Le guide essentiel pour créer un socle de données pour l’IA agentique

La plupart des organisations investissent dans l’IA pour gagner en efficacité au travail. Beaucoup ont déjà mis en œuvre l’IA générative dans une certaine mesure et envisagent maintenant l’étape suivante : automatiser des flux de travail complexes grâce à l’IA agentique.

La réussite de l’IA agentique dépend de nombreux facteurs, mais aucun n’est peut-être aussi important que votre socle de données : la préparation de l’architecture, les processus et les mécanismes qui permettent aux agents d’IA de votre organisation d’exploiter des données de haute qualité de manière sûre et efficace.

Contrairement aux flux de travail de données traditionnels, fondés sur des schémas de requête et de réponse, les agents d’IA peuvent raisonner, planifier et exécuter des tâches complexes de manière autonome pour atteindre des objectifs prédéterminés avec une supervision humaine minimale. Pour obtenir les meilleurs résultats escomptés, les agents d’IA doivent découvrir des données de haute qualité et y accéder. Ils doivent disposer du contexte, de la mémoire et de la latence appropriés pour fournir rapidement des résultats pertinents, et comme ils peuvent agir de manière autonome sur de grandes quantités de données, la gouvernance des données est essentielle.

La préparation de votre socle de données pour l’IA agentique est un processus progressif qui ne nécessite pas de repartir de zéro. Vous pouvez partir de votre situation actuelle et évaluer les limites de vos capacités au fur et à mesure de la création de votre socle. La mise en œuvre d’agents d’IA à partir de votre situation actuelle peut vous aider à déterminer dans quels domaines investir en priorité. 

Ce guide s’articule autour des questions essentielles qui vous aideront à comprendre ce dont les agents d’IA ont besoin dans un socle de données.

Les données sont très souvent réparties entre différentes unités opérationnelles, des systèmes hérités et des plateformes de fournisseurs. Cela résulte généralement de décisions d’achat décentralisées, des besoins distincts des unités opérationnelles et d’une croissance rapide. Cependant, cette situation crée des silos de données dont l’élimination peut être coûteuse et complexe. Et comme les systèmes sous-jacents sont conçus pour prendre en charge des schémas d’accès précis et définis, leur mise à l’échelle pour gérer la charge supplémentaire des agents d’IA devient difficile. Les socles de données reposant sur des normes ouvertes permettent aux organisations de rendre leurs données accessibles aux agents d’IA à grande échelle tout en intégrant la flexibilité future à leur architecture globale.

Formats de table ouverts

Les formats de table ouverts (OTF) comme Apache Iceberg apportent aux lacs de données des fonctionnalités similaires à celles des bases de données, notamment les transactions ACID et la possibilité de faire évoluer les structures de données. Surtout, les OTF permettent l’interopérabilité : tout outil, moteur ou agent d’IA compatible peut exploiter les mêmes données en toute sécurité, sans reformatage ni duplication. C’est d’autant plus important que les agents d’IA utilisent plusieurs moteurs et outils pour exécuter des flux de travail. 

Les formats de table ouverts constituent également le fondement des architectures de lake house, qui associent des lacs de données basés sur les OTF à une couche de gouvernance centralisée, leur permettant ainsi de fonctionner comme des entrepôts de données. Les architectures de lake house sont flexibles, peuvent être mises à l’échelle et offrent un système unifié pour stocker et traiter les données. Elles facilitent le regroupement des jeux de données selon des modèles reproductibles, souvent appelés produits de données, avec une large compatibilité avec les outils d’analytique et des contrôles d’accès centralisés.

Logiciels open source

Les technologies open source comme PostgreSQL pour les données transactionnelles, Apache Kafka pour la diffusion de données, Apache Spark pour le traitement des données et OpenSearch pour la recherche fournissent aux organisations des composants éprouvés et largement adoptés. Comme ces technologies reposent sur des normes ouvertes soutenues par une large communauté, les agents d’IA disposent d’un ensemble plus vaste de code, de documentation et d’autres informations accessibles au public pour les aider à prendre des décisions plus précises.

