Microsoft Teams Blog articles ... Заметка

Microsoft Teams Blog articles на русском

Блог Microsoft Teams на TechNet - это специализированная платформа для Microsoft Teams, освещающая различные темы, включая предстоящие функции, улучшения продукта и лучшие практики для улучшения работы пользователей. Он содержит статьи членов команды разработчиков продуктов Microsoft, MVP и других экспертов в этой области. В статьях блога рассматриваются различные аспекты Microsoft Teams, такие как настройка, развертывание, устранение неполадок, отзывы пользователей и обмен знаниями.

Трэд заметок

Теперь ИИ-ассистент, подключенный через Azure MCP Server, может помогать инженерам диагностировать медленную работу приложений Azure. Это соединение позволяет ИИ запрашивать Azure Monitor, проверять конфигурации и сравнивать ресурсы, упрощая расследования. Однако эта возможность создает значительные риски безопасности, если ею не управлять должным образом. Основная проблема заключается в потенциальном доступе ИИ к конфиденциальным данным Azure или выполнении несанкционированных изменений в производственной среде. Для снижения этих рисков необходим многоуровневый подход к безопасности, начиная со строгого управления идентификацией и доступом.Каждое взаимодействие ИИ должно быть ограничено конкретными разрешениями, используя принципы наименьших привилегий для идентификаторов Entra и ограничивая доступ к необходимым ресурсам. Телеметрия из приложений должна рассматриваться как недоверенный ввод, предотвращая ее интерпретацию в качестве инструкций и предотвращая инъекции в запросы. Доступ только для чтения, хотя и снижает риск изменений, по-прежнему требует осторожного обращения с данными, чтобы избежать раскрытия конфиденциальной информации, такой как токены или данные клиентов.Критически важно нацеливаться на правильный ресурс Azure, с проверками валидации и рабочими процессами утверждения для значимых действий. Разрешения плоскости данных, особенно для таких служб, как Key Vault, должны быть отделены от доступа к плоскости управления, чтобы предотвратить раскрытие учетных данных. Сам сервер Azure MCP должен быть защищен, с осторожным управлением учетными данными и ограниченным доступом. Усиление ошибок автоматизацией требует внедрения ограничений на операции и надежной обработки ошибок. Azure Policy и управление предоставляют необходимые средства контроля, а всеобъемлющее ведение журналов имеет решающее значение для наблюдаемости и аудита всех действий, управляемых ИИ.
Компании часто нуждаются в преобразовании документов в структурированные данные для рабочих процессов. Это включает извлечение правильных значений и записей для последующих систем. Длинные документы и повторяющиеся таблицы представляют собой проблемы для этого процесса. Исследователи протестировали gpt-oss-20b и gpt-oss-120b как экономически эффективные альтернативы передовым моделям. Изначально обе модели показали недостатки в охвате полей. Для повышения их производительности было исследовано дообучение под конкретную задачу. Они использовали метод извлечения, управляемый схемой, предоставляя модели текст документа и схему JSON. Для измерения точности извлечения использовались показатели точности (precision), полноты (recall) и F1-меры (F1 score). Дообучение значительно улучшило F1-меры как для gpt-oss-20b, так и для gpt-oss-120b. В то время как gpt-oss-20b показал больший относительный прирост, gpt-oss-120b достиг более высокого итогового F1-мера. Эти модели, хотя и не сравнились с передовыми моделями, продемонстрировали ценность дообучения под конкретную задачу. Исследование приходит к выводу, что оценка более простых подходов перед обучением и измерение производительности имеют решающее значение. Индивидуальное дообучение с помощью таких инструментов, как Foundry Interactive Training, может привести к существенным улучшениям. Окончательный выбор модели зависит от продемонстрированного качества и общих затрат на развертывание.
