AWS SMGS использует AI-помощника NarrateAI для бизнес-аналитики с Amazon Bedrock AgentCore
Лидеры AWS работают с сложными данными, распределенными по нескольким уровням иерархии, и принимают срочные решения, влияющие на глобальные операции. Традиционная бизнес-аналитика опирается на статичные дашборды и ручные отчеты, из-за чего возникают задержки и снижается гибкость организации.
NarrateAI — наш интеллектуальный разговорный инструмент, который решает эту задачу с помощью conversational agentic AI на базе нашего data lake и Amazon Bedrock AgentCore. Через разговорный интерфейс Amazon Quick NarrateAI предоставляет лидерам AWS, от Chief Executive Officer (CEO) до полевых команд, бизнес-аналитику по запросу с богатым контекстом. Отвечая на вопросы на естественном языке о бизнес-показателях, NarrateAI дает немедленные, точные и практичные выводы, убирая барьеры между руководителями и их данными.
В этом материале мы рассказываем, как построили NarrateAI на Amazon Bedrock AgentCore для масштабной бизнес-аналитики в организации AWS SMGS (Sales, Marketing and Global Services). Вы узнаете о:
- двухуровневой архитектуре, которая разделяет пакетную обработку и взаимодействие в реальном времени;
- специализированных AI-агентах, которые обеспечивают интеллектуальную маршрутизацию и проверку;
- ключевых инженерных подходах для production-развертывания;
- том, как создавать похожие решения с помощью сервисов AWS.
Бизнес-аналитика в масштабе: ключевые препятствия
AWS столкнулась с проблемами, которые ограничивали эффективность традиционных подходов к бизнес-аналитике:
Затратная подготовка: руководители AWS традиционно теряли часы на ручной сбор данных перед бизнес-обзорами. Процесс подготовки включал переходы между несколькими дашбордами, сверку данных из разрозненных источников и ручное формирование выводов, оставляя мало времени на стратегическое мышление и принятие решений.
Фрагментация данных: бизнес-инсайты были распределены по нескольким системам и дашбордам, и руководителям приходилось собирать цельную картину из фрагментированных источников. Такая фрагментация создавала расхождения в метриках и затрудняла формирование единого взгляда на бизнес-показатели на разных уровнях и в разных наборах данных.
Ограниченная доступность: сложные дашборды требовали специальных навыков, из-за чего возникала зависимость от промежуточных команд отчетности. Руководители не могли получать инсайты по запросу и вынуждены были ждать подготовленных отчетов, что задерживало критически важные решения и снижало организационную гибкость.
Обзор решения
NarrateAI решает задачу превращения сложных бизнес-данных в формат диалога с помощью двухуровневой архитектуры: пакетной генерации нарративов и взаимодействия в реальном времени. Такое разделение позволяет заранее выполнить комплексную обработку данных, а затем выдавать мгновенные, контекстно точные ответы в естественном разговоре.
Amazon Bedrock AgentCore снял необходимость строить собственную инфраструктуру оркестрации, предоставив serverless-архитектуру, встроенную аутентификацию, управление памятью и интеграцию с foundation models. Это ускорило развертывание с месяцев до недель, при этом сохранив production-уровень наблюдаемости и безопасности благодаря нативной интеграции с Amazon CloudWatch и автоматическому управлению сессиями.
Слой автоматической генерации нарративов (batch processing)
NarrateAI пакетно формирует подробные persona-based narratives для каждого пользователя через трехэтапный конвейер:
- Извлечение данных — конфигурационно управляемые шаблоны Structured Query Language (SQL) (параметризованные запросы, адаптирующиеся к роли и правам пользователя) извлекают структурированные данные из Amazon Redshift. Эти шаблоны поддерживают многоуровневую детализацию и анализ временных рядов, одновременно enforcing пользовательские ограничения доступа.
- Преобразование данных — AWS Lambda преобразует извлеченные данные в структурированный JavaScript Object Notation (JSON) с использованием section-type logic (objects, arrays, breakdowns и containers) и сопоставления полей с иерархической организацией.
- Рендеринг нарратива — шаблоны Jinja (широко используемый Python templating engine) превращают структурированные данные в человекочитаемые нарративы. Иерархическая стратегия chunking, учитывающая бизнес-домен, эффективно обрабатывает большие наборы данных. Система сохраняет нарратив каждого пользователя как текстовый файл в Amazon Simple Storage Service (Amazon S3), обеспечивая row-level security за счет полной изоляции данных.
