O guia essencial para criar um alicerce de dados para a IA agêntica

A maioria das organizações está investindo em IA para aumentar a eficiência no local de trabalho. Muitas implementaram algum nível de IA generativa e agora estão buscando a próxima etapa: automatizar fluxos de trabalho complexos com a IA agêntica.

O sucesso na IA agêntica depende de muitos fatores, mas nenhum pode ser tão importante quanto seu alicerce de dados: a prontidão de arquitetura, os processos e os mecanismos que permitem que os agentes de IA da sua organização trabalhem de forma segura e eficaz com dados de alta qualidade.

Ao contrário dos fluxos de trabalho de dados tradicionais, que operam com padrões de consulta e resposta, os agentes de IA podem raciocinar, planejar e executar tarefas complexas de forma independente para atingir objetivos predeterminados com o mínimo de supervisão humana. Para gerar os melhores resultados pretendidos, os agentes de IA precisam descobrir e acessar dados de alta qualidade. Eles precisam operar com o contexto, a memória e a latência corretos para fornecer resultados relevantes rapidamente e, como podem agir de forma autônoma em grandes quantidades de dados, a governança de dados é essencial.

Preparar seu alicerce de dados para a IA agêntica é um processo evolutivo e não significa começar do zero. Você pode começar de onde está hoje e avaliar as limitações de seus recursos atuais à medida que desenvolve. A implementação de agentes de IA com base em seu estado atual pode ajudar você a priorizar em quais áreas investir. 

Este guia foi desenvolvido com base nas perguntas essenciais que ajudarão você a entender o que um alicerce de dados precisa oferecer aos agentes de IA.

Muitas vezes, os dados estão espalhados por unidades de negócios, sistemas legados e plataformas de fornecedores. Isso é comumente o resultado de decisões de compras descentralizadas, necessidades distintas de unidades de negócios e crescimento rápido. No entanto, isso gera silos de dados que podem ser dispendiosos e difíceis de superar. E como os sistemas subjacentes são criados para serem compatíveis com padrões de acesso específicos e definidos, a escalabilidade para suportar a carga extra dos agentes de IA torna-se difícil. Os alicerces de dados baseados em padrões abertos permitem que as organizações tornem seus dados acessíveis aos agentes de IA em grande escala e, ao mesmo tempo, incorporem flexibilidade futura à sua arquitetura geral.

Formatos de tabela abertos

Formatos de tabela abertos (OTFs), como o Apache Iceberg, trazem para os data lakes recursos semelhantes aos dos bancos de dados, incluindo transações ACID e a capacidade de evolução das estruturas de dados. Fundamentalmente, os OTFs permitem a interoperabilidade, o que significa que qualquer ferramenta, mecanismo ou agente de IA compatível pode trabalhar com segurança com os mesmos dados sem reformatação ou duplicação. Isso é importante especialmente porque os agentes de IA operam em vários mecanismos e ferramentas para concluir fluxos de trabalho. 

Os formatos de tabela aberta também sustentam as arquiteturas lakehouse, que combinam data lakes baseados em OTF com uma camada de governança centralizada, permitindo que eles atuem como data warehouses. As arquiteturas lakehouse são escaláveis, flexíveis e fornecem um sistema unificado para armazenar e processar dados. Elas facilitam a consolidação de conjuntos de dados em padrões repetíveis, geralmente chamados de produtos de dados, com ampla compatibilidade com ferramentas de analytics e controles de acesso centralizados.

Software de código aberto

Tecnologias de código aberto, como o PostgreSQL para dados transacionais, o Apache Kafka para streaming de dados, o Apache Spark para processamento de dados e o OpenSearch para pesquisa, oferecem às organizações elementos básicos comprovados e amplamente adotados. Como essas tecnologias são baseadas em padrões abertos com amplo suporte da comunidade, os agentes de IA se beneficiam de um conjunto maior de código, documentação e outras informações disponíveis publicamente para ajudá-los a tomar decisões mais precisas.

