La guida essenziale per costruire una base per la gestione dei dati per l’IA agentica

La maggior parte delle organizzazioni sta investendo nell’IA per aumentare l’efficienza sul posto di lavoro. Molte hanno implementato un certo livello di IA generativa e ora stanno pensando alla fase successiva dell’automazione di flussi di lavoro complessi con l’IA agentica.

Il successo con l’IA agentica dipende da molti fattori, ma nessuno può essere tanto importante quanto la base per la gestione dei dati: il livello di preparazione dell’architettura, i processi e i meccanismi che consentono agli agenti IA dell’organizzazione di lavorare in modo sicuro ed efficace con dati di alta qualità.

In particolare, a differenza dei tradizionali flussi di lavoro di dati che operano su modelli di query e risposta, gli agenti IA possono ragionare, pianificare ed eseguire autonomamente attività complesse per raggiungere obiettivi predeterminati con una supervisione umana minima. Per produrre i migliori risultati tra quelli sperati, gli agenti IA devono individuare e accedere a dati di alta qualità. Devono operare con il contesto, la memoria e la latenza giusti per fornire rapidamente risultati pertinenti e, poiché possono agire autonomamente su grandi quantità di dati, la governance dei dati è essenziale.

Preparare la base per la gestione dei dati per l’IA agentica è un processo evolutivo e non significa partire da zero. Puoi iniziare da dove ti trovi oggi e valutare i limiti delle tue attuali capacità man mano che sviluppi. L’implementazione di agenti IA in base al tuo stato attuale può aiutarti a stabilire le priorità su quali aree investire. 

Questa guida si basa sulle domande essenziali che ti aiuteranno a capire di cosa hanno bisogno gli agenti IA da una base per la gestione dei dati.

I dati sono molto spesso distribuiti tra le unità aziendali, i sistemi legacy e le piattaforme dei fornitori. Questo è in genere il risultato di decisioni di acquisto decentralizzate, esigenze distinte delle unità aziendali e rapida crescita. Tuttavia, porta a silos di dati che possono essere costosi e complicati da superare. E poiché i sistemi sottostanti sono progettati per supportare modelli di accesso specifici e definiti, diventa difficile scalare per supportare il carico aggiuntivo degli agenti IA. Le basi per la gestione dei dati basate su standard aperti consentono alle organizzazioni di rendere i propri dati accessibili agli agenti IA su larga scala, pianificando al tempo stesso la flessibilità futura della loro architettura complessiva.

Formati open table

I formati open table (OTF) come Apache Iceberg offrono funzionalità simili a quelle dei database nei data lake, tra cui le transazioni ACID e la capacità di far evolvere le strutture di dati. Fondamentalmente, gli OTF consentono l’interoperabilità, il che significa che qualsiasi strumento, motore o agente IA compatibile può lavorare in sicurezza con gli stessi dati senza riformattazione o duplicazione. Ciò è importante soprattutto perché gli agenti IA operano su più motori e strumenti per completare i flussi di lavoro. 

I formati open table sono anche alla base delle architetture lakehouse, che combinano data lake basati su OTF con un livello di governance centralizzato, consentendo loro di agire come data warehouse. Le architetture lakehouse sono scalabili, flessibili e forniscono un sistema unificato per l’archiviazione e l’elaborazione dei dati. Semplificano il consolidamento dei set di dati in modelli ripetibili, spesso denominati prodotti di dati, con un’ampia compatibilità con gli strumenti di analisi e controlli di accesso centralizzati.

Software open source

Le tecnologie open source come PostgreSQL per i dati transazionali, Apache Kafka per il flusso di dati, Apache Spark per l’elaborazione dei dati e OpenSearch per la ricerca offrono alle organizzazioni elementi costitutivi comprovati e ampiamente adottati. Poiché queste tecnologie sono basate su standard aperti con un ampio supporto da parte della community, gli agenti IA beneficiano di un pool più ampio di codice, documentazione e altre informazioni disponibili al pubblico per aiutarli a prendere decisioni più accurate.