Microsoft Marketplace запустил 229 новых решений для облачных вычислений, ИИ и бизнес-потребностей. Accenture NewsPage оцифровывает цепочки создания стоимости "от рынка до потребителя" для дистрибьюторов. Assurance Map визуализирует организационные уязвимости и интегрируется с Microsoft Teams. Ataytis Motion добавляет анимированные диаграммы в отчеты Power BI для визуализации тенденций. Blekline Mark и Redact обеспечивают управление для ИИ-кодирующих агентов на Kubernetes. ИИ-решения Charm Security борются с мошенничеством, ориентированным на человека. CSCloudSolutions FinOps предоставляет действенные сведения из счетов Azure. Digital Gov DMS — это решение для управления документами для государственного сектора. Dimension Management Transact упрощает управление измерениями в Dynamics 365 Business Central. Dropbox Sign интегрирует подписание документов в Dynamics 365 Business Central. Elsagility оптимизирует управление рабочими процессами для клиентских счетов. Humanly автоматизирует взаимодействие с кандидатами для ускорения найма. Kepion EPM — это платформа финансового планирования, разработанная для Microsoft. Keytos Shield предлагает облачную аутентификацию без паролей. Kyvoi обеспечивает непрерывный мониторинг и оценку безопасности для Microsoft 365. LFM2-24B-A2B-InsilicoMMAI-Chem — это большая языковая модель для открытия лекарств. QNSI — это квантово-ориентированная платформа безопасности для управления криптографическими активами. Routebase — это платформа жизненного цикла API для оптимизации разработки. Shift Handover Log улучшает передачу смен между командами с отслеживанием задач. Simmie — это ИИ-платформа для подготовки к продажам с реалистичными симуляциями. SqlCertForge безопасно управляет сертификатами SQL Server. Symitri Prism использует собственные данные для принятия решений по кампаниям электронной коммерции. Tenant Strike — это сканер безопасности для Microsoft 365 и Azure. LG CNS предлагает частные услуги GPU для ИИ-инфраструктуры на Azure. ThePoint предоставляет веб-части SharePoint для быстрого создания интранета. Titan SFTP Server на AKS предлагает безопасную передачу файлов. V-Track централизует управление жизненным циклом обеспечения для банков. VeriForm Health генерирует синтетические наборы медицинских данных для ИИ. VR Payment интегрирует платежи по QR-коду в Dynamics 365 Business Central. Your DMARC Exposed упрощает анализ отчетов DMARC. Zentrix Advanced Gantt предоставляет расширенное планирование проектов в Power BI.
Стратегии периферийных вычислений и ИИ сливаются, поскольку рабочие нагрузки ИИ становятся все более распределенными по производительным устройствам. Руководители ИТ-отделов теперь должны учитывать, как решения по выбору устройств влияют на будущие платформы ИИ. Корпоративный ИИ был сосредоточен на платформах, моделях и облачных сервисах, но ИИ-ПК выводят конечные точки на передний план как критически важные среды выполнения. Различные рабочие нагрузки ИИ требуют различных сред выполнения, при этом чувствительные или критичные к задержкам задачи выигрывают от локальной обработки. Облачные модели остаются идеальными для крупномасштабных или сложных задач рассуждения. Гибридный интеллект интегрирует локальные и облачные ресурсы, делая устройство активной частью платформы ИИ. Агенты, работающие в течение длительного времени и имеющие доступ к данным, еще больше усложняют архитектурные решения. Это пересечение влияет на дизайн приложений, безопасность и затраты, требуя сотрудничества между командами, отвечающими за конечные точки, безопасность и приложения. Организации могут стандартизировать устройства, предлагая при этом специализированные конфигурации для требовательных рабочих нагрузок ИИ. Существующие облачные решения ИИ могут быть расширены за счет локального вывода, распределяя обработку между устройством и облаком. Стратегии отказов и резервного копирования имеют решающее значение как для рабочих нагрузок на конечных точках, так и для облачных рабочих нагрузок, влияя на безопасность, конфиденциальность и надежность. Агентные приложения требуют контроля доступа к файлам, использования инструментов и действий в различных средах. Такие технологии, как Microsoft Execution Containers и Microsoft Agent 365, направлены на управление активностью агентов в рамках предприятия. Размещение рабочих нагрузок зависит от таких факторов, как время отклика, конфиденциальность, подключение и доступные ресурсы. Гибридные среды выполнения могут динамически направлять задачи на соответствующие локальные или облачные ресурсы в зависимости от условий в реальном времени. Разработка программного обеспечения демонстрирует это, используя облачные модели для сложных проблем и локальные модели для целевых задач. Локальное выполнение требует совместимых моделей, сред выполнения, путей приложений и достаточной емкости системы. Windows ML обеспечивает основу для запуска поддерживаемых моделей на различных аппаратных ресурсах. Включение локального вывода означает, что аппаратное обеспечение становится неотъемлемой частью архитектуры, влияя на производительность и затраты. Планирование устройств должно учитывать роли сотрудников и потенциальную выделенную локальную инфраструктуру. Рабочие процессы инспекции на местах и Copilot иллюстрируют гибридный интеллект, сочетая локальные и облачные возможности. Локальные рабочие нагрузки ИИ должны оцениваться в контексте общей активности устройства. Производители устройств разрабатывают аппаратное обеспечение для поддержки развивающихся ландшафтов ИИ, учитывая вычислительную мощность, ОЗУ и энергопотребление. Тестирование приложений на репрезентативном оборудовании имеет решающее значение для понимания реальной производительности и принятия обоснованных решений о размещении. Экономика локального вывода включает компромиссы между затратами на локальные вычисления и расходами на облачный вывод.