Protocoles ouverts

Les protocoles ouverts offrent aux agents d’IA un moyen standardisé d’interagir entre eux et avec le monde qui les entoure. Le protocole de contextualisation des modèles (MCP) connecte les agents d’IA à des sources de données externes, à des outils et à des API, afin qu’ils puissent récupérer du contexte et agir. Le protocole Agent2Agent (A2A) permet aux agents d’IA créés à l’aide de différents frameworks de communiquer entre eux. Ensemble, ces protocoles permettent à un agent d’IA de puiser dans plusieurs sources au cours d’une chaîne de raisonnement et de déléguer des tâches à d’autres agents d’IA.

Les agents d’IA doivent pouvoir trouver les données adaptées à leur cas d’utilisation et s’appuient souvent sur différents types de données au sein d’un même flux de travail. Il peut s’agir de données structurées, comme les dossiers clients, les transactions et les niveaux de stock, de données semi-structurées stockées dans des fichiers HTML, JSON ou XML, et de données non structurées comme les documents, les tickets de support ou les archives d’e-mails. Lorsque les données sont réparties entre différents systèmes et formats, les agents d’IA doivent pouvoir localiser et évaluer chacune d’elles. 

Les catalogues de données jouent un rôle important pour aider les agents d’IA à découvrir les données à leur disposition, leur signification et leur emplacement de stockage. Les catalogues de données contiennent des métadonnées, c’est-à-dire des informations descriptives sur les données, notamment leurs schémas, leurs types, leur traçabilité, leur fraîcheur et leur propriété. Ces informations sont particulièrement importantes pour aider les agents d’IA à comprendre quelles données sont contenues dans une source. 

Lorsqu’une organisation gère plusieurs catalogues pour des raisons de performance, de conformité ou d’activité, la fédération de catalogues permet aux agents d’IA de découvrir les données stockées dans différents systèmes. Certaines organisations vont plus loin en regroupant les données structurées, semi-structurées et non structurées dans une couche de stockage unique. Cela simplifie la découverte en réduisant le nombre d’emplacements à explorer pour les agents d’IA et en leur offrant une méthode cohérente pour trouver et évaluer les différents types de données.

Avant que les agents d’IA puissent utiliser efficacement les données, celles-ci doivent souvent être nettoyées, enrichies et transformées. Les données brutes peuvent contenir des formats incohérents, des valeurs manquantes ou des enregistrements redondants qui nuisent à la capacité d’un agent d’IA à raisonner avec précision. Si les agents d’IA peuvent effectuer une partie de la préparation des données lors de l’exécution, les outils de transformation des données et les pipelines assurent cette préparation de manière fiable à grande échelle. Les pipelines de transformation des données pour l’IA agentique peuvent également inclure la génération de vecteurs par vectorisation, le découpage en fragments pour la génération à enrichissement contextuel (RAG), la génération et l’enrichissement de métadonnées, ainsi que des contrôles de qualité des données. 

 Une architecture de données en couches peut servir à préparer des données de haute qualité et approuvées pour l’IA. Souvent mise en œuvre dans des lake houses où les OTF fournissent les garanties transactionnelles nécessaires pour maintenir la cohérence entre les couches, cette approche organise les données en zones selon leur degré de préparation à l’utilisation : une zone brute pour les données telles qu’elles arrivent des systèmes sources, une zone nettoyée pour les données validées et standardisées, et une zone organisée avec des jeux de données prêts pour les usages métier et optimisés pour une utilisation en aval. Cela fournit une méthode structurée pour nettoyer les données et les façonner selon l’usage prévu.

De nombreux agents d’IA dépendent de l’accès à des données de haute qualité qui reflètent les conditions actuelles. La connexion directe à une base de données opérationnelle est un moyen de garantir qu’un agent d’IA dispose des mêmes informations à jour que celles utilisées par vos applications. Pour les cas d’utilisation qui dépendent de plusieurs sources de données en temps quasi réel, ou lorsque l’accès direct à une base de données opérationnelle compromet les performances ou la sécurité, des pipelines de diffusion peuvent ingérer en continu les événements et les mises à jour au fur et à mesure qu’ils se produisent. Les pipelines de diffusion utilisent des processus de capture des modifications de données (CDC) pour recueillir les modifications des bases de données opérationnelles et les publier dans un flux d’événements, où d’autres systèmes en aval peuvent les exploiter, souvent en quelques millisecondes. 