Protocolli aperti

I protocolli aperti forniscono un modo standardizzato per gli agenti IA di interagire tra loro e con il mondo che li circonda. Il Model Context Protocol (MCP) collega gli agenti IA a origini dati, strumenti e API esterni in modo che possano recuperare il contesto e agire. Il protocollo Agent2Agent (A2A) consente agli agenti IA basati su framework diversi di comunicare tra loro. Insieme, questi protocolli consentono a un agente IA di attingere da più origini in una catena di ragionamento e trasferire compiti ad altri agenti IA.

Gli agenti IA devono essere in grado di trovare i dati giusti per il loro caso d’uso e spesso fanno affidamento su diversi tipi di dati in un unico flusso di lavoro. Ciò può includere dati strutturati come record dei clienti, transazioni e livelli di inventario, dati semi-strutturati archiviati in file HTML, JSON o XML e dati non strutturati come documenti, ticket di assistenza o archivi di posta elettronica. Quando i dati sono distribuiti su sistemi e formati diversi, gli agenti IA devono essere in grado di individuarli e valutarli singolarmente. 

I cataloghi di dati svolgono un ruolo importante nell’aiutare gli agenti IA a scoprire quali dati sono disponibili, cosa significano e dove sono archiviati. I cataloghi di dati includono metadati, ovvero informazioni descrittive sui dati, tra cui schemi, tipi di dati, origine, aggiornamento e proprietà. Ciò è particolarmente importante per aiutare gli agenti IA a capire quali dati sono contenuti in un’origine. 

Quando un’organizzazione gestisce più cataloghi per motivi di prestazioni, conformità o business, la federazione dei cataloghi consente agli agenti IA di scoprire i dati archiviati nei vari sistemi. Alcune organizzazioni vanno oltre consolidando i dati strutturati, semi-strutturati e non strutturati in un unico livello di archiviazione. Ciò semplifica l’individuazione, offrendo agli agenti IA meno posti in cui cercare e un modo coerente per trovare e valutare i dati di tutti i tipi.

Prima che gli agenti IA possano utilizzare i dati in modo efficace, spesso devono essere puliti, arricchiti e trasformati. I dati grezzi possono contenere formati non coerenti, valori mancanti o record ridondanti che riducono la capacità di un agente IA di ragionare con precisione. Mentre gli agenti IA possono eseguire una parte della preparazione dei dati in fase di esecuzione, gli strumenti e le pipeline di trasformazione dei dati gestiscono la preparazione in modo affidabile su larga scala. Le pipeline di trasformazione dei dati per l’IA agentica possono includere anche la generazione di embedding vettoriali, il chunking per la generazione potenziata da recupero dati (RAG), la generazione e l’arricchimento dei metadati e i controlli di qualità dei dati. 

 Un’architettura di dati a più livelli può essere utilizzata per preparare dati affidabili e di alta qualità per l’IA. Spesso implementato nei lake house in cui gli OTF forniscono le garanzie transazionali necessarie per mantenere la coerenza tra i livelli, questo approccio organizza i dati in zone in base al livello di preparazione al consumo: una zona grezza per i dati in arrivo dai sistemi di origine, una zona pulita per i dati convalidati e standardizzati e una zona curata con set di dati pronti per l’uso aziendale ottimizzati per l’uso a valle. Ciò fornisce un metodo strutturato per pulire e modellare i dati per l’uso previsto.

Molti agenti IA fanno affidamento sull’accesso a dati di alta qualità che riflettono le condizioni attuali. La connessione diretta a un database operativo è un modo per garantire che un agente IA veda le stesse informazioni aggiornate utilizzate dalle applicazioni. Per i casi d’uso che dipendono da più origini dati quasi in tempo reale, o quando l’accesso diretto a un database operativo mette a rischio le prestazioni o la sicurezza, è possibile utilizzare le pipeline di streaming per acquisire continuamente eventi e aggiornamenti man mano che si verificano. Le pipeline di streaming utilizzano processi di acquisizione dei dati di modifica (CDC) per acquisire le modifiche dai database operativi e pubblicarle in un flusso di eventi dove diventano disponibili per l’utilizzo da parte di altri sistemi a valle, spesso nel giro di millisecondi. 