Поставщик синхронизации Cloud Files сталкивается с проблемами, когда корневой каталог синхронизации перенаправляется FSLogix в контейнер VHDX для каждого пользователя. В частности, вызовы CfExecute для передачи заполнителей завершаются с ошибкой E_INVALIDARG для определенных обратных вызовов FETCH_PLACEHOLDERS. Эти обратные вызовы запускаются при поиске по имени несуществующих дочерних элементов в каталогах-заполнителях, для которых включено заполнение по требованию и которые недавно не использовались. Однако обратные вызовы перечисления каталогов обрабатываются корректно.Эту проблему можно воспроизвести на чистых установках Windows Server 2022 и 2025 с контейнерами профилей FSLogix. Проблема не возникает, когда корневой каталог синхронизации не находится в профиле, перенаправленном FSLogix, например, на обычном томе VHDX или точке подключения, или в Windows 11. Различные уровни исправлений ОС и версии FSLogix не повлияли на воспроизводимость этой ошибки.Обходные пути включают открытие каталога с флагом FILE_LIST_DIRECTORY перед ответом на обратный вызов или отключение заполнения по требованию для каталога с помощью CfUpdatePlaceholder. В настоящее время поставщик использует обходной путь с открытием каталога. Разработчики ищут подтверждения, является ли это известной проблемой с корневыми каталогами синхронизации Cloud Files в профилях, перенаправленных FSLogix. Они предоставили скрипт PowerShell и журналы для демонстрации проблемы в общедоступном репозитории. Дополнительные сведения и информация о матрице окружения доступны на Microsoft Q&A.
Azure SQL Database обеспечивает плавное масштабирование вычислительных ресурсов без управления инфраструктурой. Операции масштабирования включают в себя не только настройку vCore, но и выделение новых вычислительных ресурсов, подготовку данных, переключение подключений и очистку старой среды. Время, затрачиваемое на масштабирование, может значительно отличаться даже для, казалось бы, идентичных изменений между двумя базами данных.Размер базы данных является ключевым фактором, поскольку большие базы данных требуют большей подготовки данных на целевых вычислительных ресурсах. Активная рабочая нагрузка на базе данных также может влиять на продолжительность масштабирования, поскольку база данных остается в сети во время подготовки целевой среды. Длительные транзакции, присутствующие во время переключения, могут задержать переход подключений и продлить операцию. Доступность ресурсов в Azure SQL также может привести к тому, что операции перейдут в состояние ожидания, что увеличит общее время.Мониторинг операций масштабирования можно осуществлять с помощью командлетов Azure PowerShell Get-AzSqlDatabaseActivity и Get-AzSqlDatabase. DMV sys.dm_operation_status предоставляет представление состояния операций, таких как PENDING и IN_PROGRESS, на стороне SQL. Столбец PercentComplete в sys.dm_operation_status обычно указывает на состояние операции, а не на детальный прогресс масштабирования.Во время масштабирования база данных остается доступной, а подключения продолжают поступать к исходным вычислительным ресурсам до переключения. Само переключение вызывает кратковременное прерывание, требующее от приложений реализации логики повторных попыток. Медленная операция масштабирования не обязательно указывает на сбой; она может добросовестно проходить сложные этапы подготовки. Устранение неполадок включает проверку точных изменений, сравнение размеров баз данных, активности рабочей нагрузки и проверку наличия длительных транзакций.