Protocolos abertos

Os protocolos abertos fornecem uma forma padronizada para os agentes de IA interagirem entre si e com o mundo ao seu redor. O protocolo de contexto para modelos (MCP) conecta os agentes de IA a fontes de dados, ferramentas e APIs externas para que eles possam recuperar o contexto e agir. O Protocolo Agent2Agent (A2A) permite que agentes de IA criados em frameworks diferentes se comuniquem entre si. Juntos, esses protocolos permitem que um agente de IA obtenha dados de várias fontes em uma cadeia de raciocínio e transfira tarefas para outro agente de IA.

Os agentes de IA precisam ser capazes de encontrar os dados certos para seu caso de uso e geralmente contam com uma variedade de tipos de dados em um único fluxo de trabalho. Isso pode incluir dados estruturados, como registros de clientes, transações e níveis de estoque, dados semiestruturados armazenados em arquivos HTML, JSON ou XML e dados não estruturados, como documentos, tíquetes de suporte ou arquivos de e-mail. Quando os dados estão espalhados por diferentes sistemas e formatos, os agentes de IA devem ser capazes de localizar e avaliar cada um. 

Os catálogos de dados desempenham um papel importante em ajudar os agentes de IA a descobrir quais dados estão disponíveis para eles, o que significam e onde estão armazenados. Os catálogos de dados incluem metadados, que são informações descritivas sobre dados, como esquemas, tipos de dados, linhagem, atualidade e propriedade. Isso é especialmente importante para ajudar os agentes de IA a entender quais dados estão contidos em uma fonte. 

Quando uma organização mantém vários catálogos por motivos de desempenho, conformidade ou negócios, a federação de catálogos permite que os agentes de IA descubram dados armazenados nos sistemas. Algumas organizações vão além e consolidam dados estruturados, semiestruturados e não estruturados em uma única camada de armazenamento. Isso simplifica a descoberta, pois reduz o número de locais em que os agentes de IA precisam procurar e oferece uma maneira consistente de encontrar e avaliar dados de diferentes tipos.

Antes que os agentes de IA possam usar os dados de forma eficaz, muitas vezes é necessário limpar, enriquecer e transformar esses dados. Os dados brutos podem conter formatos inconsistentes, valores ausentes ou registros redundantes que prejudicam a capacidade de um agente de IA de raciocinar com precisão. Embora os agentes de IA possam realizar alguma preparação de dados no runtime, as ferramentas e os pipelines de transformação de dados lidam com a preparação de forma confiável em grande escala. Os pipelines de transformação de dados para a IA agêntica também podem incluir a geração de incorporação vetorial, a fragmentação para a geração aumentada via recuperação (RAG), a geração e o enriquecimento de metadados e as verificações de qualidade de dados. 

 Uma arquitetura de dados em camadas pode ser usada para preparar dados confiáveis e de alta qualidade para a IA. Frequentemente implementada em lakehouses em que os OTFs fornecem as garantias transacionais necessárias para manter a consistência entre as camadas, essa abordagem organiza os dados em zonas com base na prontidão para o consumo: uma zona bruta para os dados no estado em que chegam dos sistemas de origem, uma zona limpa para dados validados e padronizados e uma zona com curadoria, com conjuntos de dados prontos para os negócios e otimizados para o uso downstream. Isso fornece um método estruturado para que os dados sejam limpos e moldados para o uso pretendido.

Muitos agentes de IA contam com o acesso a dados de alta qualidade que refletem as condições atuais. Conectar-se diretamente a um banco de dados operacional é uma forma de garantir que um agente de IA veja as mesmas informações atualizadas que suas aplicações usam. Para casos de uso que dependem de várias fontes de dados quase em tempo real, ou quando o acesso direto a um banco de dados operacional coloca o desempenho ou a segurança em risco, os pipelines de streaming podem ser usados para ingerir continuamente eventos e atualizações à medida que eles ocorrem. Os pipelines de streaming usam processos de captura de dados de alteração (CDC) para capturar as alterações dos bancos de dados operacionais e publicá-las em um fluxo de eventos em que elas ficam disponíveis para serem consumidas por outros sistemas downstream, geralmente em milissegundos. 

