La guía esencial para crear un fundamento de datos para la IA agéntica

La mayoría de las organizaciones invierten en IA para aumentar la eficiencia en el lugar de trabajo. Muchas han implementado algún nivel de IA generativa y ahora esperan dar el siguiente paso: automatizar los flujos de trabajo complejos con IA agéntica.

El éxito de la IA agéntica depende de muchos factores, pero quizá ninguno tan importante como el fundamento de datos: la preparación de la arquitectura, los procesos y los mecanismos que permiten a los agentes de IA de la organización trabajar de forma segura y eficaz con datos de alta calidad.

A diferencia de los flujos de trabajo de datos tradicionales que se basan en patrones de consulta y respuesta, los agentes de IA pueden razonar, planificar y ejecutar tareas complejas de forma independiente para lograr objetivos predeterminados con una supervisión humana mínima. Para obtener los mejores resultados previstos, los agentes de IA deben descubrir datos de alta calidad y acceder a ellos. Deben operar con la memoria, la latencia y el contexto correctos para ofrecer resultados relevantes con rapidez y, dado que pueden actuar de forma autónoma en grandes cantidades de datos, la gobernanza de datos es fundamental.

Preparar el fundamento de datos para la IA agéntica es un proceso evolutivo y no significa empezar desde cero. Puede comenzar desde donde se encuentra hoy y evaluar las limitaciones de sus capacidades actuales a medida que avanza. La implementación de agentes de IA en función de su estado actual puede ser de ayuda para poder priorizar en qué áreas invertir. 

Esta guía se basa en las preguntas esenciales que le permitirán comprender qué necesitan los agentes de IA de un fundamento de datos.

Con mucha frecuencia, los datos se distribuyen entre las unidades de negocio, los sistemas heredados y las plataformas de los proveedores. Esto suele ser el resultado de decisiones de compra descentralizadas, de las distintas necesidades de las unidades de negocio y del rápido crecimiento. Sin embargo, conduce a silos de datos que pueden resultar costosos y engorrosos de superar. Además, dado que los sistemas subyacentes están diseñados para manejar patrones de acceso específicos y definidos, resulta difícil escalarlos para hacer frente a la carga adicional de los agentes de IA. Los fundamentos de datos basados en estándares abiertos permiten a las organizaciones poner sus datos a disposición de los agentes de IA a gran escala y, al mismo tiempo, planificar la flexibilidad futura de su arquitectura general.

Formatos de tabla abierta

Los formatos de tabla abierta (OTF), como Apache Iceberg, brindan a los lagos de datos capacidades similares a las de las bases de datos, como las transacciones ACID y la capacidad de hacer evolucionar las estructuras de datos. Fundamentalmente, los OTF permiten la interoperabilidad, lo que significa que cualquier herramienta, motor o agente de IA compatibles pueden trabajar de forma segura con los mismos datos sin reformatear ni duplicarlos. Esto es especialmente importante porque los agentes de IA funcionan en varios motores y herramientas para completar los flujos de trabajo. 

Los formatos de tabla abierta también sustentan las arquitecturas lakehouse, que combinan lagos de datos basados en OTF con una capa de gobernanza centralizada, lo que les permite actuar como almacenamientos de datos. Las arquitecturas lakehouse son escalables, flexibles y proporcionan un sistema unificado para almacenar y procesar datos. Facilitan la consolidación de conjuntos de datos en patrones repetibles, a menudo denominados “productos de datos”, con una amplia compatibilidad con herramientas de análisis y controles de acceso centralizados.

Software de código abierto

Las tecnologías de código abierto, como PostgreSQL para los datos transaccionales, Apache Kafka para la transmisión de datos, Apache Spark para el procesamiento de datos y OpenSearch para las búsquedas, proporcionan a las organizaciones componentes básicos comprobados y ampliamente adoptados. Como estas tecnologías se basan en estándares abiertos y cuentan con un amplio apoyo de la comunidad, los agentes de IA se benefician de un conjunto más amplio de código, documentación y otra información disponibles al público para ayudarlos a tomar decisiones más precisas.