Недавняя сессия продемонстрировала, как исследовать проблемы производительности SQL, объединив Query Store и SSMS Copilot. Демонстрация включала PHP-программу, которая увеличивала размер таблицы, вызывая изменения производительности и различные планы выполнения запросов. Ключевым наблюдением стало резкое увеличение времени выполнения запроса при том же идентификаторе плана, что указывало на деградацию в рамках плана. Сессия показала, как Copilot может направлять расследования, переходя от режима "Запрос" к режиму "Агент", и как эти процессы могут быть сохранены в виде многократно используемых навыков. Query Store предоставлял исторические данные о производительности, в то время как Copilot помогал анализировать эти данные и принимать решения о дальнейших действиях. Практическая демонстрация использовала PHP-программу для имитации различных проблем производительности путем поэтапного добавления записей в таблицу. По мере увеличения объема данных планы выполнения и производительность запроса dbo.GiveNotes менялись. Детальное сравнение выявило значительное увеличение ЦП, продолжительности и логических чтений для одного идентификатора плана, даже до появления нового плана. Расследование было сосредоточено на построении временной шкалы изменений и понимании совокупного влияния факторов, влияющих на рабочую нагрузку. Взвешенные средние значения были важны для точной оценки производительности в различных интервалах и при разном количестве выполнений. Увеличение логических чтений указывало на проблемы с обработкой данных и путями доступа. Сессия исследовала три способа взаимодействия с Copilot: режим "Запрос" для управляемых вопросов, режим "Агент" для автономной диагностики и многократно используемые навыки агента для стандартизированных расследований. Был разработан пакет "SQL Performance Investigator", инструктирующий агента выявлять факторы, анализировать историю планов, проверять деградацию в рамках планов и исследовать избирательность, статистику и индексы. Предложенный индекс был оценен, но его фактическое улучшение требовало дальнейшей проверки на сопоставимой рабочей нагрузке. Основной вывод заключался в том, что понимание изменений производительности требует изучения как различий между планами, так и вариаций в истории одного плана.
Когда база данных Azure SQL испытывает проблемы с производительностью, простого анализа использования ЦП недостаточно. Запросы могут тратить большую часть времени на ожидание, а не на выполнение, даже при здоровых метриках ресурсов. Ключевой вопрос заключается в том, на что тратится прошедшее время, а не только в том, сколько ЦП используется. Использование ресурсов должно быть первоначальной контрольной точкой, а запрос к sys.dm_db_resource_stats может определить, приближаются ли пределы ЦП, ввода-вывода данных, ввода-вывода журнала, памяти или рабочих потоков. Если ресурсы не насыщены, необходимо провести анализ статистики ожидания.Шаблоны ожидания, такие как PAGELATCH_* для конфликтов в памяти или LCK_M_* для блокировок, указывают на области для дальнейшего исследования. Ожидания PAGEIOLATCH_* связаны с физическим вводом-выводом, в то время как ожидания PAGELATCH_* касаются синхронизации на страницах, уже находящихся в памяти, и могут быть вызваны высокой конкуренцией за одну "горячую" страницу. Частота выполнения запросов также значительно влияет на производительность, а не только на стоимость отдельного запроса. Query Store жизненно важен для отслеживания истории выполнения запросов, позволяя сравнивать продолжительность, использование ЦП и поведение ожидания с течением времени.Если запрос имеет большое прошедшее время, но низкое использование ЦП, исследуйте ожидания, такие как ASYNC_NETWORK_IO, которые часто указывают на то, что клиентское приложение не потребляет результаты достаточно быстро. Измерение времени до первой строки по сравнению со временем до последней строки может помочь отличить время ответа базы данных от времени потребления результатов. Постоянные блокировки, когда сеансы ожидают другой транзакции, также могут вызывать воспринимаемую медлительность, даже при низком использовании ЦП. Масштабирование базы данных может маскировать первопричину, улучшая общую доступность ресурсов, а не устраняя основной узкий проход производительности. Практический рабочий процесс включает определение временных окон инцидентов, проверку ресурсов, сравнение ЦП с прошедшим временем, выявление доминирующих ожиданий, проверку блокировок, использование Query Store, проверку планов выполнения и исследование приложения. В конечном итоге, эффективное устранение неполадок производительности Azure SQL требует понимания того, на что тратится время, а не только того, насколько загружена база данных.
