エージェンティック AI のデータ基盤を構築するための基本ガイド

ほとんどの組織は、職場の効率を高めるために AI に投資しています。多くの組織はある程度の生成 AI を実装しており、エージェンティック AI を使用して複雑なワークフローを自動化する次のステップを検討しています。

エージェンティック AI の成功は多くの要因に依存しますが、中でも特に重要なのがデータ基盤です。データ基盤とは、組織内の AI エージェントが高品質なデータを安全かつ効果的に活用できるようにするための、アーキテクチャの準備状況、プロセス、およびメカニズムを指します。

クエリとレスポンスのパターンで動作する従来のデータワークフローとは大きく異なり、AI エージェントは最小限の人間による監視で事前に定められた目標を達成するために、複雑なタスクを自律的に推論、計画、実行できます。意図した最良の結果を得るには、AI エージェントは高品質のデータを発見してアクセスする必要があります。適切なコンテキスト、メモリ、レイテンシーで動作して関連する結果を迅速に提供する必要があり、大量のデータに対して自律的に動作できるため、データガバナンスが不可欠です。

エージェンティック AI 用のデータ基盤の準備は段階的なプロセスであり、ゼロから始めることを意味するものではありません。現在の状態から始めて、構築しながら現在の機能の制限を評価できます。現在の状態に基づいて AI エージェントを実装することで、どの分野に投資すべきかの優先順位を付けることができます。 

このガイドは、AI エージェントがデータ基盤に何を求めているかを理解するのに役立つ重要な質問を中心に構成されています。

データは多くの場合、ビジネスユニット、レガシーシステム、ベンダープラットフォームにまたがって分散しています。これは一般的に、分散型の購買意思決定、ビジネスユニットごとの個別ニーズ、および急速な成長の結果です。しかし、その結果としてデータサイロが生じ、解消するためにコストと手間がかかる可能性があります。また、基盤となるシステムは特定の定義されたアクセスパターンをサポートするように構築されているため、AI エージェントからの追加負荷に対応するためのスケーリングが困難になります。オープンスタンダードに基づいて構築されたデータ基盤により、組織はアーキテクチャ全体の将来的な柔軟性を考慮しながら、AI エージェントがデータに大規模にアクセスできるようになります。

オープンテーブルフォーマット

Apache Iceberg などのオープンテーブルフォーマット (OTF) は、ACID トランザクションやデータ構造を進化させる機能など、データベースに似た機能をデータレイクにもたらします。重要な点として、OTF は相互運用性を実現します。つまり、互換性のあるツール、エンジン、または AI エージェントでなら、同じデータを安全に操作することができるため、再フォーマットや複製の必要がありません。これは、AI エージェントが複数のエンジンやツールにわたって動作してワークフローを完了する場合に特に重要です。 

オープンテーブルフォーマットは、OTF ベースのデータレイクを一元化されたガバナンスレイヤーと組み合わせ、データウェアハウスのように機能させるレイクハウスアーキテクチャも支えています。レイクハウスアーキテクチャはスケーラブルで柔軟性があり、データを保存および処理するための統合システムを提供します。これにより、幅広い分析ツールとの互換性と一元的なアクセス制御を備えた、データ製品と呼ばれる再利用可能なパターンにデータセットを統合しやすくなります。

オープンソースのソフトウェア

トランザクションデータ向けの PostgreSQL、データストリーミング向けの Apache Kafka、データ処理向けの Apache Spark、検索向けの OpenSearch などのオープンソーステクノロジーは、組織に広く採用されている実証済みの構成要素を提供します。これらのテクノロジーは幅広いコミュニティサポートを備えたオープンスタンダードに基づいて構築されているため、AI エージェントはより正確な意思決定に役立つ、公開されているコード、ドキュメント、その他の情報という豊富なリソースを活用できます。