Protocolos abiertos

Los protocolos abiertos proporcionan una forma estandarizada para que los agentes de IA interactúen entre sí y con el mundo que los rodea. El protocolo de contexto para modelos (MCP) conecta a los agentes de IA con orígenes de datos, herramientas y API externos para que puedan recuperar el contexto y tomar medidas. El protocolo Agent2Agent (A2A) permite que los agentes de IA basados en diferentes marcos se comuniquen entre sí. En conjunto, estos protocolos permiten que un agente de IA pueda recurrir a varios orígenes de una cadena de razonamiento y delegar las tareas a otro agente de IA.

Los agentes de IA deben ser capaces de encontrar los datos correctos para su caso de uso y con frecuencia se basan en diferentes tipos de datos en un solo flujo de trabajo. Esto puede incluir datos estructurados, como registros de clientes, transacciones y niveles de inventario, datos semiestructurados almacenados en archivos HTML, JSON o XML, y datos no estructurados, como documentos, tickets de soporte o archivos de correo electrónico. Cuando los datos se distribuyen en diferentes sistemas y formatos, los agentes de IA deben poder localizar y evaluar cada uno de ellos. 

Los catálogos de datos desempeñan un papel importante a la hora de ayudar a los agentes de IA a descubrir qué datos están disponibles para ellos, qué significan y dónde están almacenados. Los catálogos de datos incluyen metadatos, que son información descriptiva sobre los datos, incluidos los esquemas, los tipos de datos, el linaje, la actualidad y la propiedad. Esto es especialmente importante para ayudar a los agentes de IA a entender qué datos contiene un origen. 

Cuando una organización mantiene varios catálogos por motivos de rendimiento, cumplimiento o empresariales, la federación de catálogos permite a los agentes de IA descubrir los datos almacenados en todos los sistemas. Algunas organizaciones van más allá al consolidar los datos estructurados, semiestructurados y no estructurados en una sola capa de almacenamiento. Esto simplifica el descubrimiento, pues ofrece a los agentes de IA menos lugares donde buscar y una forma uniforme de encontrar y evaluar datos de todos los tipos.

Antes de que los agentes de IA puedan utilizar los datos de forma eficaz, con frecuencia es necesario limpiarlos, enriquecerlos y transformarlos. Los datos sin procesar pueden contener formatos incoherentes, valores faltantes o registros redundantes que reducen la capacidad de un agente de IA para razonar con precisión. Si bien los agentes de IA pueden preparar algunos datos durante el tiempo de ejecución, las herramientas y las canalizaciones de transformación de datos gestionan la preparación de forma fiable y a escala. Las canalizaciones de transformación de datos para la IA agéntica también pueden incluir la generación de incrustaciones vectoriales, la fragmentación para la generación aumentada por recuperación (RAG), la generación y el enriquecimiento de metadatos y las comprobaciones de calidad de los datos. 

 Se puede usar una arquitectura de datos en capas para preparar datos fiables y de alta calidad para la IA. Este enfoque, que a menudo se implementa en lakehouses donde los OTF proporcionan las garantías transaccionales necesarias para mantener la coherencia entre las capas, organiza los datos en zonas en función de su preparación para el consumo: una zona sin procesar para los datos tal como llegan de los sistemas de origen, una zona limpia para los datos validados y estandarizados, y una zona seleccionada con conjuntos de datos listos para el negocio y optimizados para su uso posterior. Esto proporciona un método estructurado para limpiar los datos y darles forma para el uso previsto.

Muchos agentes de IA dependen del acceso a datos de alta calidad que reflejen las condiciones actuales. Conectarse directamente a una base de datos operativa es una forma de garantizar que un agente de IA vea la misma información actualizada que utilizan sus aplicaciones. En los casos de uso que dependen de varios orígenes de datos prácticamente en tiempo real, o cuando el acceso directo a una base de datos operativa pone en riesgo el rendimiento o la seguridad, las canalizaciones de transmisión se pueden utilizar para ingerir eventos y actualizaciones de forma continua a medida que se producen. Las canalizaciones de transmisión utilizan procesos de captura de datos de cambios (CDC) para capturar los cambios de las bases de datos operativas y publicarlos en un flujo de eventos donde quedan disponibles para que otros sistemas posteriores los consuman, a menudo en cuestión de milisegundos. 