Avant de transmettre les données de diffusion à un agent d’IA, les organisations devraient envisager d’appliquer des règles de nettoyage déterministes aux événements de données entrants. Ces règles peuvent détecter rapidement les problèmes de qualité majeurs et fonctionner conjointement avec des agents d’IA capables de repérer des problèmes de qualité plus subtils dans les données non éliminées par les règles déterministes.

La mise en œuvre de la gouvernance des données et de l’IA est une première étape essentielle pour permettre aux agents d’IA d’exploiter des données de haute qualité de manière sûre et sécurisée. La gouvernance est particulièrement importante pour les agents d’IA, car ils découvrent des données et y accèdent de manière dynamique pour prendre des décisions, ce qui accroît le risque d’exposer des données sensibles ou d’accéder à des ressources au-delà du périmètre prévu en l’absence de contrôles appropriés. 

Sensibilité des données et gestion des accès

De manière générale, et particulièrement dans les environnements fortement réglementés, les données devraient faire l’objet d’un audit de sensibilité et être balisées et classées de manière appropriée, tandis que les informations hautement sensibles devraient rester dans des environnements sécurisés. La gestion des accès doit suivre le principe du moindre privilège : l’accès ne doit être accordé qu’aux informations nécessaires pour accomplir une tâche. Tous les rôles et toutes les autorisations d’accès accordés devraient être étroitement surveillés et révocables pour assurer la sécurité à grande échelle.

Audit, traçabilité et observabilité

Des pratiques de gouvernance efficaces sont particulièrement importantes pour l’audit et la conformité, qui exigent souvent de conserver une trace des actions effectuées et de pouvoir expliquer les raisons des décisions prises. Le suivi de la traçabilité permet de rendre compte des actions en enregistrant les données consultées et les transformations qu’elles ont subies. Il devient ainsi possible d’auditer le parcours de données suivi par un agent d’IA. L’observabilité complète la traçabilité en surveillant le comportement d’un agent d’IA en temps réel, en suivant les actions qu’il effectue, en détectant les anomalies et en signalant les violations des politiques.

Qualité des données

De solides pratiques de gouvernance des données créent les conditions nécessaires pour maintenir une qualité élevée des données. Alors que la gouvernance garantit la mise en place des processus et des politiques appropriés pour gérer efficacement l’accès aux données, la qualité des données désigne l’exactitude, la fiabilité et l’utilité des données elles-mêmes. Pour les agents d’IA qui exécutent de manière autonome des chaînes de raisonnement en plusieurs étapes, une mauvaise qualité des données peut entraîner des erreurs en cascade. Les organisations qui évaluent leur socle de données pour l’IA agentique devraient envisager de mettre en œuvre un cadre de qualité des données couvrant des dimensions essentielles comme l’exhaustivité, la cohérence, l’exactitude, la pertinence et l’actualité des données au regard de chaque cas d’utilisation. 

Sécurité et responsabilité

À mesure que les agents d’IA prennent des décisions de façon plus autonome, la sécurité du socle de données sous-jacent devient encore plus essentielle. Les organisations devraient s’assurer que l’infrastructure, les données et les modèles d’IA sont protégés contre les accès non autorisés et les attaques malveillantes grâce au chiffrement, à l’isolation du réseau, aux contrôles d’accès et à la détection des menaces. 

Il est tout aussi important de veiller à ce que les agents d’IA agissent de manière responsable. Les barrières de protection en matière de confiance contribuent à réduire le risque que les agents d’IA génèrent des contenus préjudiciables ou de fausses informations, exposent des informations sensibles et renvoient des hallucinations. Ces mesures de protection peuvent aider les organisations à déployer des agents d’IA tout en respectant les normes réglementaires et éthiques.

Bien que les agents d’IA puissent fonctionner à partir des seules connaissances générales, la plupart des organisations tirent davantage de valeur de leur personnalisation avec un contexte propre à l’organisation. Cela aide les agents d’IA à prendre de meilleures décisions au sein de l’entreprise, à disposer d’informations plus à jour et à réduire les hallucinations. 

Les données propres au domaine utilisées pour personnaliser les agents d’IA se trouvent généralement dans des bases de connaissances. La génération à enrichissement contextuel consiste à récupérer des informations dans ces bases de connaissances et à enrichir les prompts d’un grand modèle de langage (LLM), afin que les agents d’IA puissent générer des réponses plus à jour et plus pertinentes. Les implémentations de la génération à enrichissement contextuel reposent généralement sur des vectorisations, c’est-à-dire des représentations numériques sous forme de vecteurs qui capturent le sens sémantique de contenus comme les documents, les images et les articles de support. Plutôt que de rechercher des correspondances exactes de mots-clés, la récupération fondée sur les vectorisations trouve des contenus similaires sur le plan contextuel, permettant aux agents d’IA de raisonner sur de vastes quantités de connaissances de l’organisation stockées dans des sources autrement difficiles à interroger.