Prima di passare i dati in streaming a un agente IA, le organizzazioni dovrebbero prendere in considerazione l’applicazione di regole di pulizia deterministiche agli eventi di dati in entrata. Queste regole possono rilevare rapidamente problemi di qualità significativi e funzionare in tandem con gli agenti IA in grado di rilevare i piccoli problemi di qualità sui dati non filtrati dalle regole deterministiche.

L’implementazione della governance dei dati e dell’IA è un primo passo fondamentale per garantire che gli agenti IA possano operare in modo sicuro e protetto su dati di alta qualità. La governance è particolarmente importante per gli agenti IA poiché questi scoprono e accedono dinamicamente ai dati per prendere decisioni, aumentando il rischio di esporre dati sensibili o di accedere a risorse oltre l’ambito previsto se non sono in atto controlli adeguati. 

Sensibilità dei dati e gestione degli accessi

In generale, e specialmente in ambienti altamente regolamentati, i dati devono essere controllati per verificarne la sensibilità e contrassegnati e classificati in modo appropriato, mentre le informazioni altamente sensibili devono rimanere all’interno di ambienti sicuri. La gestione degli accessi dovrebbe seguire il principio del privilegio minimo, vale a dire che l’accesso dovrebbe essere concesso solo alle informazioni necessarie per completare un’attività. Tutti i ruoli e le autorizzazioni di accesso concessi devono essere attentamente monitorati e revocabili per garantire la sicurezza su larga scala.

Revisione, lineage e osservabilità

Pratiche di governance efficaci sono particolarmente importanti per scopi di controllo e conformità, che spesso richiedono la registrazione delle azioni intraprese e la capacità di spiegare perché sono state prese le decisioni. Il tracciamento del lineage garantisce la responsabilità registrando a quali dati è stato effettuato l’accesso e in che modo sono stati trasformati. Ciò consente di verificare il percorso dei dati seguito da un agente IA. L’osservabilità completa il lineage monitorando il comportamento degli agenti IA in tempo reale, tracciando le azioni intraprese, rilevando le anomalie e segnalando le violazioni delle policy.

Qualità dei dati

Solide pratiche di governance dei dati gettano le basi per dati di qualità costante. Mentre la governance garantisce l’adozione dei processi e delle policy corretti per gestire l’accesso ai dati in modo efficace, la qualità dei dati si riferisce all’accuratezza, all’affidabilità e all’utilità dei dati stessi. Per gli agenti IA che operano in modo autonomo attraverso catene di ragionamento in più fasi, una scarsa qualità dei dati può potenzialmente produrre errori a cascata. Le organizzazioni che valutano le proprie basi per la gestione dei dati per l’IA agentica dovrebbero prendere in considerazione l’implementazione di un framework di qualità dei dati che affronti dimensioni fondamentali come completezza, coerenza, precisione, pertinenza e tempestività relative a ciascun caso d’uso. 

Sicurezza e responsabilità

Man mano che gli agenti IA assumono un processo decisionale più autonomo, la sicurezza della base per la gestione dei dati sottostante diventa ancora più critica. Le organizzazioni dovrebbero garantire che l’infrastruttura, i dati e i modelli di IA siano protetti da accessi non autorizzati e attacchi dannosi tramite crittografia, isolamento della rete, controlli degli accessi e rilevamento delle minacce. 

Altrettanto importante è garantire che gli agenti IA operino in modo responsabile. I guardrail di attendibilità aiutano a ridurre il rischio che gli agenti IA generino contenuti dannosi o disinformazione, espongano informazioni sensibili e restituiscano allucinazioni. Queste misure di sicurezza possono aiutare le organizzazioni a implementare agenti IA rispettando gli standard normativi ed etici.

Sebbene gli agenti IA siano in grado di operare solo sulla base di conoscenze generali, la maggior parte delle organizzazioni ottiene maggior valore personalizzando gli agenti IA con un contesto specifico dell’organizzazione. Questo aiuta gli agenti IA a prendere decisioni migliori all’interno dell’azienda, mantiene le loro informazioni più aggiornate e riduce le allucinazioni. 