Antes de pasar los datos de transmisión a un agente de IA, las organizaciones deben considerar la posibilidad de aplicar reglas de limpieza deterministas a los eventos de datos entrantes. Estas reglas pueden detectar rápidamente problemas de calidad importantes y trabajar en conjunto con los agentes de IA, que pueden detectar problemas de calidad sutiles en los datos que no se filtran mediante reglas deterministas.

La implementación de la gobernanza de los datos y la IA es un paso inicial fundamental para garantizar que los agentes de IA puedan operar de forma segura con datos de alta calidad. La gobernanza es especialmente importante para los agentes de IA, ya que descubren y acceden a los datos de forma dinámica para tomar decisiones, lo que aumenta el riesgo de exponer información confidencial o de acceder a recursos más allá del alcance previsto si no existen los controles adecuados. 

Administración de la sensibilidad de los datos y del acceso

En general, y especialmente en entornos altamente regulados, se debe auditar la confidencialidad de los datos y etiquetarlos y clasificarlos adecuadamente. La información altamente confidencial debe permanecer en entornos seguros. La administración del acceso debe seguir el principio del privilegio mínimo, lo que significa que el acceso debe concederse únicamente a la información necesaria para completar una tarea. Todos los roles y permisos de acceso otorgados deben supervisarse de cerca y ser revocables para garantizar la seguridad a gran escala.

Auditoría, linaje y observabilidad

Las prácticas de gobernanza eficaces son especialmente importantes para los fines de auditoría y cumplimiento, que a menudo requieren mantener un registro de las medidas adoptadas y poder explicar por qué se tomaron las decisiones. El seguimiento del linaje permite rendir cuentas al registrar a qué datos se accedió y cómo se transformaron. Esto permite auditar la ruta de datos que siguió un agente de IA. La observabilidad complementa el linaje al supervisar el comportamiento de los agentes de IA en tiempo real, rastrear las acciones que están tomando, detectar anomalías y señalar las infracciones de las políticas.

Calidad de los datos

Las prácticas sólidas de gobernanza de datos sientan las bases para obtener datos de alta calidad de manera uniforme. Si bien la gobernanza garantiza la implementación de los procesos y políticas correctos para administrar el acceso a los datos de manera efectiva, la calidad de los datos se refiere a la precisión, fiabilidad y utilidad de los datos en sí mismos. En el caso de los agentes de IA que operan de forma autónoma en cadenas de razonamiento de varios pasos, la mala calidad de los datos puede producir errores en cascada. Las organizaciones que evalúan su fundamento de datos para la IA agéntica deberían considerar la posibilidad de implementar un marco de calidad de los datos que aborde dimensiones fundamentales como la integridad, la coherencia, la precisión, la relevancia y la actualidad en relación con cada caso de uso. 

Seguridad y responsabilidad

A medida que los agentes de IA asumen una toma de decisiones más autónoma, la seguridad del fundamento de datos subyacente se vuelve aún más esencial. Las organizaciones deben garantizar que la infraestructura, los datos y los modelos de IA estén protegidos contra el acceso no autorizado y los ataques maliciosos mediante el cifrado, el aislamiento de la red, los controles de acceso y la detección de amenazas. 

Igualmente importante es garantizar que los agentes de IA operen de manera responsable. Las barreras de protección basadas en la confianza ayudan a reducir el riesgo de que los agentes de IA generen contenido dañino o desinformación, expongan información confidencial y produzcan alucinaciones. Estas medidas de seguridad pueden ayudar a las organizaciones a implementar agentes de IA sin dejar de cumplir las normas regulatorias y éticas.

Si bien los agentes de IA pueden operar basándose únicamente en el conocimiento general, la mayoría de las organizaciones obtienen más valor al personalizar los agentes de IA con el contexto específico de la organización. Esto ayuda a los agentes de IA a tomar mejores decisiones dentro de la empresa, a mantener su información más actualizada y a reducir las alucinaciones. 

