Hace un par de años, compañías como Slack, Anthropic y Grafana compartieron que lograron reducir los costos de sus cargas de trabajo sobre EKS y Kubernetes entre un 30% y 40% anual ¿La magia? Karpe… See more

Hace un par de años, compañías como Slack, Anthropic y Grafana compartieron que lograron reducir los costos de sus cargas de trabajo sobre EKS y Kubernetes entre un 30% y 40% anual ¿La magia? Karpenter Un controlador avanzado de escalado para Kubernetes, de código abierto, que aprovisiona nodos de distinto tipo, dinámicamente, según las necesidades de la carga del clúster. Su algoritmo decide de forma inteligente cuando y cómo escalar, invocando directamente a la API de Kubernetes, y mejorando la eficiencia operativa, y también ahorrando costos. Pero, ¿Lo podemos ver en acción? En este worshop, te propongo explorar un caso práctico sobre un clúster EKS de AWS con Karpenter y revisar las métricas de ejecución en tiempo real, la utilización de instancias On-Demand, y Spot, el proceso de Instalación y experiencias basadas en la actualidad de esta tecnología Te esperamos! Sobre Pablo Ezequiel Inchausti: Senior Cloud Engineer ad Caylent. My IT career was associated with the financial industry. I participated in several projects that involved Mobile Banking, Home Banking and incorporation of DevOps practices. I also work as a Professor in Computer Engineering at University and I actively participate in the AWS community with the AWS Community Builder program. I am passionate about technology and I really enjoy when I the opportunity to share something new that I am learning. Show less

La magia del Vibe Coding termina cuando llega el primer usuario real. Sostener una aplicación en producción requiere otro tipo de magia: la que nace de las buenas prácticas de ingeniería y arquitectur… See more

La magia del Vibe Coding termina cuando llega el primer usuario real. Sostener una aplicación en producción requiere otro tipo de magia: la que nace de las buenas prácticas de ingeniería y arquitectura. En esta charla veremos cómo una app creada con herramientas de IA, que funciona perfectamente en localhost, se enfrenta a los desafíos reales de producción. Seguridad, persistencia, despliegue, auditoría, costos y uso responsable de la IA dejan de ser conceptos teóricos para convertirse en requisitos fundamentales. Como aplicación de referencia construiremos Magic Mentor AI, una plataforma educativa impulsada por IA que combina tutor virtual, generación de contenido y evaluación asistida. Recorreremos su evolución desde una demo local con React, Express y SQLite hasta una plataforma serverless con Terraform, API Gateway, Lambda, DynamoDB, S3 y CloudFront. Incorporamos Amazon Bedrock y AgentCore para agregar capacidades de IA con límites claros, manteniendo integridad en la evaluación, trazabilidad y control sobre las decisiones de los modelos. En el camino analizaremos esas decisiones clave sobre cómo proteger datos sensibles, cómo incorporar IA sin comprometer la confiabilidad de la aplicación y qué desafíos aparecen cuando la demo tiene que ir a go live! La IA nos ayuda a construir Magic Mentor AI en tiempo record. Llevarla a producción requiere algo más difícil: criterios de ingeniería, arquitectura y operación para convertir esa demo mágica en un sistema confiable. Sobre Pablo Ezequiel Inchausti: Senior Cloud Engineer ad Caylent. My IT career was associated with the financial industry. I participated in several projects that involved Mobile Banking, Home Banking and incorporation of DevOps practices. I also work as a Professor in Computer Engineering at UADE and I actively participate in the AWS community with the AWS Community Builder program. I am passionate about technology and I really enjoy when I the opportunity to share something new that I am learning. Show less