Les couches sémantiques complètent la génération à enrichissement contextuel en aidant les agents d’IA à comprendre la logique métier. Elles définissent les relations entre les tables, les métriques métier et une terminologie commune, afin que les agents d’IA interprètent des termes comme « chiffre d’affaires » ou « client actif » de manière cohérente d’une équipe à l’autre. Les couches sémantiques peuvent être créées à partir d’ontologies et de graphes de connaissances, de modèles dimensionnels, de relations entre tables et de définitions de métriques qui représentent les métriques, la logique et leurs interconnexions, traduisant ainsi les intentions en définitions métier.

Le contexte aide les agents d’IA à prendre des décisions pertinentes dans le présent, tandis que la mémoire les aide à comprendre leur passé. Les LLM sont sans état : chaque requête arrive sans aucun souvenir de ce qui l’a précédée. Sans une architecture de mémoire supplémentaire, les agents d’IA ne peuvent ni raisonner, ni s’adapter, ni se coordonner, et risquent de gaspiller du temps et des ressources à retrouver sans cesse les mêmes réponses. Comme les agents d’IA fonctionnent en boucle (raisonner, agir, mémoriser, recommencer), la mémoire évite les tâches redondantes et assure une progression cohérente d’une itération à l’autre. Ensemble, le contexte et la mémoire font passer les agents d’IA du statut de systèmes éphémères limités à un seul tour de conversation à celui de systèmes qui accumulent de l’expertise au fil du temps.

La mémoire agentique s’inscrit dans un continuum. La mémoire à court terme se situe à gauche et est consultée constamment et à grande vitesse. La mémoire à moyen terme se situe au centre et est consultée à l’aide d’outils lorsque l’agent en a besoin. La mémoire à long terme se situe à droite, est configurée rarement et s’apparente davantage à une infrastructure. Chaque type présente des schémas d’accès, des exigences de latence et des responsabilités de gestion des données distincts.

Mémoire à court terme

Il s’agit de la mémoire de travail de l’agent, analogue à la RAM. Elle contient le tour de conversation en cours, le dernier résultat d’outil, l’étape active d’un flux de travail en plusieurs étapes et l’état transitoire qui est réinitialisé une fois la tâche terminée. Les frameworks comme Strands Agents et LangGraph gèrent généralement cette couche pour vous, mais le stockage sous-jacent doit offrir une latence de lecture de l’ordre de la microseconde, car l’agent accède fréquemment à cette mémoire, même au cours d’une seule interaction. 

La mémoire à court terme s’étend également à l’état partagé entre les agents d’IA. Lorsque plusieurs agents d’IA se coordonnent pour accomplir une tâche, un système de fichiers partagé leur permet d’échanger des résultats intermédiaires et de maintenir des points de contrôle avec un accès à faible latence.

Mémoire à moyen terme

Il s’agit de la couche la plus étroitement liée aux outils et aux systèmes de données existants, notamment les lacs de données, les catalogues et les bases de connaissances. Elle englobe les faits, les relations et les expériences qu’un agent d’IA récupère au moyen d’appels d’outils pendant l’exécution, et concentre l’essentiel du travail de préparation des données. Elle comprend les éléments suivants : 

• La mémoire sémantique contient des connaissances structurées sur des faits, des concepts et des relations, indépendamment du moment et du lieu où ces connaissances ont été acquises. Il s’agit de la base de connaissances intemporelle que les agents d’IA utilisent pour raisonner sur des situations inédites sans devoir retrouver les réponses à partir des principes fondamentaux. Les bases de données, les magasins de vecteurs, les graphes de connaissances et les entrepôts de données servent tous de backends à la mémoire sémantique. 

• La mémoire des profils utilisateur capture l’identité persistante de la personne que l’agent d’IA assiste, notamment ses préférences, ses styles de communication, ses choix passés et les attributs accumulés qui personnalisent le comportement d’une session à l’autre. 