Los datos específicos del dominio que se utilizan para personalizar los agentes de IA suelen residir en las bases de conocimiento. El RAG es el proceso de recuperar información de estas bases de conocimiento y aumentar las peticiones del modelo de lenguaje de gran tamaño (LLM) para que los agentes de IA puedan generar respuestas más actualizadas y relevantes. Las implementaciones de RAG suelen basarse en incrustaciones vectoriales, o representaciones numéricas que capturan el significado semántico del contenido, como documentos, imágenes y artículos de soporte. En lugar de hacer coincidir palabras clave exactas, la recuperación basada en incrustaciones encuentra contenido similar desde el punto de vista del contexto, lo que permite a los agentes de IA analizar grandes cantidades de conocimientos organizativos almacenados en orígenes que, de otro modo, serían difíciles de consultar.

Las capas semánticas complementan a RAG al ayudar a los agentes de IA a entender la lógica empresarial. Definen las relaciones entre tablas, las métricas empresariales y la terminología compartida, lo que garantiza que los agentes de IA interpreten términos como "ingresos" o "cliente activo" de forma coherente en todos los equipos. Las capas semánticas se pueden construir a partir de ontologías y gráficos de conocimiento, modelos dimensionales, relaciones entre tablas y definiciones de métricas que asignan las métricas, la lógica y sus interconexiones, y traducen la intención en definiciones de negocio.

El contexto ayuda a los agentes de IA a tomar decisiones relevantes en el presente, mientras que la memoria les permite entender su pasado. Los LLM no tienen estado, lo que significa que todas las solicitudes llegan sin recordar lo que ocurrió antes. Sin una arquitectura de memoria superpuesta, los agentes de IA no pueden razonar, adaptarse ni coordinarse, y corren el riesgo de perder tiempo y recursos al volver a obtener las mismas respuestas una y otra vez. Dado que los agentes de IA funcionan en bucle (razonan, actúan, recuerdan, repiten), la memoria es lo que evita el trabajo redundante y mantiene un progreso coherente en todas las iteraciones. En conjunto, el contexto y la memoria hacen que los agentes de IA pasen de ser respondedores desechables y de un solo turno a sistemas que acumulan conocimiento experto con el tiempo.

La memoria de los agentes existe de forma continua. La memoria a corto plazo se encuentra a la izquierda y se accede a ella constantemente y a gran velocidad. La memoria a mediano plazo se encuentra en el medio y se recupera mediante herramientas cuando el agente la necesita. La memoria a largo plazo se encuentra a la derecha, se configura con poca frecuencia y se trata más como una infraestructura. Cada tipo tiene patrones de acceso, requisitos de latencia y responsabilidades de administración de datos distintos.

Memoria a corto plazo

Es la memoria de trabajo del agente, análoga a la RAM. Contiene el turno de conversación actual, el resultado más reciente de la herramienta, el paso activo de un flujo de trabajo de varias etapas y el estado transitorio que se restablece una vez finalizada la tarea. Los marcos como Strands Agents y LangGraph suelen administrar esta capa por usted, pero el almacenamiento subyacente debe ofrecer una latencia de lectura de microsegundos, ya que el agente accede a esta memoria con frecuencia, incluso en una sola interacción. 

La memoria a corto plazo también se extiende al estado compartido entre los agentes de IA. Cuando varios agentes de IA coordinan una tarea, un sistema de archivos compartido les permite intercambiar resultados intermedios y mantener los puntos de control con un acceso de baja latencia.

Memoria a mediano plazo

Esta es la capa más conectada a las herramientas y sistemas de datos existentes, incluidos los lagos de datos, los catálogos y las bases de conocimiento. Abarca los hechos, las relaciones y las experiencias que un agente de IA recupera mediante llamadas a herramientas durante la ejecución y es donde se concentra la mayor parte del trabajo de preparación de los datos. Incluye lo siguiente: 

• La memoria semántica contiene un conocimiento estructurado de los hechos, los conceptos y las relaciones, independientemente de cuándo o dónde se adquirió ese conocimiento. Esta es la base de conocimiento atemporal que los agentes de IA utilizan para razonar sobre situaciones novedosas sin volver a derivar las respuestas a partir de principios básicos. Las bases de datos, los almacenes vectoriales, los grafos de conocimiento y los almacenamientos de datos sirven como backends de memoria semántica. 

• La memoria del perfil de usuario captura la identidad persistente de la persona a la que sirve el agente de IA, incluidas las preferencias, los estilos de comunicación, las elecciones pasadas y los atributos acumulados que personalizan el comportamiento entre sesiones. 

