Amazon intègre les bases de données de séries temporelles pour l'analyse de marché via MCP

Vanguard construit une infrastructure de données pour son analyste virtuel IA

Vanguard, l'une des plus grandes sociétés de gestion d'actifs au monde avec plus de 8 000 milliards de dollars sous gestion, a développé un outil interne baptisé « Virtual Analyst » pour permettre à ses analystes financiers d'interroger des données complexes en langage naturel. Avant ce projet, obtenir une réponse à une question pourtant simple nécessitait de rédiger des requêtes SQL sophistiquées et de solliciter les équipes data, un processus qui pouvait s'étaler sur plusieurs jours. Désormais, les analystes et parties prenantes métier accèdent directement aux données en quelques secondes, sans expertise technique préalable. L'infrastructure repose sur plusieurs services AWS : Amazon Bedrock pour les modèles de langage assurant la compréhension du langage naturel, Amazon Redshift pour l'analytique avancée, et AWS Glue pour le catalogage automatisé des données. Vanguard a formulé huit principes directeurs pour construire ce qu'ils nomment une infrastructure de données « AI-ready ». La principale leçon du projet dépasse le simple cas d'usage : déployer de l'IA conversationnelle dans une entreprise n'est pas d'abord un défi de machine learning, mais un défi d'architecture de données. Les modèles de fondation les plus puissants ne peuvent pas compenser une infrastructure sémantique défaillante. Vanguard a donc restructuré la façon dont ses équipes définissent, possèdent et maintiennent les données, en établissant des standards de qualité, des définitions sémantiques claires pour chaque métrique financière, et des modèles de gouvernance partagés. Pour les utilisateurs finaux, le gain est immédiat : l'accès à l'information pour la prise de décision n'est plus conditionné par la disponibilité d'une équipe technique. Pour l'industrie financière, c'est une démonstration concrète qu'une infrastructure réglementée et sensible peut être rendue compatible avec l'IA générative, à condition d'y consacrer le travail fondamental en amont. Le projet a nécessité de briser des silos organisationnels profondément ancrés. Vanguard a réuni des ingénieurs data, des analystes métier, des équipes de conformité réglementaire, de sécurité et des utilisateurs finaux dans un modèle opérationnel transversal inédit pour la firme. La conformité et la sécurité, souvent perçues comme des freins à l'innovation dans les services financiers, ont été intégrées dès la conception plutôt qu'ajoutées après coup, ce qui a permis de respecter les exigences strictes du secteur. Ce projet s'inscrit dans une tendance plus large : les grandes institutions financières, Vanguard, JPMorgan, BlackRock, investissent massivement dans des couches de données sémantiques pour rendre leurs systèmes historiques compatibles avec l'IA. Le Virtual Analyst de Vanguard est présenté comme un modèle illustratif plutôt que prescriptif, mais il offre un cadre concret à toute organisation confrontée au même problème : comment transformer des décennies de données métier en une ressource exploitable par l'IA sans sacrifier la fiabilité ni la conformité.

Postgres pour agents de production : votre base relationnelle pour l'IA en entreprise

Article de synthèse pour Le Fil IA : Gwen Shapira, figure reconnue de l'écosystème des bases de données, a présenté une conférence détaillant comment PostgreSQL s'impose comme fondation relationnelle pour les applications d'IA en production. Elle y explique comment les équipes exploitent les capacités multi-modales de Postgres, notamment le parsing JSONB et l'indexation vectorielle HNSW à haut rappel, pour fournir aux grands modèles de langage à la fois du contexte déterministe et sémantique. Shapira aborde également la quantification vectorielle, une technique permettant d'accélérer les requêtes jusqu'à 4 fois, ainsi que des stratégies concrètes pour gérer la mémoire des agents IA. Cette présentation répond à un enjeu central pour les entreprises qui déploient des agents IA en production : disposer d'une infrastructure de données robuste, capable de combiner recherche vectorielle et requêtes structurées classiques sans multiplier les systèmes. En évitant de dupliquer les données entre une base relationnelle et une base vectorielle dédiée, les équipes techniques réduisent la complexité opérationnelle et les coûts de maintenance. La quantification vectorielle promet par ailleurs des gains de performance significatifs, un facteur critique quand les agents doivent interroger de larges volumes de mémoire contextuelle en temps réel. Cette évolution s'inscrit dans une tendance de fond où PostgreSQL, longtemps cantonné aux usages transactionnels classiques, gagne du terrain face aux bases de données vectorielles spécialisées comme Pinecone ou Weaviate. Grâce à des extensions comme pgvector, la base open source devient une alternative crédible pour les architectures d'agents IA d'entreprise, qui doivent gérer simultanément mémoire agentique, données métier et recherche sémantique. La question de la gestion de la mémoire des agents, encore peu standardisée dans l'industrie, reste un terrain d'expérimentation actif où les approches de Shapira apportent des pistes concrètes pour les équipes en production.

💬 Bon, sur le papier c'est logique : pourquoi tu irais payer Pinecone et gérer deux bases si Postgres avec pgvector fait le boulot ? La quantification vectorielle qui accélère de 4x, ça c'est du concret, pas juste une promesse marketing. Reste que la mémoire des agents, personne n'a encore de standard qui tienne, alors les spécialistes vont continuer à vendre leur base dédiée un moment.