Antes que os dados de streaming sejam transmitidos para um agente de IA, as organizações devem considerar a aplicação de regras de limpeza determinísticas aos eventos de dados recebidos. Essas regras podem detectar grandes problemas de qualidade rapidamente e trabalhar em conjunto com os agentes de IA que podem capturar problemas sutis de qualidade nos dados não filtrados pelas regras determinísticas.

A implementação da governança de dados e IA é uma etapa inicial crítica para garantir que os agentes de IA possam operar de forma segura e protegida com dados de alta qualidade. A governança é especialmente importante para os agentes de IA porque eles descobrem e acessam dados dinamicamente para tomar decisões, aumentando o risco de expor dados sensíveis ou acessar recursos além do escopo pretendido se os controles adequados não estiverem em vigor. 

Gerenciamento de acesso e sensibilidade de dados

Em geral, e especialmente em ambientes altamente regulamentados, os dados devem ser auditados quanto à sensibilidade e devidamente marcados e classificados, com as informações altamente sensíveis permanecendo em ambientes seguros. O gerenciamento de acesso deve seguir o princípio de privilégio mínimo, o que significa que o acesso deve ser concedido somente às informações necessárias para concluir uma tarefa. Todos os perfis e permissões de acesso concedidos devem ser monitorados de perto e revogáveis para garantir a segurança em grande escala.

Auditoria, linhagem e observabilidade

Práticas de governança eficazes são especialmente importantes para fins de auditoria e conformidade, que geralmente exigem manter um registro das ações executadas e ser capaz de explicar por que as decisões foram tomadas. O rastreamento de linhagem garante a responsabilização ao registrar quais dados foram acessados e como foram transformados. Isso possibilita auditar o caminho de dados que um agente de IA seguiu. A observabilidade complementa a linhagem monitorando o comportamento dos agentes de IA em tempo real, rastreando quais ações estão sendo executadas, detectando anomalias e sinalizando violações de políticas.

Qualidade dos dados

Práticas robustas de governança de dados estabelecem a base para dados consistentemente de alta qualidade. Embora a governança garanta que os processos e políticas corretos estejam em vigor para gerenciar o acesso aos dados de forma eficaz, a qualidade dos dados refere-se à precisão, confiabilidade e utilidade dos dados em si. Para agentes de IA que operam de forma autônoma em cadeias de raciocínio de várias etapas, a baixa qualidade dos dados pode potencialmente gerar erros em cascata. As organizações que avaliam seu alicerce de dados para a IA agêntica devem considerar a implementação de um framework de qualidade de dados que aborde as principais dimensões, como completude, consistência, precisão, relevância e tempestividade em relação a cada caso de uso. 

Segurança e responsabilidade

À medida que os agentes de IA assumem uma tomada de decisão mais autônoma, a segurança do alicerce de dados subjacente torna-se ainda mais crítica. As organizações devem garantir que a infraestrutura, os dados e os modelos de IA estejam protegidos contra acesso não autorizado e ataques maliciosos por meio de criptografia, isolamento de rede, controles de acesso e detecção de ameaças. 

Igualmente importante é garantir que os agentes de IA operem com responsabilidade. As barreiras de proteção de confiabilidade ajudam a reduzir o risco de agentes de IA gerarem conteúdo prejudicial ou desinformação, exporem informações sensíveis e retornarem alucinações. Essas salvaguardas podem ajudar as organizações a implantar agentes de IA e, ao mesmo tempo, atender aos padrões regulatórios e éticos.

Embora os agentes de IA possam operar apenas com base no conhecimento geral, a maioria das organizações obtém mais valor ao personalizar os agentes de IA com o contexto específico da organização. Isso ajuda os agentes de IA a tomar melhores decisões dentro da empresa, manter suas informações mais atualizadas e reduzir as alucinações. 