オープンプロトコル

オープンプロトコルは、AI エージェントが相互に、また周囲の世界とやり取りするための標準化された方法を提供します。モデルコンテキストプロトコル (MCP) は、AI エージェントを外部のデータソース、ツール、API に接続し、コンテキストを取得してアクションを実行できるようにします。Agent2Agent Protocol (A2A) を使用すると、異なるフレームワーク上に構築された AI エージェントが相互に通信できます。これらのプロトコルを組み合わせることで、AI エージェントは推論チェーン内の複数のソースからデータを取得し、タスクを他の AI エージェントに引き渡すことができます。

AI エージェントは、ユースケースに適したデータを見つけられる必要があり、多くの場合、1 つのワークフローでさまざまなデータ型に依存しています。これには、顧客レコード、トランザクション、在庫レベルなどの構造化データ、HTML、JSON、XML ファイルに保存された半構造化データ、ドキュメント、サポートチケット、E メールアーカイブなどの非構造化データが含まれます。データがさまざまなシステムやフォーマットに分散している場合、AI エージェントはそれぞれを見つけて評価できる必要があります。 

データカタログは、AI エージェントが利用可能なデータ、その意味、および保存場所を把握するうえで重要な役割を果たします。データカタログにはメタデータが含まれます。メタデータとは、スキーマ、データ型、系統、鮮度、所有権などを含む、データに関する説明情報です。これは、AI エージェントがソースに含まれるデータを理解する上で特に重要です。 

組織がパフォーマンス、コンプライアンス、またはビジネス上の理由で複数のカタログを管理する場合、カタログフェデレーションにより、AI エージェントはシステム間に保存されているデータを検出できます。一部の組織は、構造化データ、半構造化データ、非構造化データを 1 つのストレージレイヤーに統合することで、さらに一歩進んでいます。これにより、AI エージェントが参照する場所が減り、データの種類を問わずデータを検索・評価するための一貫した方法が提供されるため、検出が簡素化されます。

AI エージェントがデータを効果的に活用するには、多くの場合、事前にデータのクリーンアップ、エンリッチメント、変換が必要です。Raw データには、一貫性のないフォーマット、欠損値、冗長なレコードが含まれる場合があり、AI エージェントの正確な推論能力を低下させる可能性があります。AI エージェントは実行時にある程度のデータ準備を実行できますが、データ変換ツールとパイプラインを使用することで、大規模な準備を確実に処理できます。エージェンティック AI 向けのデータ変換パイプラインには、ベクトル埋め込みの生成、Retrieval Augmented Generation (RAG) 向けのチャンキング、メタデータの生成とエンリッチメント、データ品質チェックなども含まれます。 

 レイヤードデータアーキテクチャを使用することで、AI 向けの高品質で信頼性の高いデータを準備できます。このアプローチは、多くの場合、OTF がレイヤー間の一貫性を維持するために必要なトランザクション保証を提供するレイクハウスに実装されます。データは消費準備状況に基づいてゾーンに整理されます。具体的には、ソースシステムから到着したデータをそのまま格納する raw ゾーン、検証済みおよび標準化されたデータ用のクリーンゾーン、ダウンストリームでの利用に最適化されたビジネス対応データセットを備えたキュレートゾーンです。これにより、データをクリーンアップし、意図した用途に合わせて整形するための体系的な方法が提供されます。

多くの AI エージェントは、現在の状況を反映した高品質のデータへのアクセスに依存しています。運用データベースに直接接続することは、AI エージェントがアプリケーションで使用される最新情報を確実に参照できるようにする方法の 1 つです。ほぼリアルタイムで複数のデータソースに依存するユースケースや、運用データベースへの直接アクセスがパフォーマンスやセキュリティにリスクをもたらす場合、ストリーミングパイプラインを使用してイベントや更新が発生した時点で継続的に取り込むことができます。ストリーミングパイプラインは、変更データキャプチャ (CDC) プロセスを使用して運用データベースから変更をキャプチャし、イベントストリームに発行します。これにより、多くの場合ミリ秒以内に他のダウンストリームシステムが利用できるようになります。 