В этой статье обсуждается архитектура высокой доступности (HA) для критически важных баз данных Oracle на Microsoft Azure, в частности, с использованием FlashGrid Cluster для обеспечения Oracle RAC в зонах доступности. Организации сталкиваются с выбором между Oracle AI Database@Azure, самостоятельно управляемыми одиночными экземплярами или Oracle RAC. Oracle Data Guard помогает защититься от сбоев в зонах доступности, поддерживая резервную базу данных.Oracle RAC предлагает активную-активную высокую доступность с нулевым временем простоя во время планового обслуживания и почти нулевым целевым временем восстановления (RTO) при неожиданных сбоях, превосходя Data Guard для критически важных систем высокой доступности. Azure рекомендует развертывание нескольких виртуальных машин в разных зонах доступности для обеспечения 99,99% SLA по времени безотказной работы. Предлагаются два варианта развертывания Oracle RAC в нескольких зонах доступности: два кластера RAC с репликацией Data Guard или один кластер RAC, охватывающий две или три зоны доступности.Вариант А, два кластера RAC с Data Guard, дублирует ресурсы, увеличивая затраты и сложность эксплуатации. Он также вводит время переключения при сбое Data Guard, что влияет на SLA по времени безотказной работы. Вариант B, один кластер RAC в нескольких зонах доступности, предлагает те же возможности высокой доступности, что и локальный кластер RAC, плюс защиту от сбоев в зонах доступности. FlashGrid Cluster упрощает это сложное развертывание с помощью автоматизированных шаблонов Azure Resource Manager и предварительно протестированных компонентов.Развертывание занимает всего 30-90 минут, что быстрее и проще, чем типичные локальные развертывания Oracle RAC. Задержка сети между зонами доступности Azure обычно составляет менее 1 мс, что не оказывает критического влияния на большинство рабочих нагрузок. Для чувствительных к задержкам операций Cache Fusion предпочтительный экземпляр базы данных может минимизировать трафик между узлами.Ни один из вариантов не обеспечивает полного решения для аварийного восстановления; для региональных сбоев требуется стратегия аварийного восстановления в нескольких регионах, обычно с использованием асинхронного Data Guard или Oracle GoldenGate. FlashGrid Cluster автоматизирует инфраструктуру для Oracle RAC в нескольких зонах доступности на Azure, предлагая быстрое восстановление, поддержку планового обслуживания и защиту от сбоев в зонах доступности без дублирования кластеров или использования Data Guard FSFO. FlashGrid Cluster доступен на Microsoft Marketplace, с производственными развертываниями с 2017 года.