I dati specifici del dominio utilizzati per personalizzare gli agenti IA risiedono in genere nelle knowledge base. La RAG è il processo di recupero di informazioni da queste knowledge base e di arricchimento dei prompt del modello linguistico di grandi dimensioni (LLM) in modo che gli agenti IA possano generare risposte più aggiornate e pertinenti. Le implementazioni RAG si basano in genere su embedding vettoriali, ovvero rappresentazioni numeriche che acquisiscono il significato semantico di contenuti come documenti, immagini e articoli a supporto. Anziché trovare corrispondenze con parole chiave esatte, il recupero basato sugli embedding trova contenuti contestualmente simili, consentendo agli agenti IA di ragionare su una grande quantità di conoscenze dell’organizzazione archiviate in origini che altrimenti sarebbero difficili da interrogare.

I livelli semantici completano la RAG aiutando gli agenti IA a comprendere la logica aziendale. Definiscono le relazioni tra tabelle, le metriche aziendali e la terminologia condivisa, assicurando che gli agenti IA interpretino termini come fatturato o cliente attivo in modo coerente tra i team. I livelli semantici possono essere creati a partire da rappresentazioni formali e grafi della conoscenza, modelli dimensionali, relazioni tra tabelle e definizioni di metriche che mappano le metriche, la logica e le relative interconnessioni, traducendo le intenzioni in definizioni aziendali.

Il contesto aiuta gli agenti IA a prendere decisioni pertinenti nel presente, mentre la memoria li aiuta a comprendere il loro passato. Gli LLM sono stateless, il che significa che ogni richiesta arriva senza alcun ricordo di ciò che è avvenuto prima. Senza un’architettura di memoria sovrapposta, gli agenti IA non possono ragionare, adattarsi o coordinarsi e rischiano di sprecare tempo e risorse per derivare ripetutamente le stesse risposte. Poiché gli agenti IA operano in un ciclo continuo (ragiona, agisci, ricorda, ripeti), la memoria è ciò che impedisce il lavoro ridondante e mantiene un progresso coerente tra le iterazioni. Insieme, contesto e memoria trasformano gli agenti IA da sistemi di risposta usa e getta a turno singolo in sistemi che accumulano competenze nel tempo.

La memoria agentica esiste in un continuum. La memoria a breve termine si trova sulla sinistra, accessibile costantemente e ad alta velocità. La memoria a medio termine si trova al centro, recuperata tramite strumenti quando l’agente ne ha bisogno. La memoria a lungo termine si trova sulla destra, è configurata di rado e viene trattata più come un'infrastruttura. Ogni tipo ha modelli di accesso, requisiti di latenza e responsabilità di gestione dei dati distinti.

Memoria a breve termine

Questa è la memoria di lavoro dell’agente, analoga alla RAM. Contiene il turno della conversazione corrente, l’ultimo risultato dello strumento, la fase attiva di un flusso di lavoro in più fasi e lo stato transitorio che si ripristina una volta completata l’attività. Framework come Strands Agents e LangGraph in genere gestiscono questo livello per te, ma l’archiviazione sottostante deve fornire una latenza di lettura in microsecondi perché l'agente accede a questa memoria frequentemente, anche nell’ambito di una singola interazione. 

La memoria a breve termine si estende anche allo stato condiviso tra gli agenti IA. Quando più agenti IA si coordinano su un’attività, un file system condiviso consente loro di scambiare risultati intermedi e mantenere i checkpoint con accesso a bassa latenza.

Memoria a medio termine

Questo è il livello più connesso agli strumenti e ai sistemi di dati esistenti, inclusi data lake, cataloghi e knowledge base. Comprende i fatti, le relazioni e le esperienze che un agente IA recupera tramite chiamate agli strumenti durante l’esecuzione ed è il punto in cui si concentra la maggior parte del lavoro di preparazione dei dati. Include quanto segue: 

• La memoria semantica contiene una conoscenza strutturata di fatti, concetti e relazioni, indipendentemente da quando o dove tale conoscenza è stata acquisita. Questa è la knowledge base senza tempo che gli agenti IA utilizzano per ragionare su nuove situazioni senza ricavare nuovamente le risposte dai principi fondamentali. Database, archivi vettoriali, grafi della conoscenza e data warehouse fungono tutti da backend di memoria semantica. 