Слой разговорного AI-интерфейса (real-time)
Руководители взаимодействуют со своими нарративами через естественный язык, а управление этим процессом выполняет Amazon Bedrock AgentCore. Когда поступает вопрос, AgentCore оркестрирует специализированных AI-агентов, которые извлекают из Amazon S3 нужный persona-based narrative и используют его как источник знаний. Агенты анализируют его содержимое и формируют контекстно обоснованные ответы с помощью Anthropic’s Claude Sonnet 4. Нативный фреймворк multi-agent coordination в AgentCore позволяет системе мгновенно обрабатывать простые запросы. Для сложных вопросов система автоматически разбивает их на параллельные подзадачи, чтобы дать полный ответ.
Ключевые возможности
Эта архитектурная основа поддерживает три ключевые возможности, которые меняют способ взаимодействия руководителей с бизнес-данными.
Бизнес-запросы на естественном языке с заранее подготовленными знаниями
Руководители задают сложные бизнес-вопросы простым английским языком и сразу получают ответы из структурированных знаний, хранящихся в Amazon S3. Система понимает бизнес-терминологию и проводит многомерный анализ по регионам, продуктам, сегментам клиентов и временным периодам с учетом контекста.
Встроенная row-level security через пользовательские нарративы
NarrateAI применяет row-level security на этапе генерации нарратива, гарантируя, что knowledge engine каждого пользователя содержит только разрешенные данные. Права пользователя учитываются в процессе обработки данных, а файл нарратива каждого пользователя в Amazon S3 полностью изолирован, что помогает предотвращать утечки данных между пользователями внутри организации.
Опыт, адаптированный под роль, через persona-based filtering
NarrateAI адаптирует ответы в зависимости от роли пользователя и его организационного уровня. CEO получает высокоуровневые стратегические инсайты по всей организации, а региональный менеджер — детальные операционные метрики по своему региону.
Эти возможности поддерживаются модульной архитектурой, которая объединяет специализированных AI-агентов и сервисы AWS для масштабируемой и интеллектуальной доставки бизнес-аналитики.
Компоненты архитектуры
Наша архитектура объединяет несколько сервисов AWS и специализированных AI-агентов, чтобы доставлять интеллектуальные, контекстно-осведомленные бизнес-инсайты через модульную и масштабируемую конструкцию. Следующая схема иллюстрирует сквозную архитектуру.
Пользователи взаимодействуют с NarrateAI через две точки входа — Amazon Quick (разговорный интерфейс) и Web UI, и обе они подключаются к Amazon Bedrock AgentCore Runtime для обработки запросов. Архитектура имеет два основных потока: путь запросов в реальном времени (слева) и путь пакетной обработки данных (справа).
Агент NarrateAI (Strands agent): поток обработки запросов
В центре архитектуры находится NarrateAI Agent, построенный на Amazon Bedrock AgentCore для multi-agent orchestration. Supervisor Agent координирует end-to-end workflow обработки запросов через шесть специализированных инструментов:
- Классификация вопроса — когда поступает запрос, этот инструмент анализирует намерение пользователя и определяет сложность вопроса. Простые запросы, например «Какова выручка моей команды в этом квартале?», идут по быстрому пути для немедленного ответа. Сложные многосоставные вопросы, например «Сравни темпы роста моих 5 крупнейших аккаунтов по всем продуктовым линиям», автоматически разбиваются на параллельные подзадачи.
- Определение persona knowledge — определяет роль пользователя, его организационный уровень и права доступа к данным, чтобы понять, какой файл нарратива нужно извлечь из Amazon S3.
- Извлекатель знаний — использует table-of-contents (TOC) based retrieval, чтобы извлекать только релевантные разделы из нарратива пользователя, а не сканировать весь файл. Это сохраняет высокую скорость извлечения даже по мере роста объема нарративов.
- Оценка релевантности — сопоставляет извлеченное содержимое с вопросом пользователя, чтобы определить наиболее важные разделы и отфильтровать побочную информацию.
- Генератор ответа — синтезирует связный ответ на естественном языке из релевантных данных, используя Anthropic’s Claude Sonnet 4 через Amazon Bedrock.
- Онлайн-оценщик — проверяет каждый ответ перед выдачей, сверяя сгенерированные числа с исходными данными, проверяя логическую связность и подтверждая, что утверждения опираются на нарратив пользователя.
Время ответа зависит от сложности запроса и используемых источников данных.
Knowledge engine: поток обработки данных
Правая часть схемы архитектуры показывает, как бизнес-данные подготавливаются для разговорного слоя:
- Загрузка данных — сырые бизнес-данные поступают из Amazon Redshift и других корпоративных источников данных в Knowledge Engine Service.
- Преобразование данных — функции AWS Lambda обрабатывают и преобразуют данные с помощью конфигурационно управляемых шаблонов, применяя пользовательские права доступа и организационные иерархии.
- Хранение артефактов знаний — обработанные данные сохраняются как структурированные persona-specific narrative files в Amazon S3, с полной изоляцией данных между пользователями для обеспечения row-level security.