Этот документ исследует типизированные интерфейсы принятия решений в стиле Jev для ускорения рабочих процессов приложений, уделяя особое внимание семантическому пониманию, ведущему к структурированным действиям. Он подчеркивает, как модели могут принимать быстрые, ограниченные решения в таких приложениях, как обработка заказов, в отличие от традиционных правил для явных ограничений и больших моделей для открытых задач. Основная концепция заключается в использовании малых языковых моделей (SLM) для частых, локализованных решений, приближая принятие решений к действию. Этот подход выгоден для вертикальных приложений и воплощенных систем, где решающее значение имеют решения о намерениях на уровне задач с низкой задержкой.Архитектура подчеркивает разделение труда: большие модели для открытых задач, малые модели для ограниченных семантических решений и детерминированный код для ограничений. Документ подробно описывает процесс дообучения общего компонента принятия решений с использованием Qwen3.5-0.8B, применяя дообучение LoRA и экспорт в ONNX. Этот рабочий процесс служит конкретным путем от данных к развертываемой возможности принятия решений, фокусируясь на обучении ограниченных выборов, а не на длинных ответах.Предварительная обработка расширяет каждый вопрос в обучающие примеры, гарантируя, что типы решений, такие как выбор, отсутствие ответа и оценка, соответствуют конкретным выходным форматам. Рабочий процесс Olive, использующий Microsoft Olive, стандартизирует настройки дообучения и обеспечивает воспроизводимый процесс. Ключевое отличие заключается в использовании стандартного полнопоследовательного дообучения языковой модели (SFT), а не смешивания букв-кандидатов из проекта Hmm. Процесс экспорта использует ModelBuilder для упаковки базовой модели, адаптера, токенизатора и конфигурации в развертываемый блок ONNX.Навигация по границам версий и проблемам совместимости в процессе экспорта выделяется как критически важный момент обучения, подчеркивая необходимость надежного управления версиями. Тестирование включает два этапа: обеспечение работоспособности модели и проверка того, что ее решения могут быть использованы приложением. Это включает извлечение вероятностей из логитов букв-вариантов для интерпретации выходных данных модели как распределений для типов "выбор", "отсутствие ответа" и "оценка", обеспечивая меру концентрации, а не калиброванной точности.
Этим утром, после включения компьютера, он работал необычно медленно. Во время перезагрузки система зависла, поэтому я нажал и удерживал кнопку питания, чтобы принудительно выключить ее. После перезапуска система работала нормально, но я заметил, что большинство встроенных функций поиска Windows не работали должным образом: поле поиска исчезло, не реагировало или не принимало ввод текста. Сначала я подозревал, что случайно удалил какой-то компонент с помощью RevoUninstaller два месяца назад, но до этого система перезагружалась нормально. Кроме того, некоторые системные приложения работают некорректно и очень долго открываются. Я уже пробовал запустить средство устранения неполадок и выбрать опцию "Вернуть компьютер в исходное состояние" (сохранив мои файлы), но ни одно из них не решило проблему. Характеристики: ЦП: AMD Ryzen 9 9900X ОЗУ: 32 ГБ Видеокарта: NVIDIA RTX 5080 (16 ГБ), AMD Radeon Graphics Хранилище: 209 ГБ занято / 1,82 ТБ всего ОС: 64-разрядная Windows 11, Идентификатор продукта: 00342-22935-85203-AAOEM
На компьютере пользователя с Windows 11 под пунктом "создать точку восстановления" отображается "WinRETools (отсутствует)", статус, появившийся несколько лет назад, несмотря на отсутствие манипуляций с системными файлами. Это указывает на проблему с средой восстановления Windows (WinRE). Похоже, что необходимый файл winre.wim отсутствует в каталоге восстановления на диске C. Пользователь пытался извлечь winre.wim из ISO-образов Windows 11. Однако загруженные ISO-образы для английского (США) и английского (Великобритания) не соответствуют региональной настройке английского (Австралия) на компьютере пользователя, что, по данным веб-поиска, является проблемой. Несмотря на это несоответствие языков, пользователь продолжил попытки найти install.wim в ISO-образах. После извлечения или открытия install.wim с помощью программы для распаковки zip, критически важный файл winre.wim не был найден. Эта невозможность найти winre.wim в ISO-образах мешает пользователю решить проблему отсутствия WinRETools. Пользователь обеспокоен тем, что в случае сбоя компьютера восстановление или пересборка из ISO-образа будет невозможна из-за отсутствия файла winre.wim. Он ищет решение для восстановления функциональности WinRE на своем компьютере.
Сотрудничество развивается, включая команды человека и агента, что требует от агентов лучшего понимания контекста команды. Copilot совершенствуется для поддержки этих команд, с новыми функциями, позволяющими агентам получать доступ к базе знаний команды в SharePoint и управлять ею. Эта база знаний будет консолидировать информацию из различных источников, таких как электронные письма, сообщения и файлы, делая ее доступной как для людей, так и для агентов. Юридические, инженерные и отделы продаж уже видят преимущества от этой консолидированной информации. Copilot будет преобразовывать необработанный контент в организованную базу знаний, улучшая время ответа агентов и эффективность. SharePoint будет служить центральным узлом для этой контекстной информации. Эта база знаний теперь развертывается для предварительных арендаторов. Будущие обновления расширят ее доступность и интеграцию с другими инструментами Microsoft. Компания стремится преобразовывать контент в полезные знания для совместной работы человека и агента. Недавние обновления также включают улучшенные инструменты управления для контента на базе ИИ.