Os dados específicos do domínio usados para personalizar agentes de IA normalmente ficam armazenados em bases de conhecimentos. RAG é o processo de recuperar as informações dessas bases de conhecimentos e aumentar os prompts do grande modelo de linguagem (LLM) para que os agentes de IA possam gerar respostas mais atualizadas e relevantes. As implementações de RAG geralmente dependem de incorporações vetoriais ou representações numéricas que capturam o significado semântico do conteúdo, como documentos, imagens e artigos de suporte. Em vez de combinar palavras-chave exatas, a recuperação baseada em incorporações encontra conteúdo contextualmente semelhante, permitindo que os agentes de IA raciocinem sobre grandes quantidades de conhecimento organizacional armazenadas em fontes que, de outra forma, seriam difíceis de consultar.

As camadas semânticas complementam a RAG ajudando os agentes de IA a entender a lógica dos negócios. Elas definem as relações entre tabelas, as métricas de negócios e a terminologia compartilhada, garantindo que os agentes de IA interpretem termos como "receita" ou "cliente ativo" de forma consistente entre as equipes. As camadas semânticas podem ser criadas com base em ontologias e grafos de conhecimento, modelos dimensionais, relações entre tabelas e definições de métricas que mapeiam as métricas, a lógica e suas interconexões, traduzindo a intenção em definições de negócios.

O contexto ajuda os agentes de IA a tomar decisões relevantes no presente, enquanto a memória os ajuda a entender o passado. Os LLMs são sem estado, o que significa que cada solicitação é processada sem memória de interações anteriores. Sem uma arquitetura de memória em uma camada superior, os agentes de IA não conseguem raciocinar, se adaptar ou se coordenar, correndo o risco de desperdiçar tempo e recursos recalculando as mesmas respostas repetidamente. Como os agentes de IA operam em um loop (raciocinar, agir, lembrar, repetir), a memória é o que evita o trabalho redundante e mantém um progresso coerente ao longo das iterações. Juntos, o contexto e a memória fazem com que os agentes de IA deixem de gerar respostas descartáveis, em um único turno, e se tornem sistemas que acumulam especialização ao longo do tempo.

A memória agêntica existe em um continuum. A memória de curto prazo fica à esquerda, acessada constantemente e em alta velocidade. A memória de médio prazo fica no meio, recuperada por meio de ferramentas quando o agente precisa dela. A memória de longo prazo fica à direita, configurada com pouca frequência e tratada mais como infraestrutura. Cada tipo tem padrões de acesso, requisitos de latência e responsabilidades de gerenciamento de dados distintos.

Memória de curto prazo

Essa é a memória de trabalho do agente, análoga à RAM. Ela mantém o turno da conversa atual, o resultado mais recente da ferramenta, a etapa ativa em um fluxo de trabalho de vários estágios e o estado transitório que é redefinido quando a tarefa é concluída. Frameworks como o Strands Agents e o LangGraph normalmente gerenciam essa camada para você, mas o armazenamento subjacente deve oferecer latência de leitura de microssegundos porque o agente acessa essa memória com frequência, mesmo em uma única interação. 

A memória de curto prazo também se estende ao estado compartilhado entre os agentes de IA. Quando vários agentes de IA coordenam uma tarefa, um sistema de arquivos compartilhado permite que eles troquem resultados intermediários e mantenham pontos de verificação com acesso de baixa latência.

Memória de médio prazo

Essa é a camada mais conectada às ferramentas e aos sistemas de dados existentes, incluindo data lakes, catálogos e bases de conhecimentos. Ela engloba os fatos, os relacionamentos e as experiências que um agente de IA recupera por meio de chamadas de ferramentas durante a execução e é onde a maior parte do trabalho de preparação de dados se concentra. Isso inclui o seguinte: 

• A memória semântica contém conhecimento estruturado de fatos, conceitos e relacionamentos, independentemente de quando ou onde esse conhecimento foi adquirido. Essa é a base de conhecimento atemporal que os agentes de IA usam para raciocinar sobre novas situações sem precisar deduzir as respostas novamente a partir de princípios fundamentais. Bancos de dados, armazenamentos vetoriais, grafos de conhecimento e data warehouses servem como backends de memória semântica. 

• A memória do perfil do usuário captura a identidade persistente da pessoa que o agente de IA atende, incluindo as preferências, os estilos de comunicação, as escolhas anteriores e os atributos acumulados que personalizam o comportamento em todas as sessões. 