• La memoria episódica contiene un registro con marca de tiempo de eventos e interacciones específicos. Mientras que la memoria semántica es abstracta, la memoria episódica es concreta. Permite a los agentes de IA recordar que un enfoque determinado falló en un sistema anterior y hacer los ajustes correspondientes. Esto es lo que permite a los agentes de IA mejorar mediante la implementación, en lugar de tener que volver a entrenarse constantemente. Los registros de sesión, los historiales de interacciones y los almacenes de eventos alimentan la memoria episódica. 

La diferencia fundamental con la memoria a corto plazo es que la memoria a mediano plazo vive fuera de la ventana de contexto y se accede a ella a través de herramientas. El agente de IA decide cuándo necesita información y recurre a la herramienta adecuada, lo que significa que los orígenes de datos deben poder detectarse y tener la capacidad de respuesta suficiente para mantener el ciclo de razonamiento en marcha. 

Memoria a largo plazo

Esta es la capa que cambia con menos frecuencia y que determina de manera fundamental el sentido de identidad de un agente de IA y las decisiones que toma. La memoria a largo plazo incluye las peticiones del sistema, las barreras de protección, las definiciones de la personalidad del agente de IA y las rutinas procedimentales. Cuando se crea un agente de IA para desempeñar el papel de agente de suscripción de seguros, esas instrucciones, junto con las reglas, restricciones y límites de comportamiento que debe seguir, se almacenan aquí. Esta capa también abarca la memoria procedimental, que codifica las habilidades y rutinas que proporcionan al agente de IA los conocimientos operativos integrados sin tener que deliberar en cada paso. Los artefactos de memoria a largo plazo pueden administrarse como infraestructura como código y almacenarse en repositorios de código controlados por versiones, sistemas de administración de la configuración o almacenes de clave-valor.

Los flujos de trabajo de las aplicaciones tradicionales siguen rutas fijas y deterministas. Cuando un usuario completa una tarea, se ejecuta la misma secuencia de consultas contra una base de datos. Esto permite la previsibilidad en el ajuste de los índices, el almacenamiento en caché de los resultados y la previsión de la capacidad. Sin embargo, un agente de IA puede tomar un camino diferente cada vez que completa la misma tarea y elegir diferentes consultas en función de su razonamiento a partir de los resultados intermedios. Esta variabilidad hace que sea más difícil anticipar la carga y optimizar los patrones de consulta de manera eficaz.

En algunos casos, esto se puede solucionar con una caché semántica. La caché devuelve las respuestas almacenadas para solicitudes semánticamente similares en lugar de desencadenar una nueva llamada. Esto puede reducir los costos, mejorar el desempeño y aumentar el rendimiento de las aplicaciones agénticas.

Para respaldar aún más la imprevisibilidad de los agentes de IA, la infraestructura subyacente debe construirse de manera que se escale automáticamente. Las arquitecturas sin servidor eliminan la necesidad de preasignar los recursos; en lugar de dimensionar la infraestructura para obtener la máxima capacidad, los recursos escalan y se reducen verticalmente en función de la demanda sin intervención manual. Esto es especialmente importante para los agentes de IA porque el comportamiento puede ser irregular, con períodos de mucha actividad. La actividad puede aumentar repentinamente a medida que se lanzan las tareas, se llama a las herramientas o los flujos de trabajo se expanden y, después, vuelven a caer a cero. Como la capacidad sin servidor está disponible bajo demanda, se desperdician menos recursos y las organizaciones solo pagan por lo que consumen.

Además del aprovisionamiento sin servidor para satisfacer la demanda, las organizaciones deben priorizar la infraestructura de alta disponibilidad con redundancia y conmutación por error automatizadas para garantizar un tiempo de actividad continuo. Cuando esto ocurre, la falla de un solo componente no interrumpe la capacidad de un agente de IA para completar su trabajo. 