Партнеры Microsoft предлагают транзакционные решения, которые можно приобрести через Microsoft Marketplace. NiaShield AI Control Plane от Heaviside AI позволяет сотрудникам регулируемых отраслей безопасно использовать модели ИИ. NiaShield развертывается в подписках Azure, работая в энергонезависимой памяти, чтобы гарантировать отсутствие сохранения данных после сеанса. Пользователи могут выбирать и переключаться между различными поставщиками моделей ИИ во время установки. OneTrust предоставляет платформу для управления использованием данных в развертываниях ИИ, онбординге поставщиков и запуске продуктов. Она помогает выявлять риски в соответствии с глобальными стандартами, балансируя инновации с соблюдением нормативных требований. NKUSI-IT предлагает услуги по созданию контента для систем управления обучением (LMS), чтобы максимизировать инвестиции в эти системы. Эти услуги преобразуют традиционные материалы в цифровые курсы с богатым мультимедийным содержанием. Процесс включает разработку технологического стека, соответствующего стандартам, и создание видео-, аудио- и анимационных ресурсов. NKUSI-IT также разрабатывает интерактивные учебные модули, соответствующие стандарту SCORM.
Боб Уорд представил sqlsimtools — новый набор инструментов для симуляции рабочей нагрузки с открытым исходным кодом для различных SQL-платформ. Этот проект представляет собой современное переосмысление старого инструмента ostress.exe, который сыграл важную роль в воспроизведении проблем клиентов для SQL Server. Sqlsimtools призван революционизировать способы тестирования и понимания производительности SQL-сред пользователями. Он поддерживает SQL Server 2019, 2022 и 2025, а также Azure SQL Database, Azure SQL Managed Instance и базы данных SQL в Microsoft Fabric. Публичная предварительная версия включает три основных компонента: sqlsim — нативный инструмент командной строки; sqlpysim — альтернатива на основе Python; и sqlsim Studio — браузерное приложение для настройки и мониторинга. Пользователи могут создавать пользовательские эталонные тесты, стресс-тесты и воспроизводить записанную активность SQL Server. Инструменты предлагают гибкую аутентификацию и могут работать на Windows, Linux и macOS. Sqlsimtools также облегчает проведение экспериментов «до и после» для детального сравнения производительности. Автоматизация рабочей нагрузки поддерживается через результаты в формате JSON и потоки событий в реальном времени. Проект поощряет интеграцию с ИИ-агентами для создания рабочей нагрузки. Заинтересованные пользователи могут найти его по адресу aka.ms/sqlsimtools и внести свой вклад через GitHub.
Категории — это удобный способ помечать письма в папке "Входящие" по теме. Они облегчают группировку и последующий поиск сообщений, избавляя от необходимости вручную перемещать письма в папки, посвященные конкретным темам. Однако, когда создано много категорий, назначение одной из них сообщению становится неудобным: списком категорий трудно управлять, и я не могу искать внутри меню категорий. Поле поиска в этом меню значительно облегчило бы поиск и применение нужной категории. У меня также есть вопрос о правилах. В нашей корпоративной среде Outlook подключается к локальным службам, и правила на стороне сервера важны, поскольку они продолжают работать, когда я работаю из дома без VPN. По моему опыту, я не могу создать правило на стороне сервера, которое назначает категорию. В результате правило, использующее категории, похоже, работает только тогда, когда Outlook открыт и подключен. Может ли назначение категорий быть добавлено как опция для правил на стороне сервера в новом Outlook для Mac? И может ли функция поиска быть добавлена в выборщик категорий? Также было бы полезно узнать, зависят ли эти ограничения от версии Outlook или конфигурации почтового ящика/сервера.