• La memoria del profilo utente acquisisce l’identità persistente della persona servita dall’agente IA, comprese le preferenze, gli stili di comunicazione, le scelte passate e gli attributi accumulati che personalizzano il comportamento tra le sessioni. 

• La memoria episodica contiene una registrazione con data e ora di eventi e interazioni specifici. Dove la memoria semantica è astratta, la memoria episodica è concreta. Consente agli agenti IA di ricordare che un particolare approccio non ha funzionato in un sistema precedente e di adeguarsi di conseguenza. Questo è ciò che consente agli agenti IA di migliorare attraverso la distribuzione, anziché richiedere un riaddestramento costante. I log delle sessioni, le cronologie delle interazioni e gli archivi degli eventi alimentano tutti la memoria episodica. 

La differenza fondamentale dalla memoria a breve termine è che la memoria a medio termine vive al di fuori della finestra di contesto ed è accessibile tramite strumenti. L’agente IA decide quando ha bisogno di informazioni e chiama lo strumento appropriato, il che significa che le origini dati devono essere individuabili e sufficientemente reattive da mantenere il ciclo di ragionamento in corso. 

Memoria a lungo termine

Questo è il livello che cambia meno spesso e modella fondamentalmente il senso di sé di un agente IA e le decisioni che prende. La memoria a lungo termine include prompt di sistema, guardrail, definizioni della persona dell’agente IA e routine procedurali. Quando un agente IA viene creato per svolgere il ruolo di agente di sottoscrizione assicurativa, tali istruzioni, insieme alle regole, ai vincoli e ai limiti comportamentali che deve seguire, vengono archiviate qui. Questo livello comprende anche la memoria procedurale, che codifica le competenze e le routine che forniscono all’agente IA una conoscenza operativa integrata senza deliberare in ogni fase. Gli artefatti della memoria a lungo termine possono essere gestiti come infrastructure as a code e archiviati in archivi di codice con controllo della versione, sistemi di gestione della configurazione o archivi chiave-valore.

I flussi di lavoro delle applicazioni tradizionali seguono percorsi fissi e deterministici. Quando un utente completa un’attività, la stessa sequenza di query viene eseguita su un database. Ciò consente la prevedibilità nell’ottimizzazione degli indici, nella memorizzazione nella cache dei risultati e nella previsione della capacità. Un agente IA, tuttavia, può intraprendere un percorso diverso ogni volta che completa la stessa attività, scegliendo query diverse in base a come ragiona attraverso i risultati intermedi. Questa variabilità rende più difficile anticipare il carico e ottimizzare efficacemente i modelli di query.

In alcuni casi, questo problema può essere risolto con una cache semantica. La cache restituisce le risposte memorizzate per richieste semanticamente simili anziché attivare una nuova chiamata. Ciò può ridurre i costi, migliorare le prestazioni e aumentare il throughput delle applicazioni agentiche.

Per supportare ulteriormente l’imprevedibilità degli agenti IA, l’infrastruttura sottostante dovrebbe essere progettata per scalare automaticamente. Le architetture serverless eliminano la necessità di preallocare le risorse; anziché dimensionare l’infrastruttura per la capacità massima, le risorse aumentano o si riducono verticalmente in base alla domanda senza intervento manuale. Ciò è particolarmente importante per gli agenti IA perché il comportamento può essere discontinuo. L’attività può aumentare improvvisamente quando i task vengono avviati, vengono richiamati gli strumenti o i flussi di lavoro si espandono, per poi tornare a zero. Poiché la capacità serverless è disponibile su richiesta, si riducono gli sprechi di risorse e le organizzazioni pagano solo per ciò che consumano.

Oltre al provisioning serverless per soddisfare la domanda, le organizzazioni dovrebbero dare priorità all’infrastruttura ad alta disponibilità con failover e ridondanza automatici per supportare un tempo di attività continuo. Quando ciò è in atto, il guasto di un singolo componente non interrompe la capacità di un agente IA di completare il proprio lavoro. 