• La mémoire épisodique contient un enregistrement horodaté d’événements et d’interactions précis. Là où la mémoire sémantique est abstraite, la mémoire épisodique est concrète. Elle permet aux agents d’IA de se rappeler qu’une approche particulière a échoué dans un système précédent et de s’adapter en conséquence. C’est ce qui permet aux agents d’IA de s’améliorer au fil du déploiement, plutôt que de nécessiter un réentraînement constant. Les journaux de session, les historiques d’interactions et les magasins d’événements alimentent tous la mémoire épisodique. 

La distinction essentielle avec la mémoire à court terme est que la mémoire à moyen terme se trouve en dehors de la fenêtre de contexte et qu’elle est consultée à l’aide d’outils. L’agent d’IA décide quand il a besoin d’informations et appelle l’outil approprié : les sources de données doivent donc pouvoir être découvertes et être suffisamment réactives pour assurer la poursuite de la boucle de raisonnement. 

Mémoire à long terme

C’est la couche qui change le moins souvent et qui façonne fondamentalement la perception qu’un agent d’IA a de lui-même ainsi que ses décisions. La mémoire à long terme comprend les prompts système, les barrières de protection, les définitions du persona de l’agent d’IA et les routines procédurales. Lorsqu’un agent d’IA est créé pour jouer le rôle d’un agent de souscription d’assurance, cette instruction est stockée ici, avec les règles, les contraintes et les limites comportementales qu’il doit respecter. Cette couche englobe également la mémoire procédurale, qui encode les compétences et les routines donnant à l’agent d’IA des connaissances opérationnelles intégrées, sans qu’il ait à réfléchir à chaque étape. Les artefacts de mémoire à long terme peuvent être gérés selon le modèle de l’infrastructure en tant que code et stockés dans des référentiels de code avec contrôle de version, des systèmes de gestion de configuration ou des magasins clé-valeur.

Les flux de travail des applications traditionnelles suivent des parcours fixes et déterministes. Lorsqu’un utilisateur accomplit une tâche, la même séquence de requêtes est exécutée sur une base de données. Cela rend prévisibles l’ajustement des index, la mise en cache des résultats et les prévisions de capacité. Un agent d’IA peut toutefois suivre un parcours différent chaque fois qu’il accomplit la même tâche, en choisissant des requêtes différentes selon son raisonnement sur les résultats intermédiaires. Cette variabilité rend plus difficiles l’anticipation de la charge et l’optimisation efficace des schémas de requête.

Dans certains cas, un cache sémantique peut y remédier. Le cache renvoie les réponses stockées pour des requêtes sémantiquement similaires au lieu de déclencher un nouvel appel. Cela peut réduire les coûts, améliorer les performances et accroître le débit des applications agentiques.

Pour mieux répondre à l’imprévisibilité des agents d’IA, l’infrastructure sous-jacente devrait être conçue pour se mettre à l’échelle automatiquement. Les architectures sans serveur évitent de devoir préallouer des ressources ; plutôt que de dimensionner l’infrastructure pour une capacité maximale, les ressources sont mises à l’échelle à la hausse ou à la baisse selon la demande, sans intervention manuelle. C’est particulièrement important pour les agents d’IA, dont l’activité peut connaître des pics soudains. L’activité peut brusquement augmenter lorsque des tâches sont lancées, que des outils sont appelés ou que les flux de travail s’étendent, puis retomber à zéro. Comme la capacité sans serveur est disponible à la demande, les ressources sont moins gaspillées et les organisations ne paient que ce qu’elles consomment.

Outre le provisionnement sans serveur pour répondre à la demande, les organisations devraient privilégier une infrastructure à haute disponibilité, avec basculement automatique et redondance, pour assurer une durée de fonctionnement ininterrompue. Une fois ces éléments en place, la défaillance d’un seul composant n’empêche pas un agent d’IA de mener son travail à bien. 

La préparation de votre socle de données pour l’IA agentique est peut-être le projet le plus important que vous entreprendrez au cours de cette décennie. Les questions de ce guide correspondent aux capacités essentielles dont votre socle de données a besoin pour prendre efficacement en charge les agents d’IA : interopérabilité, découverte, préparation des données, gouvernance, contexte, mémoire et faible latence. Peu d’organisations disposeront dès aujourd’hui de toutes ces capacités pleinement opérationnelles, et c’est normal. La création d’un socle de données pour l’IA agentique est un processus progressif, et chaque capacité que vous renforcez amplifie la valeur que les agents d’IA peuvent apporter. AWS fournit des services sur mesure dans chacun de ces domaines pour vous aider à créer, à mettre à l’échelle et à exploiter votre socle de données pour l’IA agentique.