• A memória episódica mantém um registro com carimbo de data/hora de eventos e interações específicos. Enquanto a memória semântica é abstrata, a memória episódica é concreta. Ela permite que os agentes de IA se lembrem de que uma abordagem específica falhou em um sistema anterior e se ajustem adequadamente. É isso que permite que os agentes de IA melhorem por meio da implantação, em vez de exigirem um novo treinamento constante. Logs de sessão, históricos de interação e armazenamentos de eventos alimentam a memória episódica. 

A principal diferença em relação à memória de curto prazo é que a memória de médio prazo fica fora da janela de contexto e é acessada por meio de ferramentas. O agente de IA decide quando precisa de informações e chama a ferramenta apropriada, o que significa que as fontes de dados devem ser detectáveis e responsivas o suficiente para manter o loop de raciocínio em andamento. 

Memória de longo prazo

Essa é a camada que muda com menos frequência e molda fundamentalmente o senso de identidade de um agente de IA e as decisões que ele toma. A memória de longo prazo inclui prompts do sistema, barreiras de proteção, definições da persona do agente de IA e rotinas procedimentais. Quando um agente de IA é criado para atuar como um agente de subscrição de seguros, essa instrução, juntamente com as regras, restrições e limites comportamentais que ele deve seguir, é armazenada aqui. Essa camada também engloba a memória procedimental, que codifica as habilidades e rotinas que fornecem ao agente de IA o conhecimento operacional incorporado sem deliberar em cada etapa. Os artefatos de memória de longo prazo podem ser gerenciados como infraestrutura como código e armazenados em repositórios de código com controle de versão, sistemas de gerenciamento de configuração ou armazenamentos de chave/valor.

Os fluxos de trabalho de aplicações tradicionais seguem caminhos fixos e determinísticos. Quando um usuário conclui uma tarefa, a mesma sequência de consultas é executada em um banco de dados. Isso permite previsibilidade no ajuste de índices, no armazenamento em cache de resultados e na previsão de capacidade. Um agente de IA, no entanto, pode seguir um caminho diferente toda vez que conclui a mesma tarefa, escolhendo consultas diferentes com base em como ele raciocina por meio de resultados intermediários. Essa variabilidade torna mais desafiador antecipar a carga e otimizar os padrões de consulta de forma eficaz.

Em alguns casos, isso pode ser resolvido com um cache semântico. O cache retorna respostas armazenadas para solicitações semanticamente semelhantes em vez de acionar uma nova chamada. Isso pode reduzir os custos, melhorar o desempenho e aumentar o throughput de aplicações agênticas.

Para lidar ainda melhor com a imprevisibilidade dos agentes de IA, a infraestrutura subjacente deve ser criada para escalar automaticamente. As arquiteturas sem servidor eliminam a necessidade de pré-alocar recursos; em vez de dimensionar a infraestrutura para obter a capacidade máxima, os recursos aumentam e reduzem a escala verticalmente de acordo com a demanda, sem intervenção manual. Isso é especialmente importante para agentes de IA porque o comportamento pode ser intermitente. A atividade pode apresentar picos súbitos à medida que as tarefas são iniciadas, as ferramentas são chamadas ou os fluxos de trabalho se ampliam, retornando a zero em seguida. Como a capacidade sem servidor está disponível sob demanda, ela resulta em menos desperdício de recursos e as organizações pagam apenas pelo que consomem.

Além do provisionamento sem servidor para atender à demanda, as organizações devem priorizar infraestrutura de alta disponibilidade com failover automatizado e redundância para garantir o tempo de atividade contínuo. Quando isso acontece, uma falha em um único componente não interrompe a capacidade de um agente de IA de concluir sua tarefa. 

Preparar seu alicerce de dados para a IA agêntica pode ser o projeto mais importante que você assumirá nesta década. As perguntas deste guia representam os recursos essenciais de que seu alicerce de dados precisa para oferecer suporte eficaz aos agentes de IA: interoperabilidade, descoberta, preparação de dados, governança, contexto, memória e baixa latência. Poucas organizações terão tudo isso totalmente implementado hoje, o que é esperado. Criar um alicerce de dados para a IA agêntica é um processo evolutivo, e cada recurso que você aprimora potencializa o valor que os agentes de IA podem oferecer. A AWS fornece serviços com propósito específico em cada uma dessas áreas para ajudar você a criar, escalar e operar seu alicerce de dados para a IA agêntica.