Preparare la base per la gestione dei dati per l’IA agentica potrebbe essere il progetto più importante che intraprenderai in questo decennio. Le domande contenute in questa guida rappresentano le funzionalità essenziali di cui la tua base per la gestione dei dati ha bisogno per supportare efficacemente gli agenti IA: interoperabilità, scoperta, preparazione dei dati, governance, contesto, memoria e bassa latenza. Poche organizzazioni oggi dispongono di tutte queste funzionalità completamente operative, e questo è prevedibile. La creazione di una base per la gestione dei dati per l’IA agentica è un processo evolutivo e ogni capacità che rafforzi aumenta il valore che gli agenti IA possono offrire. AWS fornisce servizi su misura in ciascuna di queste aree per aiutarti a creare, scalare e gestire la tua base per la gestione dei dati per l’IA agentica.

Da oltre 20 anni, milioni di clienti si affidano ad AWS per usufruire di servizi cloud sicuri, affidabili e scalabili con un rapporto qualità-prezzo leader del settore. Ecco come AWS supporta la tua base per la gestione dei dati per l’IA agentica.

Architettura open data

AWS adotta standard aperti perché forniscono ai clienti flessibilità e il miglior rapporto qualità-prezzo. Ciò include PostgreSQL tramite Amazon Aurora e Amazon Relational Database Service (Amazon RDS), Apache Kafka tramite Streaming gestito da Amazon per Apache Kafka (Amazon MSK), OpenSearch tramite Servizio OpenSearch di Amazon, Apache Spark tramite Amazon EMR e Trino tramite Amazon Athena. AWS offre il supporto nativo di Apache Iceberg in tutto lo stack di analisi di AWS, inclusa l’archiviazione di dati tabulari completamente gestita tramite Amazon S3 Tables, offrendo agli agenti IA un accesso interoperabile ai dati analitici senza riformattazione o duplicazione. AWS supporta anche protocolli di agenti aperti, tra cui MCP e A2A, che consentono agli agenti IA di connettersi a origini dati, strumenti e tra loro.

“L’idea che un’azienda come Amazon Web Services sostenga un prodotto open source e si occupi di attributi importanti come disponibilità elevata, scalabilità e gestione complessiva dei dati è straordinaria.”  

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

Servizi appositamente progettati per ogni livello dello stack di IA agentica

Le funzionalità trattate in questa guida, dalla preparazione dei dati alla memoria e alle prestazioni a bassa latenza, richiedono un’infrastruttura che funzioni costantemente su larga scala. AWS offre affidabilità, scalabilità e rapporto qualità-prezzo comprovati, in modo da poter costruire su fondamenta eccellenti.

Per garantire che i dati siano preparati correttamente per gli agenti IA, AWS Glue fornisce integrazione e trasformazione dei dati serverless su larga scala, semplificando l’individuazione, la preparazione, lo spostamento e l’integrazione dei dati da più origini. Qualità dei dati di AWS Glue, un componente serverless e open source di AWS Glue, consente di misurare e monitorare la qualità dei dati e applicare regole di qualità direttamente all’interno delle pipeline di dati.

Per dati quasi in tempo reale, AWS offre una suite di servizi gestiti che consentono pipeline di dati in streaming end-to-end. Flusso di dati Amazon Kinesis e Amazon MSK gestiscono l’acquisizione di dati ad alto throughput, Servizio gestito da Amazon per Apache Flink fornisce l’elaborazione in streaming e Amazon Data Firehose consegna i dati alle sue destinazioni, aiutando gli agenti IA a ragionare su dati attuali di alta qualità man mano che le condizioni cambiano.

Per supportare il contesto, i database AWS, tra cui Amazon Aurora, Amazon RDS, Amazon Neptune e Amazon ElastiCache per Valkey, forniscono supporto vettoriale nativo per il recupero RAG, offrendo agli agenti IA un contesto rapido e pertinente al momento della query. Servizio OpenSearch di Amazon fornisce un motore di recupero gestito e open source per l’IA agentica, la ricerca e l’analisi. Combina il recupero vettoriale, lessicale, ibrido e agentico in un unico sistema, offrendo risultati a bassa latenza e altamente pertinenti nell’ordine di petabyte.

Come alternativa incentrata sull’archiviazione, Amazon S3 Vectors può ridurre il costo totale di caricamento, archiviazione e interrogazione dei vettori fino al 90%, rendendo economicamente conveniente creare e conservare i grandi set di dati vettoriali che migliorano la memoria e il contesto degli agenti IA. 