ストリーミングデータを AI エージェントに渡す前に、受信データイベントに決定論的クレンジングルールを適用することを検討することをお勧めします。これらのルールにより、大量の品質問題を迅速に検出でき、決定論的ルールでフィルタリングされなかったデータの微妙な品質問題を把握できる AI エージェントと連携して機能します。

データおよび AI ガバナンスの実装は、AI エージェントが高品質のデータに対して安全かつセキュアに動作できることを保証するための最初の重要な手順です。ガバナンスは AI エージェントにとって特に重要です。AI エージェントはデータを動的に検出してアクセスし、意思決定を行うため、適切な制御が整っていない場合、機密データが公開されたり、意図した範囲を超えてリソースにアクセスされたりするリスクが高まります。 

データの機密性とアクセス管理

一般に、特に規制の厳しい環境では、データの機密性を監査し、適切なタグ付けと分類を行い、機密性の高い情報はセキュアな環境内に保持する必要があります。アクセス管理は最小権限の原則に従う必要があります。つまり、アクセスはタスクの完了に必要な情報にのみ付与する必要があります。付与されたロールとアクセス許可は、大規模な安全性を保証するために、厳密にモニタリングし、取り消し可能である必要があります。

監査、系統、オブザーバビリティ

効果的なガバナンスプラクティスは、監査とコンプライアンスの目的で特に重要です。多くの場合、実行されたアクションを記録し、決定の理由を説明できる必要があります。系統追跡は、アクセスされたデータと変換方法を記録することで説明責任を果たします。これにより、AI エージェントが辿ったデータパスを監査できます。オブザーバビリティは、AI エージェントの動作をリアルタイムでモニタリングし、実行中のアクションを追跡し、異常を検出し、ポリシー違反にフラグを立てることで、系統追跡を補完します。

データ品質

堅牢なデータガバナンスプラクティスは、一貫して高品質なデータの基盤となります。ガバナンスは適切なプロセスとポリシーを確実に施行することでデータアクセスを効果的に管理します。一方、データ品質とはデータ自体の精度、信頼性、有用性を指します。複数ステップの推論チェーンにわたって自律的に動作する AI エージェントの場合、データ品質が低いとカスケードエラーが発生する可能性があります。エージェンティック AI のデータ基盤を評価する組織は、各ユースケースに関連する完全性、一貫性、正確性、関連性、適時性などのコアディメンションに対応するデータ品質フレームワークの実装を検討する必要があります。 

セキュリティと責任

AI エージェントがより自律的な意思決定を担うようになるにつれて、基盤となるデータ基盤のセキュリティはさらに重要になります。組織は、AI インフラストラクチャ、データ、モデルが、暗号化、ネットワークの分離、アクセスコントロール、脅威検出を通じて、不正アクセスや悪意のある攻撃から保護されていることを保証する必要があります。 

同様に重要なのは、AI エージェントを責任を持って運用することです。信頼ガードレールは、AI エージェントが有害なコンテンツや誤情報を生成したり、機密情報を公開したり、ハルシネーションを返したりするリスクを軽減するのに役立ちます。これらの保護機能は、組織が規制および倫理基準を満たしながら AI エージェントをデプロイするのに役立ちます。

AI エージェントは一般的な知識だけで運用できますが、ほとんどの組織は組織固有のコンテキストで AI エージェントをカスタマイズすることでより多くの価値を得ます。これにより、AI エージェントはビジネス内でより適切な意思決定を行い、情報をより最新の状態に保ち、ハルシネーションを減らすことができます。 

AI エージェントのカスタマイズに使用されるドメイン固有のデータは、通常ナレッジベースに格納されています。RAG は、これらのナレッジベースから情報を取得し、大規模言語モデル (LLM) のプロンプトを拡張することで、AI エージェントがより最新かつ関連性の高いレスポンスを生成できるようにするプロセスです。RAG の実装では通常、ベクトル埋め込み (ドキュメント、イメージ、サポート記事などのコンテンツの意味的な意味を数値表現としてキャプチャしたもの) を使用します。埋め込みベースの検索では、完全一致のキーワード照合ではなく、文脈的に類似したコンテンツを検索します。これにより、AI エージェントは、通常クエリが困難なソースに保存された膨大な量の組織知識を推論できます。