Há mais de 20 anos, milhões de clientes confiam na AWS para fornecer serviços de nuvem seguros, confiáveis e escaláveis com a melhor relação preço/performance do setor. Veja como a AWS oferece suporte ao seu alicerce de dados para a IA agêntica.

Arquitetura de dados aberta

A AWS adota padrões abertos porque eles oferecem aos clientes flexibilidade e o melhor valor. Isso inclui o PostgreSQL por meio do Amazon Aurora e Amazon Relational Database Service (Amazon RDS), o Apache Kafka por meio do Amazon Managed Streaming for Apache Kafka (Amazon MSK), o OpenSearch por meio do Amazon OpenSearch Service, o Apache Spark por meio do Amazon EMR e o Trino por meio do Amazon Athena. A AWS oferece suporte nativo ao Apache Iceberg em toda a pilha do AWS Analytics, incluindo armazenamento de dados tabulares totalmente gerenciado por meio das Tabelas do Amazon S3, oferecendo aos agentes de IA acesso interoperável aos dados analíticos sem reformatação ou duplicação. A AWS também oferece suporte a protocolos abertos para agentes, incluindo MCP e A2A, permitindo que agentes de IA se conectem a fontes de dados, ferramentas e entre si.

“A ideia de ter uma empresa como a Amazon Web Services dando suporte a um produto de código aberto e cuidando de atributos importantes, como alta disponibilidade, escalabilidade e gerenciamento geral de dados, é fundamental.”  

Raj Cheruvu, vice-presidente associado de P&D, Helix ITSM, BMC

Serviços com propósito específico para cada camada da pilha de IA agêntica

Os recursos abordados neste guia, da preparação de dados à memória e ao desempenho de baixa latência, exigem uma infraestrutura que funcione consistentemente em grande escala. A AWS oferece confiabilidade, escalabilidade e relação preço/performance comprovadas para que você possa se basear na excelência fundamental.

Para ajudar a garantir que os dados sejam preparados adequadamente para agentes de IA, o AWS Glue fornece integração e transformação de dados sem servidor em grande escala, simplificando a descoberta, a preparação, a movimentação e a integração de dados de várias fontes. O AWS Glue Data Quality, um componente sem servidor e de código aberto do AWS Glue, permite medir e monitorar a qualidade dos dados e aplicar regras de qualidade diretamente nos pipelines de dados.

Para dados quase em tempo real, a AWS oferece um conjunto de serviços gerenciados que permitem pipelines de dados de streaming de ponta a ponta. O Amazon Kinesis Data Streams e o Amazon MSK lidam com a ingestão de dados de alto throughput, o Amazon Managed Service for Apache Flink fornece processamento de fluxos e o Amazon Data Firehose entrega dados para seus destinos, ajudando os agentes de IA a raciocinar sobre dados atuais e de alta qualidade à medida que as condições mudam.

Para fornecer contexto, os bancos de dados da AWS, incluindo o Amazon Aurora, o Amazon RDS, o Amazon Neptune e o Amazon ElastiCache para Valkey, fornecem suporte vetorial nativo para a recuperação de RAG, oferecendo aos agentes de IA um contexto rápido e relevante no momento da consulta. O Amazon OpenSearch Service fornece um mecanismo de recuperação gerenciado e de código aberto para IA agêntica, pesquisa e analytics de dados. Ele combina recuperação vetorial, léxica, híbrida e agêntica em um único sistema, oferecendo resultados altamente relevantes e de baixa latência em escala de petabytes.

Como uma alternativa com foco em armazenamento, o Amazon S3 Vectors pode reduzir o custo total de upload, armazenamento e consulta de vetores em até 90%, tornando economicamente viável criar e reter grandes conjuntos de dados vetoriais que aprimoram a memória e o contexto de agentes de IA. 