Amazon Quick au service de la recherche sur les cancers rares : intégration de bases de données biomédicales

Amazon a lancé Amazon Quick Research, un environnement de recherche unifié intégré à sa plateforme Amazon Quick, conçu pour accélérer l'analyse de données biomédicales fragmentées dans des domaines comme la cancérologie rare. L'outil combine des bases de données publiques, PubMed, ClinicalTrials.gov, des revues en accès libre, avec des fichiers internes (PDF, Word, Excel, CSV, JSON et une dizaine d'autres formats) au sein d'espaces de travail appelés Spaces, capables d'indexer jusqu'à 10 000 fichiers. Un agent orchestre la récupération multi-sources, décompose automatiquement une question de recherche en sous-thèmes, génère un plan d'investigation révisable avant exécution, puis produit un rapport structuré avec citations traçables jusqu'à la source. Les rapports sont exportables en PDF ou en Word, et un système de versioning permet d'annoter des passages spécifiques (jusqu'à 400 caractères par commentaire) pour déclencher des révisions ciblées qui incrémentent le numéro de version tout en conservant les versions antérieures. La démonstration publiée par AWS s'appuie sur le sarcome pédiatrique comme domaine d'application. L'enjeu principal est celui du temps perdu avant même que l'analyse commence. En cancérologie rare, les données sont aujourd'hui dispersées entre des pipelines de séquençage génomique, des registres d'essais cliniques, des référentiels de biomarqueurs et la littérature scientifique, des systèmes cloisonnés qui nécessitent habituellement des semaines de travail pour construire les pipelines ETL, réconcilier les schémas et interroger chaque source manuellement. Amazon Quick Research court-circuite cette étape en ingérant et indexant ces sources dès la création du projet, puis en synthétisant les résultats via un grand modèle de langage qui génère des conclusions avec leurs chaînes de preuve exposées via la fonctionnalité "Understand the statement". Pour les chercheurs, le gain est surtout sur la phase de revue de littérature et d'intégration de données, au bénéfice du temps consacré à l'analyse elle-même. Cette annonce s'inscrit dans la tendance plus large des agents IA appliqués à la recherche scientifique, où les grandes plateformes cloud cherchent à se positionner sur le marché des outils d'accélération biomédicale. AWS rejoint ainsi des acteurs comme Elsevier, Semantic Scholar ou plusieurs startups spécialisées qui proposent des outils comparables de synthèse de littérature. Amazon Quick Research reste un service payant avec facturation à l'usage, ce qui limite son accessibilité aux équipes académiques aux budgets serrés. Les développements probables incluent l'intégration de sources propriétaires, de bases cliniques sécurisées conformes au HIPAA, et potentiellement des connecteurs vers des entrepôts de données génomiques comme TCGA ou GEO, des ajouts qui étendraient considérablement la portée de l'outil dans un contexte où l'IA appliquée à l'oncologie de précision connaît une expansion rapide.

Amazon Bedrock AgentCore : créer des agents IA pour le support métier

Works Human Intelligence (WHI), éditeur japonais du système RH intégré "COMPANY" utilisé par de grandes entreprises et organismes publics nippons, a collaboré avec le AWS Generative AI Innovation Center (GenAIIC) pour développer deux agents d'IA reposant sur Amazon Bedrock AgentCore. Le premier, le Commuting Allowance Agent, automatise la validation des demandes d'indemnités de transport lors d'événements comme les déménagements d'employés. Le second, le Browser Operation Agent, accède au système "COMPANY" au nom des clients pour vérifier des contenus, effectuer des opérations et collecter des preuves. Le résultat le plus marquant de cette collaboration est une réduction des coûts allant jusqu'à 97 %, combinée à une amélioration mesurable de l'efficacité opérationnelle des équipes support. Pour les départements RH de grandes organisations, la gestion quotidienne d'un système comme "COMPANY" génère un volume considérable de tâches répétitives : changements organisationnels, révisions des politiques salariales, mises à jour d'informations employés. L'automatisation via des agents d'IA permet de décharger les équipes opérationnelles de ces traitements routiniers, libérant du temps pour des missions à plus forte valeur ajoutée. La réduction de 97 % des coûts illustre concrètement ce que peut apporter une architecture bien conçue : WHI auto-hébergeait auparavant Langfuse pour surveiller ses agents, ce qui entraînait des coûts d'exploitation récurrents. La migration vers AgentCore Observability a supprimé cette charge. Pour l'industrie RH, ce cas démontre qu'il est possible de déployer des agents multi-tenants fiables, avec authentification via Amazon Cognito et gestion des tenants par Amazon DynamoDB, sans infrastructure monolithique difficile à faire évoluer. WHI avait initialement lancé un proof of concept avec LangGraph, Amazon ECS et AWS Fargate, mais la mise en disponibilité générale d'Amazon Bedrock AgentCore en cours de projet a conduit l'équipe à repenser l'architecture. Plutôt que de maintenir un ECS task monolithique où tous les composants s'exécutaient en bloc, la nouvelle architecture décompose les sous-agents pour les faire tourner individuellement sur l'AgentCore Runtime, ce qui facilite leur évolution future indépendante. Slack a été intégré comme point d'entrée, avec une authentification déclenchée au moment de chaque appel. WHI envisage également de remplacer l'agent superviseur actuel par Strands Agents à terme. Ce projet illustre une tendance croissante : les éditeurs de logiciels métier cherchent à enrichir leurs solutions avec des couches d'IA agentique en s'appuyant sur des services cloud managés pour absorber la complexité opérationnelle, plutôt que de maintenir leur propre outillage d'orchestration.