セマンティックレイヤーは、AI エージェントがビジネスロジックを理解できるようにすることで、RAG を補完します。これらはテーブル間の関係、ビジネス指標、および共通用語を定義し、AI エージェントが「収益」や「アクティブな顧客」といった用語をチーム間で一貫して解釈できるようにします。セマンティックレイヤーは、オントロジーとナレッジグラフ、ディメンションモデル、テーブル関係、およびメトリクス定義から構築できます。これらはメトリクス、ロジック、相互接続をマッピングし、インテントをビジネス定義に変換します。

コンテキストは AI エージェントが現在において適切な意思決定を行うのに役立ち、メモリは過去を理解するのに役立ちます。LLM はステートレスです。つまり、すべてのリクエストは以前のやり取りの記憶を持たない状態で処理されます。メモリアーキテクチャを上位レイヤーとして持たない場合、AI エージェントは推論、適応、調整を行うことができず、同じ回答を繰り返し導き出すために時間とリソースを浪費するリスクがあります。AI エージェントはループ (推論、行動、記憶、繰り返し) で動作するため、メモリは冗長な作業を防ぎ、反復をまたいで一貫した進捗を維持します。コンテキストとメモリを組み合わせることで、AI エージェントは使い捨てのシングルターンレスポンダーから、時間の経過とともに専門知識を蓄積するシステムへと進化します。

エージェントメモリは連続体として存在します。短期メモリは左側に位置し、常に高速でアクセスされます。中期メモリは中間に位置し、エージェントが必要とするときにツールを通じて取得されます。長期メモリは右側にあり、設定頻度が低く、インフラストラクチャのように扱われます。各タイプには、固有のアクセスパターン、レイテンシー要件、およびデータ管理の責任があります。

短期メモリ

これは RAM に類似したエージェントの作業メモリです。現在の会話ターン、最新のツール結果、マルチステージワークフローのアクティブな手順、およびタスクの完了時にリセットされる一時的な状態が保持されます。Strands Agents や LangGraph などのフレームワークは通常このレイヤーを管理しますが、エージェントは 1 回のインタラクション内でもこのメモリに頻繁にアクセスするため、基盤となるストレージはマイクロ秒の読み取りレイテンシーを実現する必要があります。 

また、短期メモリは AI エージェント間の共有状態にまで拡張されます。複数の AI エージェントがタスクを連携して処理する場合、共有ファイルシステムを使用することで、中間結果を交換し、低レイテンシーアクセスでチェックポイントを維持できます。

中期メモリ

これは、データレイク、カタログ、ナレッジベースなど、既存のデータツールやシステムに最も密接に接続されているレイヤーです。これには、AI エージェントが実行中にツール呼び出しを通じて取得する事実、関係、および経験が含まれており、データ準備作業の大部分が集中する場所でもあります。これには、以下が含まれます。 

• セマンティックメモリは、その知識をいつどこで取得したかに関係なく、事実、概念、関係に関する構造化された知識を保持します。これは、AI エージェントが第一原理から回答を再導出することなく、新しい状況を推論するために使用する、普遍的なナレッジベースです。データベース、ベクトルストア、ナレッジグラフ、データウェアハウスはすべてセマンティックメモリのバックエンドとして機能します。 

• ユーザープロファイルメモリは、設定、コミュニケーションスタイル、過去の選択、セッション間での動作をパーソナライズする累積属性など、AI エージェントがサービスを提供する人物の永続的なアイデンティティをキャプチャします。 