“A infraestrutura da AWS nos deu a base para nos concentrarmos no que importa. Desenvolvemos uma IA de vídeo que raciocina como os humanos: entendendo não apenas o que acontece, mas por que isso importa e como os momentos se conectam ao longo do tempo.” 
Jae Lee, CEO e cofundador, TwelveLabs

Ver é compreender. A TwelveLabs revela todo o potencial dos vídeos para o mundo com o uso do S3 Vectors.

O portfólio de bancos de dados da AWS abrange as três zonas do continuum de memória. O Amazon ElastiCache para Valkey fornece a latência de microssegundos de que a IA agêntica precisa para armazenar em cache os resultados da ferramenta, preservar o contexto da sessão e manter a memória de trabalho de curto prazo que impulsiona o raciocínio coerente em várias etapas. O Amazon DynamoDB lida com os padrões de escrita baseados predominantemente em anexação, típicos do registro de logs episódicos e do rastreamento do estado de sessão, com leituras em milissegundos de um dígito em qualquer throughput. O Amazon Aurora e o Amazon RDS são ideais para memória de longo prazo, especialmente para manter o progresso de tarefas em várias etapas. O Amazon Neptune impulsiona a memória semântica e episódica baseada em grafos para a travessia de relacionamentos.

Para oferecer suporte ao estado compartilhado entre os agentes de IA, o Amazon S3 Files fornece acesso de baixa latência ao sistema de arquivos para dados no Amazon S3, permitindo que os agentes troquem resultados intermediários e mantenham pontos de verificação em pipelines de vários agentes. Juntos, esses serviços abrangem todos os níveis de latência, padrões de escrita e requisitos de durabilidade em todo o continuum da memória, para que você possa criar arquiteturas de memória que escalam sem concessões. Saiba como a Trend Micro criou um assistente de segurança de IA com recursos de memória de curto e longo prazo usando o Amazon Neptune.

Os serviços de banco de dados da AWS são projetados para escalar e se adaptar automaticamente às mudanças nas workloads em tempo real, tornando-os adequados para as workloads variáveis e intermitentes que os agentes de IA geram. O Amazon DynamoDB e o Amazon ElastiCache podem responder a centenas de milhões de solicitações por segundo e, ao mesmo tempo, atingir orçamentos de latência de microssegundos a milissegundos de um dígito, enquanto o Amazon Aurora escala instantaneamente com total compatibilidade com PostgreSQL e MySQL, oferecendo desempenho, disponibilidade e escalabilidade de bancos de dados comerciais por um décimo do custo.

Se sua organização executa bancos de dados comerciais, como SQL Server ou Oracle, on-premises ou autogerenciados no Amazon EC2, seu caminho para um alicerce de dados pronto para IA começa com uma migração lift-and-shift para o Amazon RDS. O artigo Winning Agentic AI With Your Commercial Data Estates descreve como o Amazon RDS oferece o gerenciamento automatizado, o desempenho, a confiabilidade e a segurança de que as aplicações de IA agêntica precisam, enquanto a pesquisa da IDC em The Business Value of Amazon RDS demonstra o impacto financeiro de uma migração para o RDS: um ROI de 258% em três anos e uma qualidade de serviço mensuravelmente superior nas organizações entrevistadas.

Base confiável para a IA

Os agentes de IA que descobrem e acessam dados dinamicamente para tomar decisões autônomas exigem governança e segurança que escalam com eles. A AWS foi projetada para ser a infraestrutura de nuvem mais segura com criptografia de dados por padrão e controles de acesso refinados que se estendem aos agentes de IA. A governança de dados da AWS garante que somente os usuários autorizados acessem os dados certos, com controles de acesso alinhados às políticas e aos padrões de segurança. Os recursos de conformidade integrados ajudam a atender às regulamentações globais em constante evolução, enquanto os processos de verificação sistemática sustentam uma gestão de dados bem governada para uma IA confiável. A AWS está comprometida em fornecer dados confiáveis e ricos em contexto que fluem com segurança entre humanos, agentes de IA e aplicações, mesmo para as workloads mais sensíveis.