Structure des mémoires avec métadonnées dans AgentCore Memory

Je vais traduire et résumer cet article en français en trois paragraphes selon les consignes.

Amazon a détaillé dans un billet de blog technique une nouvelle fonctionnalité de filtrage par métadonnées pour Amazon Bedrock AgentCore Memory, son service géré de mémoire pour agents d'intelligence artificielle. Ce service permet aux agents conversationnels de se souvenir d'informations et de les retrouver d'une conversation à l'autre, en organisant les données en espaces de noms isolés, par exemple un espace dédié à chaque client. Jusqu'ici, la recherche par similarité sémantique au sein d'un espace de noms remontait des résultats mélangés dès que l'historique s'accumulait sur plusieurs semaines: un agent de support client demandant des "problèmes de facturation" pouvait ainsi recevoir pêle-mêle des tickets techniques, des conversations commerciales et de véritables litiges de facturation. Amazon a testé la nouvelle fonction de filtrage sur un jeu de 151 questions construit à partir d'un benchmark de mémoire à long terme de type LoCoMo, portant sur des conversations multi-sessions. Résultat: la précision globale des réponses est passée de 40% à 64% grâce au filtrage par métadonnées, avec un bond spectaculaire de 16% à 69% sur le sous-ensemble de questions dépendant de bornes contextuelles précises, comme une plage de dates, un niveau de priorité ou un département donné.

Cette avancée répond à un problème concret rencontré par les équipes qui déploient des agents IA à grande échelle en entreprise: l'isolement par espace de noms garantit que les données d'un client ou d'un patient ne se mélangent pas avec celles d'un autre, mais il ne suffit pas à distinguer, à l'intérieur même de ce périmètre, une conversation prioritaire de la semaine dernière d'une requête de routine vieille de trois mois. Amazon cite l'exemple d'un agent de services financiers dont l'espace de noms par client a accumulé six mois d'historique: quand un gestionnaire de compte demande à revoir les "discussions de rééquilibrage de portefeuille" pour un client précis, la recherche sémantique seule ne peut pas hiérarchiser les résultats par stratégie d'investissement, période ou niveau de priorité. Le filtrage par métadonnées permet désormais de restreindre la recherche par similarité à des dimensions métier précises, comme la priorité, le service concerné ou une plage temporelle, avant même que le moteur de recherche sémantique n'entre en jeu. Cela change concrètement la fiabilité des agents déployés dans des environnements multi-tenants, où plusieurs organisations ou services partagent la même infrastructure tout en ayant besoin de filtrer indépendamment leurs propres catégories, statuts ou étiquettes de tickets.

Le contexte plus large est celui d'une maturation rapide des architectures de mémoire pour agents IA, à mesure que les déploiements en entreprise passent du prototype à la production avec des mois, voire des années, de données accumulées. Amazon avait déjà publié un billet consacré aux bonnes pratiques de conception des espaces de noms dans AgentCore Memory, la nouvelle fonctionnalité de métadonnées venant compléter cette couche de séparation logique par un second niveau de filtrage plus fin. Le fonctionnement s'articule autour d'un cycle en trois phases, configuration, ingestion et récupération, applicable à la fois à la mémoire à court terme et à la mémoire à long terme des agents. Ce type d'amélioration s'inscrit dans la compétition plus générale que se livrent les grands fournisseurs cloud, Amazon, Google et Microsoft en tête, pour proposer aux entreprises des briques de mémoire persistante fiables, condition jugée essentielle pour que les agents IA autonomes deviennent réellement utilisables à grande échelle dans des cas d'usage sensibles comme la santé, la finance ou le support informatique.