- Обновление данных — Data Refresh Scheduler автоматизирует периодические обновления, чтобы нарративы отражали самые свежие бизнес-данные.
Такое разделение между пакетной обработкой данных и обработкой запросов в реальном времени позволяет NarrateAI выдавать мгновенные ответы, сохраняя актуальность и точность базовых данных.
Инфраструктура и AI-основа
NarrateAI построен на тесно интегрированном наборе сервисов AWS, спроектированных для надежности, точности и масштаба.
Хранение и обработка данных — система обрабатывает и хранит бизнес-данные как структурированные knowledge artifacts в Amazon S3. AWS Lambda отвечает за serverless-преобразование данных, а Amazon Redshift служит базовым data warehouse. Собственная система извлечения использует подход table-of-contents (TOC), чтобы быстро находить релевантные разделы документа без сканирования всего файла. Это поддерживает высокую скорость ответов по мере роста knowledge engine.
Foundation models — Amazon Bedrock предоставляет доступ к ведущим foundation models, включая Anthropic’s Claude Sonnet 4, который обеспечивает понимание естественного языка, сложное бизнес-рассуждение и генерацию ответов в NarrateAI. Гибкость сервиса по выбору модели позволяет тестировать и обновлять версии без изменений архитектуры, улучшая понимание запросов и сокращая время ответа по мере появления более мощных моделей.
Безопасность и guardrails — Amazon Bedrock Guardrails обеспечивают безопасность через три настраиваемых фильтра, адаптированных под сценарий NarrateAI:
- Фильтрация контента — блокирует неподобающий или вредоносный язык.
- Редакция PII — помогает предотвратить случайное раскрытие чувствительной personally identifiable information (PII).
- Tone guardrails — гарантируют, что каждый ответ сохраняет профессиональный тон, соответствующий уровню руководства AWS.
Инфраструктура развертывания агентов — мы используем Amazon Bedrock AgentCore как базовый слой оркестрации. AgentCore предоставляет комплексные agentic capabilities, включая продвинутую наблюдаемость, интеграцию с provider аутентификации и serverless-управление памятью.
Наблюдаемость — AgentCore Observability дает подробные сведения о сквозном выполнении сессий агентов, обеспечивая полную операционную видимость через интеграцию с Amazon CloudWatch для мониторинга и оповещений. Возможности трассировки через OpenTelemetry, встроенные в AgentCore, повысили эффективность отладки. Время устранения неполадок сократилось с десятков минут или часов до нескольких минут.
Управление памятью — мы перенесли историю разговоров (short-term memory) с собственного решения на базе Amazon DynamoDB на native memory capabilities AgentCore. Эта миграция:
- убрала необходимость поддерживать собственный код управления сессиями;
- упростила архитектуру, объединив управление памятью внутри serverless-инфраструктуры AgentCore;
- позволила быстрее развивать функциональность благодаря встроенной обработке сессий.
Инженерия для production
Когда базовая инфраструктура была готова, масштабное развертывание NarrateAI потребовало решения четырех критических инженерных задач, с которыми сталкивается каждая production AI-система.
Первой задачей были точность и доверие. AI-модели могут выдавать ответы, которые звучат убедительно, но содержат ошибки, а это серьезный риск для бизнес-решений. Чтобы снизить его, каждый ответ проверяется до выдачи: сверяется точность чисел, согласованность метрик и логическая корректность ответа. Архитектура ограничивает участие large language model (LLM) в численных вычислениях, чтобы уменьшить риск hallucination, а автоматические проверки отсеивают неподобающий язык до того, как ответ попадет к пользователю.
Второй задачей была осведомленность о контексте на разных уровнях иерархии. Разным руководителям нужны разные данные. Региональный менеджер должен видеть только показатели своего региона, а executive — полную картину по компании. Система автоматически определяет, кто задает вопрос и какие данные ему разрешено видеть, а затем ограничивает каждый ответ его ролью и структурой подчинения без необходимости ручных фильтров.
Третьей задачей стала задержка ответа при масштабировании. В ранних версиях сложные вопросы обрабатывались заметно медленно, что вызывало недовольство пользователей и снижало принятие решения использовать систему. Теперь система маршрутизирует вопросы по уровню сложности. Простые запросы отвечаются быстро, а сложные многосоставные вопросы обрабатываются параллельно. Время ответа зависит от сценария использования, характера запроса и исходных источников данных. Дополнительный предварительный анализ структуры документов во время загрузки данных еще больше снижает задержку извлечения информации на каждый запрос.