“L’infrastruttura di AWS ci ha fornito le basi per concentrarci su ciò che conta. Abbiamo creato un’IA video che ragiona come fanno gli esseri umani: non solo capisce cosa succede, ma perché è importante e come i momenti si connettono nel tempo.” 
—Jae Lee, CEO e cofondatore di TwelveLabs

Vedere è capire: TwelveLabs svela al mondo tutto il potenziale dei video con S3 Vectors

Il portafoglio delle soluzioni database di AWS si estende sulle tre zone del continuum di memoria. Amazon ElastiCache per Valkey offre la latenza in microsecondi necessaria all’IA agentica per memorizzare nella cache i risultati degli strumenti, preservare il contesto della sessione e sostenere la memoria di lavoro a breve termine che favorisce un ragionamento coerente in più fasi. Amazon DynamoDB gestisce i modelli di scrittura ad alta intensità di append per la registrazione episodica e il tracciamento dello stato delle sessioni con letture in millisecondi a una cifra a qualsiasi throughput. Amazon Aurora e Amazon RDS  sono ideali per la memoria a lungo termine, in particolare per la persistenza dell’avanzamento delle attività in più fasi. Amazon Neptune potenzia la memoria semantica ed episodica basata su grafi per l’attraversamento delle relazioni.

Per supportare lo stato condiviso tra agenti IA, Amazon S3 Files fornisce l’accesso al file system a bassa latenza per i dati in Amazon S3, consentendo agli agenti di scambiare risultati intermedi e mantenere i checkpoint su pipeline multi-agente. Insieme, questi servizi coprono ogni livello di latenza, schema di scrittura e requisito di durabilità nell’intero continuum di memoria, in modo da poter creare architetture di memoria scalabili senza compromessi. Scopri come Trend Micro ha creato un assistente di sicurezza IA con funzionalità di memoria a breve e lungo termine utilizzando Amazon Neptune.

I servizi di database AWS sono progettati per scalare e adattarsi automaticamente alle modifiche del carico di lavoro in tempo reale, rendendoli ideali per i carichi di lavoro variabili e intensi generati dagli agenti IA. Amazon DynamoDB e Amazon ElastiCache sono in grado di rispondere a centinaia di milioni di richieste al secondo, raggiungendo budget di latenza da microsecondi a millisecondi a una cifra, mentre Amazon Aurora scala istantaneamente grazie alla piena compatibilità con PostgreSQL e MySQL, offrendo le prestazioni, la disponibilità e la scalabilità dei database commerciali a un decimo del costo.

Se la tua organizzazione gestisce database commerciali come SQL Server o Oracle on-premises o autogestiti su Amazon EC2, il tuo percorso verso una base per la gestione dei dati pronta per l’IA inizia con una migrazione lift and shift ad Amazon RDS. L’eBook Winning Agentic AI With Your Commercial Data Estates descrive come Amazon RDS offra la gestione automatizzata, le prestazioni, l’affidabilità e la sicurezza di cui hanno bisogno le applicazioni di IA agentica, mentre la ricerca di IDC presentata nel white paper The Business Value of Amazon RDS mostra l’impatto finanziario di una migrazione a RDS: ROI triennale del 258% e una qualità del servizio notevolmente migliore tra le organizzazioni intervistate.

Una base affidabile per l’IA

Gli agenti IA che scoprono e accedono dinamicamente ai dati per prendere decisioni autonome richiedono una governance e una sicurezza che scalino di pari passo. AWS è progettata per essere l’infrastruttura cloud più sicura con crittografia dei dati predefinita e controlli di accesso granulari che si estendono agli agenti IA. La governance dei dati di AWS garantisce che solo gli utenti giusti accedano ai dati giusti, con controlli di accesso allineati alle policy e agli standard di sicurezza. Le funzionalità di conformità integrate supportano l’evoluzione delle normative globali, mentre i processi di verifica sistematici garantiscono una gestione dei dati ben governata per un’IA affidabile. AWS si impegna a fornire dati affidabili e ricchi di contesto che fluiscono in modo sicuro tra esseri umani, agenti IA e app, anche per i carichi di lavoro più sensibili.