• エピソードメモリは、特定のイベントとインタラクションのタイムスタンプ付きレコードを保持します。セマンティックメモリが抽象的であるのに対し、エピソードメモリは具体的です。これにより、AI エージェントは以前のシステムで特定のアプローチが失敗したことを想起し、それに応じて調整できます。これは、AI エージェントが継続的な再トレーニングを必要とせず、デプロイを通じて改善できるようにするものです。セッションログ、インタラクション履歴、イベントストアはすべてエピソードメモリに供給されます。 

短期メモリとの重要な違いは、中期メモリがコンテキストウィンドウの外に存在し、ツールを介してアクセスされることです。AI エージェントは、いつ情報が必要かを判断し、適切なツールを呼び出します。つまり、データソースは推論ループを動かし続けるのに十分な検出可能性と応答性を備えている必要があります。 

長期メモリ

これは最も変化が少ないレイヤーであり、AI エージェントの自己認識と意思決定を根本的に形成します。長期メモリには、システムプロンプト、ガードレール、AI エージェントのペルソナの定義、および手続き型ルーチンが含まれます。AI エージェントが保険引き受けエージェントの役割を果たすように作成されると、その指示と、従うべきルール、制約、および動作の境界がここに保存されます。このレイヤーには手続き型メモリも含まれます。手続き型メモリは、各手順で判断することなく AI エージェントに組み込みの運用知識を与えるスキルとルーチンをエンコードします。長期メモリアーティファクトは、Infrastructure as Code として管理し、バージョン管理されたコードリポジトリ、設定管理システム、またはキーバリューストアに保存できます。

従来のアプリケーションワークフローは、固定された決定論的なパスに従います。ユーザーがタスクを完了すると、同じ一連のクエリがデータベースに対して実行されます。これにより、インデックスのチューニング、結果のキャッシュ、容量予測を予測可能な形で行うことができます。ただし、AI エージェントは同じタスクを完了するたびに異なるパスを選択し、中間結果を推論する方法に基づいて異なるクエリを選択する場合があります。この変動性により、負荷を予測し、クエリパターンを効果的に最適化することがより困難になります。

場合によっては、セマンティックキャッシュで対処できます。キャッシュは、新しい呼び出しをトリガーするのではなく、意味的に類似したリクエストに対して保存済みのレスポンスを返します。これにより、コストを削減し、パフォーマンスを向上させ、エージェントアプリケーションのスループットを高めることができます。

AI エージェントの予測不能性に対応するには、基盤となるインフラストラクチャを自動的にスケーリングするように構築する必要があります。サーバーレスアーキテクチャでは、リソースを事前に割り当てる必要がなくなります。最大容量に合わせてインフラストラクチャをサイジングするのではなく、リソースは手動介入なしに需要に応じてスケールアップ/ダウンします。動作がバーストする可能性があるため、これは AI エージェントにとって特に重要です。タスクの起動、ツールの呼び出し、ワークフローの拡張に伴ってアクティビティが急増し、その後ゼロに戻ることがあります。サーバーレス容量はオンデマンドで利用できるため、リソースの無駄が減り、組織は消費した分だけ料金を支払います。

需要を満たすためのサーバーレスプロビジョニングに加えて、組織は継続的な稼働時間を確保するために、自動フェイルオーバーと冗長性を備えた高可用性インフラストラクチャを優先する必要があります。これが整備されていれば、単一コンポーネントの障害が発生しても、AI エージェントが作業を完了する機能が中断されることはありません。 

エージェンティック AI 用のデータ基盤を準備することは、この 10 年間で最も重要なプロジェクトになる可能性があります。このガイドの質問は、データ基盤が AI エージェントを効果的にサポートするために必要な重要な機能、すなわち相互運用性、検出、データ準備、ガバナンス、コンテキスト、メモリ、低レイテンシーを示しています。現時点でこれらすべてが完全に整っている組織は少なく、それは想定の範囲内です。エージェンティック AI 向けデータ基盤の構築は進化的なプロセスであり、強化する各機能は AI エージェントが提供できる価値を高めます。AWS は、エージェンティック AI のデータ基盤の構築、スケーリング、運用を支援する専用サービスをこれらの各分野にわたって提供しています。