Depuis plus de 20 ans, des millions de clients font confiance à AWS pour fournir des services cloud sécurisés, fiables et pouvant être mis à l’échelle, avec un rapport prix/performance de pointe. Voici comment AWS prend en charge votre socle de données pour l’IA agentique.

Architecture de données ouverte

AWS adopte les normes ouvertes, car elles offrent aux clients de la flexibilité et le meilleur rapport qualité-prix. Cela inclut PostgreSQL via Amazon Aurora et Amazon Relational Database Service (Amazon RDS), Apache Kafka via Amazon Managed Streaming pour Apache Kafka (Amazon MSK), OpenSearch via Amazon OpenSearch Service, Apache Spark via Amazon EMR et Trino via Amazon Athena. AWS assure une prise en charge native d’Apache Iceberg dans l’ensemble de la pile d’analytique AWS, notamment un stockage de données tabulaires entièrement géré grâce aux tableaux Amazon S3, offrant ainsi aux agents d’IA un accès interopérable aux données analytiques sans reformatage ni duplication. AWS prend également en charge les protocoles ouverts pour les agents, notamment MCP et A2A, ce qui permet aux agents d’IA de se connecter à des sources de données, à des outils et entre eux.

« L’idée qu’une entreprise comme Amazon Web Services soutienne un produit open source et prenne en charge des aspects importants comme la haute disponibilité, la mise à l’échelle et la gestion globale des données est formidable. »  

– Raj Cheruvu, vice-président adjoint R&D, Helix ITSM chez BMC

Des services sur mesure pour chaque couche de la pile d’IA agentique

Les capacités abordées dans ce guide, de la préparation des données à la mémoire et aux performances à faible latence, nécessitent une infrastructure constamment performante à grande échelle. AWS offre une fiabilité, une capacité de mise à l’échelle et un rapport prix/performance éprouvés pour vous permettre de créer sur un socle d’excellence.

Pour contribuer à la bonne préparation des données destinées aux agents d’IA, AWS Glue assure l’intégration et la transformation des données sans serveur à grande échelle, ce qui simplifie la découverte, la préparation, le déplacement et l’intégration de données provenant de plusieurs sources. La fonctionnalité Qualité des données d’AWS Glue est un composant sans serveur et open source d’AWS Glue qui vous permet de mesurer et de surveiller la qualité des données et d’appliquer des règles de qualité directement dans les pipelines de données.

Pour les données en temps quasi réel, AWS propose une suite de services gérés permettant de créer des pipelines de données de diffusion de bout en bout. Amazon Kinesis Data Streams et Amazon MSK assurent l’ingestion de données à haut débit, le service géré Amazon pour Apache Flink fournit le traitement des flux et Amazon Data Firehose achemine les données vers leurs destinations, aidant ainsi les agents d’IA à raisonner sur des données de haute qualité et à jour à mesure que les conditions évoluent.

Pour fournir du contexte, les bases de données AWS, notamment Amazon Aurora, Amazon RDS, Amazon Neptune et Amazon ElastiCache pour Valkey, offrent une prise en charge native des vecteurs pour la récupération dans le cadre de la génération à enrichissement contextuel, permettant aux agents d’IA d’obtenir rapidement un contexte pertinent au moment de la requête. Amazon OpenSearch Service fournit un moteur de récupération open source géré pour l’IA agentique, la recherche et l’analytique. Il combine la récupération vectorielle, lexicale, hybride et agentique dans un système unique, offrant des résultats très pertinents et à faible latence à l’échelle du pétaoctet.

Comme solution privilégiant le stockage, Amazon S3 Vectors peut réduire jusqu’à 90 % le coût total du chargement, du stockage et de l’interrogation des vecteurs, rendant économiquement viables la création et la conservation de vastes jeux de données vectorielles qui améliorent la mémoire et le contexte des agents d’IA. 

