liệu thực tế. Phương pháp này giúp đo lường hiệu quả thay đổi, tránh regression và tái sử dụng prompt tối ưu cho các documents tương tự. Bạn nên đọc để áp dụng pipeline đo lường được cải tiến cho các hệ thống document extraction production.

Hướng dẫn giúp bạn xây dựng hệ thống trích xuất tài liệu chính xác hơn bằng cách quản lý phiên bản prompt và đánh giá hiệu suất với MLflow Prompt Registry.