Preparar el fundamento de datos para la IA agéntica puede ser el proyecto más importante que emprenda en esta década. Las preguntas de esta guía representan las capacidades esenciales que su fundamento de datos necesita para apoyar a los agentes de IA de manera eficaz: interoperabilidad, descubrimiento, preparación de datos, gobernanza, contexto, memoria y baja latencia. Pocas organizaciones contarán con todas estas características en la actualidad, y eso es lo esperado. Crear un fundamento de datos para la IA agéntica es un proceso evolutivo, y cada capacidad que fortalezca aumenta el valor que pueden ofrecer los agentes de IA. AWS proporciona servicios personalizados en cada una de estas áreas para que pueda crear, escalar y operar su fundamento de datos para la IA agéntica.

Durante más de 20 años, millones de clientes han confiado en AWS para ofrecer servicios en la nube seguros, fiables y escalables con una relación entre precio y rendimiento líder en el sector. Así es como AWS respalda su fundamento de datos para la IA agéntica.

Arquitectura abierta de datos

AWS adopta los estándares abiertos porque brindan a los clientes flexibilidad y el mejor valor. Esto incluye PostgreSQL a través de Amazon Aurora y Amazon Relational Database Service (Amazon RDS), Apache Kafka a través de Amazon Managed Streaming para Apache Kafka (Amazon MSK) (Amazon MSK), OpenSearch a través de Amazon OpenSearch Service, Apache Spark a través de Amazon EMR y Trino a través de Amazon Athena. AWS ofrece soporte nativo para Apache Iceberg en todo el paquete de Análisis de AWS, incluido el almacenamiento de datos tabulares totalmente administrado a través de Tablas de Amazon S3, lo que brinda a los agentes de IA un acceso interoperable a los datos analíticos sin reformatear ni duplicarlos. AWS también admite protocolos de agentes abiertos, incluidos MCP y A2A, que permiten a los agentes de IA conectarse a orígenes de datos, herramientas y entre sí.

“La idea de que una empresa como Amazon Web Services respalde un producto de código abierto y se ocupe de atributos importantes como la alta disponibilidad, el escalado y la administración general de datos es muy importante.”  

—Raj Cheruvu, AVP R&D, Helix ITSM de BMC

Servicios personalizados para cada capa de la pila de IA agéntica

Las capacidades que se describen en esta guía, desde la preparación de datos hasta la memoria y el rendimiento de baja latencia, requieren una infraestructura que funcione de manera constante y a escala. AWS ofrece fiabilidad, escalabilidad y relación entre precio y rendimiento comprobadas para que pueda construir sobre una base de excelencia.

Con el fin de garantizar que los datos estén debidamente preparados para los agentes de IA, AWS Glue ofrece integración y transformación de datos sin servidor a escala, lo que facilita la detección, la preparación, el traslado y la integración de datos de varios orígenes. Calidad de datos de AWS Glue, un componente de código abierto y sin servidor de AWS Glue, le permite medir y supervisar la calidad de los datos y aplicar reglas de calidad directamente en las canalizaciones de datos.

Para obtener datos prácticamente en tiempo real, AWS ofrece un conjunto de servicios administrados que permiten canalizaciones de datos de transmisión de extremo a extremo. Amazon Kinesis Data Streams y Amazon MSK gestionan la ingesta de datos de alto rendimiento, Amazon Managed Service para Apache Flink proporciona el procesamiento de transmisiones y Amazon Data Firehose entrega los datos a sus destinos, lo que ayuda a los agentes de IA a analizar datos actuales y de alta calidad a medida que cambian las condiciones.

Para respaldar el contexto, las bases de datos de AWS, incluidas Amazon Aurora, Amazon RDS, Amazon Neptune y Amazon ElastiCache para Valkey, proporcionan soporte vectorial nativo para la recuperación de RAG, lo que brinda a los agentes de IA un contexto rápido y relevante en el momento de la consulta. Amazon OpenSearch Service proporciona un motor de recuperación administrado y de código abierto para la IA agéntica, la búsqueda y el análisis. Combina la recuperación vectorial, léxica, híbrida y agéntica en un solo sistema, lo que ofrece resultados de baja latencia y muy relevantes a escala de petabytes.

Como alternativa que prioriza el almacenamiento, Amazon S3 Vectors puede reducir el costo total de cargar, almacenar y consultar vectores hasta en un 90 %, lo que hace que sea económicamente viable crear y conservar conjuntos de datos vectoriales de gran tamaño que mejoran la memoria y el contexto de los agentes de IA. 