20 年以上にわたり、何百万人ものお客様が AWS を信頼し、業界をリードする価格パフォーマンスで、安全で信頼性が高くスケーラブルなクラウドサービスを提供してきました。どのようにして、AWS ではエージェンティック AI のデータ基盤に対応しているのかご覧ください。

オープンデータアーキテクチャ

AWS がオープンスタンダードを採用しているのは、お客様に柔軟性と最高の価値を提供できるからです。これには、Amazon Aurora および Amazon Relational Database Service (Amazon RDS) を通じた PostgreSQL、Amazon Managed Streaming for Apache Kafka (Amazon MSK) を通じた Apache Kafka、Amazon OpenSearch Service を通じた OpenSearch、Amazon EMR を通じた Apache Spark、および Amazon Athena を通じた Trino が含まれます。AWS は、Amazon S3 Tables を利用したフルマネージド表フォーマットデータストレージなど、AWS Analytics スタック全体にネイティブの Apache Iceberg サポートを提供しています。AI エージェントは分析データへ相互運用可能なアクセスができるため、再フォーマットや複製を行う必要はありません。AWS は MCP や A2A などのオープンエージェントプロトコルもサポートしているため、AI エージェントはデータソース、ツール、およびお互いに接続できます。

「オープンソース製品を支え、高可用性、スケーリング、全体的なデータ管理などの重要な属性を管理してくれる Amazon Web Services のような企業の存在は非常に重要です。」  

—Raj Cheruvu 氏、AVP R&D、BMC Helix ITSM

エージェンティック AI スタックのすべてのレイヤー向け専用サービス

データ準備からメモリ、低レイテンシーパフォーマンスまで、このガイドで説明する機能には、大規模に一貫して動作するインフラストラクチャが必要です。AWS は実証済みの信頼性、スケーラビリティ、料金パフォーマンスを提供するため、優れた基盤の上に構築できます。

AI エージェント向けに適切なデータ準備を行えるよう、AWS Glue ではサーバーレスのデータ統合と大規模な変換を提供しています。複数ソースからのデータの検出、準備、移動、統合が容易になります。AWS Glue のサーバーレスでオープンソースのコンポーネントである AWS Glue Data Quality を使用すると、データの品質を測定およびモニタリングし、データパイプライン内で直接品質ルールを適用できます。

ほぼリアルタイムのデータの場合、AWS はエンドツーエンドのストリーミングデータパイプラインを実現する一連のマネージドサービスを提供します。Amazon Kinesis Data Streams と Amazon MSK で高スループットのデータ取り込みを行います。Amazon Managed Service for Apache Flink でストリーム処理を行います。Amazon Data Firehose でデータを目的地に配信します。これにより、AI エージェントは高品質で最新のデータに対する推論を条件の変化に合わせて行うことができます。

コンテキストをサポートするために、Amazon Aurora、Amazon RDS、Amazon Neptune、Amazon ElastiCache for Valkey などの AWS データベースは、RAG 取得のネイティブベクトルサポートを提供し、クエリ時に AI エージェントへ迅速かつ関連性の高いコンテキストを提供します。Amazon OpenSearch Service は、エージェンティック AI、検索、分析向けのマネージド型オープンソース検索エンジンを提供します。ベクトル検索、レキシカル検索、ハイブリッド検索、およびエージェンティック検索を 1 つのシステムに統合し、ペタバイト規模で低レイテンシーで関連性の高い結果を提供します。

ストレージファーストの代替手段として、 Amazon S3 Vectors はベクトルのアップロード、保存、クエリの合計コストを最大 90% 削減できるため、AI エージェントのメモリとコンテキストを改善する大規模なベクトルデータセットを作成して保持することが経済的に実現可能になります。 