« L’infrastructure d’AWS nous a fourni le socle nécessaire pour nous concentrer sur l’essentiel. Nous avons créé une IA vidéo qui raisonne comme les humains : elle comprend non seulement ce qui se passe, mais aussi pourquoi c’est important et comment les moments sont liés dans le temps. » 
– Jae Lee, PDG et cofondateur de TwelveLabs

Voir, c’est comprendre – TwelveLabs révèle au monde tout le potentiel de la vidéo grâce à S3 Vectors

La gamme de bases de données AWS couvre les trois zones du continuum de mémoire. Amazon ElastiCache pour Valkey offre la latence de l’ordre de la microseconde dont l’IA agentique a besoin pour mettre en cache les résultats des outils, préserver le contexte de session et maintenir la mémoire de travail à court terme qui permet un raisonnement cohérent en plusieurs étapes. Amazon DynamoDB gère les schémas d’écriture à forte proportion d’ajouts liés à la journalisation épisodique et au suivi de l’état des sessions, avec des lectures en moins de dix millisecondes, quel que soit le débit. Amazon Aurora et Amazon RDS  conviennent parfaitement à la mémoire à long terme, notamment pour conserver de manière persistante la progression des tâches en plusieurs étapes. Amazon Neptune fournit une mémoire sémantique et épisodique fondée sur des graphes pour parcourir les relations.

Pour permettre le partage d’état entre les agents d’IA, Amazon S3 Files offre un accès à faible latence aux données d’Amazon S3 via un système de fichiers, permettant aux agents d’échanger des résultats intermédiaires et de maintenir des points de contrôle dans les pipelines multi-agents. Ensemble, ces services couvrent tous les niveaux de latence, tous les schémas d’écriture et toutes les exigences de durabilité du continuum de mémoire, pour vous permettre de créer des architectures de mémoire qui se mettent à l’échelle sans compromis. Découvrez comment Trend Micro a créé un assistant de sécurité basé sur l’IA doté de capacités de mémoire à court et à long terme avec Amazon Neptune.

Les services de bases de données AWS sont conçus pour se mettre à l’échelle et s’adapter automatiquement aux variations des charges de travail en temps réel, ce qui les rend bien adaptés aux charges de travail variables et aux pics d’activité générés par les agents d’IA. Amazon DynamoDB et Amazon ElastiCache peuvent répondre à des centaines de millions de requêtes par seconde tout en respectant des budgets de latence allant de l’ordre de la microseconde à moins de dix millisecondes, tandis qu’Amazon Aurora se met instantanément à l’échelle avec une compatibilité totale avec PostgreSQL et MySQL, offrant les performances, la disponibilité et la capacité de mise à l’échelle des bases de données commerciales pour un dixième de leur coût.

Si votre organisation exploite des bases de données commerciales comme SQL Server ou Oracle sur site ou en autogestion sur Amazon EC2, votre parcours vers un socle de données prêt pour l’IA commence par une migration lift-and-shift vers Amazon RDS. La réussite de l’IA agentique grâce à vos patrimoines de données commerciaux explique comment Amazon RDS assure la gestion automatisée, les performances, la fiabilité et la sécurité dont les applications d’IA agentique ont besoin, tandis que l’étude d’IDC intitulée La valeur métier d’Amazon RDS présente l’impact financier d’une migration vers RDS : un retour sur investissement de 258 % sur trois ans et une amélioration mesurable de la qualité de service dans les organisations interrogées.

Un socle approuvé pour l’IA

Les agents d’IA qui découvrent des données et y accèdent de manière dynamique pour prendre des décisions autonomes nécessitent une gouvernance et une sécurité qui se mettent à l’échelle avec eux. AWS est conçue pour être l’infrastructure cloud la plus sécurisée, avec un chiffrement des données par défaut et des contrôles d’accès précis qui s’étendent aux agents d’IA. La gouvernance des données AWS garantit que seuls les utilisateurs appropriés accèdent aux données appropriées, avec des contrôles d’accès conformes aux politiques et aux normes de sécurité. Les fonctionnalités de conformité intégrées permettent de suivre l’évolution des réglementations dans le monde, tandis que des processus de vérification systématiques assurent une gestion des données soumise à une gouvernance rigoureuse, au service d’une IA approuvée. AWS s’engage à fournir des données approuvées et riches en contexte qui circulent en toute sécurité entre les personnes, les agents d’IA et les applications, même pour les charges de travail les plus sensibles.