“La infraestructura de AWS nos dio la base para centrarnos en lo que importa. Creamos una IA de video que razona como lo hacen los humanos: entiende no solo lo que sucede, sino también por qué es importante y cómo se conectan los momentos a lo largo del tiempo”. 
—Jae Lee, director ejecutivo y cofundador de TwelveLabs

Ver es entender: TwelveLabs libera todo el potencial del video para el mundo con S3 Vectors

La cartera de bases de datos de AWS abarca las tres zonas del continuo de memoria. Amazon ElastiCache para Valkey ofrece la latencia de microsegundos que la IA agéntica necesita para almacenar en caché los resultados de las herramientas, preservar el contexto de la sesión y mantener la memoria de trabajo a corto plazo que impulsa un razonamiento coherente en varios pasos. Amazon DynamoDB gestiona los patrones de escritura con muchos anexos del registro episódico y el seguimiento del estado de las sesiones con lecturas de milisegundos de un solo dígito con cualquier rendimiento. Amazon Aurora y Amazon RDS  son ideales para la memoria a largo plazo, especialmente para conservar el progreso de tareas en varios pasos. Amazon Neptune potencia la memoria semántica y episódica basada en gráficos para analizar las relaciones.

Para permitir que los agentes de IA compartan el estado, Amazon S3 Files proporciona un acceso a los datos de Amazon S3 mediante un sistema de archivos de baja latencia, lo que permite a los agentes intercambiar resultados intermedios y mantener los puntos de control en las canalizaciones de varios agentes. En conjunto, estos servicios cubren todos los niveles de latencia, patrones de escritura y requisitos de durabilidad a lo largo del continuo de memoria, de modo que usted puede crear arquitecturas de memoria que escalen sin concesiones. Descubra cómo Trend Micro creó un asistente de seguridad de IA con capacidades de memoria a corto y largo plazo mediante Amazon Neptune.

Los servicios de bases de datos de AWS están diseñados para escalar y adaptarse automáticamente a los cambios en las cargas de trabajo en tiempo real, lo que los hace ideales para las cargas de trabajo variables e irregulares que generan los agentes de IA. Amazon DynamoDB y Amazon ElastiCache pueden responder a cientos de millones de solicitudes por segundo y, al mismo tiempo, lograr presupuestos de latencia de microsegundos a milisegundos de un solo dígito, mientras que Amazon Aurora escala instantáneamente con total compatibilidad con PostgreSQL y MySQL, lo que ofrece el rendimiento, la disponibilidad y la escalabilidad de las bases de datos comerciales a una décima parte del costo.

Si su organización ejecuta bases de datos comerciales, como SQL Server u Oracle, en las instalaciones o autoadministradas en Amazon EC2, el camino hacia un fundamento de datos preparado para la IA comienza con una migración mediante lift-and-shift a Amazon RDS. Winning Agentic AI With Your Commercial Data Estates describe cómo Amazon RDS ofrece la administración, la fiabilidad, la seguridad y el rendimiento automatizados que necesitan las aplicaciones de IA agéntica, mientras que la investigación de IDC publicada en The Business Value of Amazon RDS muestra el impacto financiero de la migración a RDS: un 258 % de ROI en tres años y una calidad de servicio considerablemente mejor en las organizaciones entrevistadas.

Un fundamento fiable para la IA

Los agentes de IA que descubren y acceden a los datos de forma dinámica para tomar decisiones autónomas requieren una gobernanza y una seguridad que escalen con ellos. AWS está diseñada para ser la infraestructura en la nube más segura, con un cifrado de datos predeterminado y controles de acceso detallados que se extienden a los agentes de IA. La gobernanza de datos de AWS garantiza que solo los usuarios correctos accedan a los datos correctos, con controles de acceso alineados con las políticas y los estándares de seguridad. Las características de cumplimiento integradas respaldan la evolución de las normativas mundiales, mientras que los procesos de verificación sistemática garantizan una gestión de datos bien gobernada para lograr una IA fiable. AWS se compromete a ofrecer datos fiables y contextuales que fluyan de forma segura entre personas, agentes de IA y aplicaciones, incluso en el caso de las cargas de trabajo más delicadas.