「AWS のインフラストラクチャは、重要なことに集中するための基盤となりました。私たちは、人間のように推論する動画 AI を構築しました。何が起きているかだけでなく、それがなぜ重要なのか、そして瞬間が時間の経過とともにどのようにつながるかを理解します。」 
— Jae Lee、TwelveLabs CEO ・共同設立者

見ることは理解すること – TwelveLabs は S3 Vectors を使用して、動画の持つ可能性を世界に向けて最大限に引き出します

AWS Databases ポートフォリオは、メモリコンティニュアムの 3 つのゾーンにまたがります。Amazon ElastiCache for Valkey は、ツールの結果のキャッシュ、セッションコンテキストの保持、および一貫したマルチステップの推論を促進する短期ワーキングメモリの維持に必要なマイクロ秒のレイテンシーをエージェンティック AI に提供します。Amazon DynamoDB は、エピソードログ記録とセッション状態追跡の追記負荷の高い書き込みパターンを、どのスループットでも 1 桁ミリ秒の読み取りで処理します。Amazon Aurora と Amazon RDS  は、長期メモリ、特にマルチステップのタスクの進捗状況の永続化に最適です。Amazon Neptune は、関係トラバーサルのためのグラフベースのセマンティックメモリとエピソードメモリを実現します。

AI エージェント間での共有状態をサポートするために、Amazon S3 Files は Amazon S3 のデータへの低レイテンシーのファイルシステムアクセスを可能にします。エージェントは中間結果を交換して、マルチエージェントパイプライン全体でチェックポイントを維持できるようになります。これらのサービスは、メモリの連続性におけるすべてのレイテンシー層、書き込みパターン、耐久性要件を網羅しているため、妥協することなくスケールするメモリアーキテクチャを構築できます。Trend Micro が Amazon Neptune を使用して短期および長期のメモリ機能を備えた AI セキュリティアシスタントを構築した方法をご覧ください。

AWS データベースサービスは、リアルタイムのワークロードの変化に自動的にスケーリングして適応するように設計されており、AI エージェントが生成する変動的でバースト的なワークロードに適しています。Amazon DynamoDB と Amazon ElastiCache は、マイクロ秒から 1 桁ミリ秒のレイテンシー予算を達成しながら、1 秒あたり数億のリクエストに対応できます。一方、Amazon Aurora は PostgreSQL と MySQL の完全な互換性を備えて即座にスケールし、商用データベースのパフォーマンス、可用性、スケーラビリティを 10 分の 1 のコストで実現します。

組織が SQL Server や Oracle などの商用データベースをオンプレミスで実行している場合、または Amazon EC2 で自己管理している場合、AI 対応データ基盤への道は Amazon RDS へのリフトアンドシフト移行から始まります。Winning Agentic AI With Your Commercial Data Estates では、Amazon RDS がエージェンティック AI アプリケーションに必要な自動管理、パフォーマンス、信頼性、セキュリティをどのように提供するかについて説明しています。また、The Business Value of Amazon RDS における IDC の調査では、RDS への移行による財務上の影響として、3 年間の ROI 258% と、インタビューを受けた組織全体にわたるサービス品質の大幅な向上が示されています。

AI 向けの信頼できる基盤

データを動的に検出してアクセスし、自律的な意思決定を行う AI エージェントには、それに合わせてスケールするガバナンスとセキュリティが必要です。AWS は、デフォルトでのデータ暗号化と AI エージェントにまで拡張されるきめ細かなアクセスコントロールを備えた、最も安全なクラウドインフラストラクチャとなるように設計されています。AWS データガバナンスは、適切なユーザーのみが適切なデータにアクセスできることを保証し、ポリシーとセキュリティ標準に沿ったアクセスコントロールを実現します。組み込みのコンプライアンス機能は進化するグローバルな規制をサポートし、体系的な検証プロセスは信頼できる AI のための適切に管理されたデータ管理を維持します。AWS は、最も機密性の高いワークロードであっても、人間、AI エージェント、アプリ間で安全に流れる信頼できるコンテキスト豊富なデータの提供に取り組んでいます。