Наконец, тщательного внимания требовали охват тем и границы решения. Бизнес-аналитика охватывает множество доменов — продажи, финансы, маркетинг и другие, — и у каждого своя терминология и логика. Команда работала с экспертами предметных областей, чтобы закодировать институциональные знания с помощью стандартизированного шаблонного подхода, сократив то, что раньше занимало месяцы кастомной разработки, до нескольких недель.
Главный вывод из этой работы заключается в том, что production readiness требует баланса между гибкостью AI и точностью rule-based подходов, контроля доступа к данным на уровне источника и оптимизации под наиболее частые сценарии при надежной обработке сложных запросов.
Результаты и эффект
После запуска NarrateAI обеспечил измеримые улучшения в доступности бизнес-аналитики и скорости принятия решений:
- Более 4 000 активных пользователей среди руководства AWS — от CEO до региональных менеджеров.
- Сокращение подготовки с часов до минут при подготовке к бизнес-обзорам.
- Комплексная проверка точности данных через детерминированные вычисления и проверки Online Evaluator Tool.
Руководители отмечают рост уверенности в решениях на основе данных и улучшение способности изучать бизнес-показатели через естественный диалог, а не через навигацию по дашбордам. С помощью Amazon Bedrock AgentCore мы перевели инженерные операции с ручных процессов бизнес-аналитики на AI-powered self-service hub. Этот подход повысил эффективность, сократил время подготовки обзоров с часов до минут и усилил безопасность и соответствие требованиям благодаря встроенным guardrails и enforcement row-level access.
Будущее видение: от реактивности к проактивности
NarrateAI эволюционирует из разговорного помощника в автономного агента, который заранее предоставляет инсайты, выявляет аномалии и предлагает действия еще до того, как их запросят. Он будет активироваться бизнес-календарями, изменениями данных в реальном времени и организационным контекстом. Благодаря расширенной оркестрации Amazon Bedrock AgentCore, event-driven architecture и продвинутым multi-agent systems (Knowledge, Forecast и Policy Agents) система будет выдавать predictive analytics с безопасными, объяснимыми автономными действиями, управляемыми полным policy and audit layer. Эта эволюция позиционирует NarrateAI как интеллектуального бизнес-партнера, который предугадывает потребности и помогает принимать проактивные решения по всей организации.
Заключение
В этом материале мы показали, как построили NarrateAI на Amazon Bedrock AgentCore, чтобы масштабно доставлять conversational business intelligence в AWS SMGS. Мы рассмотрели двухуровневую архитектуру, которая разделяет batch narrative generation и real-time interaction, специализированных агентов, которые маршрутизируют и проверяют каждый ответ, а также инженерные подходы, делающие решение production-ready.
Вы можете использовать те же сервисы AWS, которые лежат в основе нашего решения, чтобы строить собственные conversational business intelligence решения. Amazon Bedrock AgentCore предлагает модульные сервисы для создания, развертывания и эксплуатации AI-агентов в масштабе, с нативной поддержкой multi-agent orchestration, memory management и observability. Amazon Redshift выступает надежным data warehouse для аналитических нагрузок.
Показанные архитектурные подходы применимы в разных отраслях. К ним относятся кастомизированный поиск знаний, который сочетает точность извлечения и гибкость генерации, иерархическая обработка документов, поддерживающая интеллектуальную навигацию по сложным базам знаний, role-based access control, обеспечивающий безопасный доступ к данным в multi-tenant средах, и параллельная обработка агентами, которая дает отзывчивую производительность в масштабе.
Готовы трансформировать свои операции? Чтобы начать, изучите страницу Amazon Bedrock AgentCore, документацию AgentCore documentation и попробуйте notebook-based tutorials для дополнительных сценариев. Поделитесь своим мнением в комментариях.
Благодарности
Выражаем искреннюю благодарность нашим исполнительным спонсорам и наставникам, чье видение и поддержка сделали эту инициативу возможной: Aizaz Manzar, Director of AWS Global Sales; Sujit Narapareddy, Director of AWS Insights; Damien Forthomme, Senior Applied Scientist; и Akhand Singh, Head of Data Engineering.
Также благодарим членов команды, чья техническая экспертиза и вклад сыграли ключевую роль в создании этого продукта: Aswin Palliyali Venugopalan, Software Dev Manager; Sai Meka, Machine Learning Engineer; Mihir Gadgil, Senior Data Engineer; Shalabh Mittal, Data Engineer; Akshay Kasar, Machine Learning Engineer; Jayson Carter, Senior Machine Learning Engineer; Srijan Tiwari, Senior Applied Scientist; Bill Tran, Data Engineer; Inigo Dalmau, Data Engineer; Tyler Durand, Senior Technical Product Manager; Kaylin Tay, Business Insights Analyst; Anusha Sakhamuri, Data Engineer.
Материал — перевод статьи с английского.