Recherche entreprise pour agents avec Amazon Bedrock Managed Knowledge Base

Ring optimise son support client mondial avec Amazon Bedrock Knowledge Bases

Ring, la filiale de sécurité domestique d'Amazon, a déployé en production un chatbot de support client multilingue fondé sur la technologie RAG (Retrieval-Augmented Generation), en s'appuyant sur Amazon Bedrock Knowledge Bases. Le système couvre aujourd'hui 10 régions internationales — dont le Royaume-Uni, l'Allemagne et huit autres marchés — depuis une infrastructure centralisée unique. Résultat concret : chaque nouvelle locale ajoutée au dispositif coûte désormais 21 % moins cher qu'avec l'architecture précédente, qui exigeait des déploiements d'infrastructure distincts par région. La solution mobilise Amazon Bedrock, AWS Lambda, AWS Step Functions et Amazon S3, dans une logique entièrement serverless. Le projet a été développé en collaboration avec David Kim et Premjit Singh, ingénieurs chez Ring. Ce déploiement répond à des limites très concrètes de l'ancien système. Ring utilisait jusqu'ici un chatbot basé sur des règles prédéfinies, construit avec Amazon Lex : pendant les pics d'activité, 16 % des interactions client devaient être escaladées vers des agents humains, faute de réponses adaptées. Les ingénieurs consacraient par ailleurs 10 % de leur temps à la maintenance de ce système rigide. L'expansion internationale a rendu cette approche intenable : chaque territoire nécessite des informations produits spécifiques — spécifications électriques, conformité réglementaire locale, configurations matérielles distinctes — qui ne se réduisent pas à une simple traduction. Le nouveau système permet de servir ce contenu différencié depuis un référentiel unique, en appliquant un filtrage par métadonnées (balises de locale) pour délivrer les bonnes informations au bon marché, sans infrastructure dédiée par région. L'architecture repose sur une séparation en deux flux : l'ingestion et l'évaluation d'un côté, la promotion en production de l'autre. Cette organisation en deux phases permet à l'équipe éditoriale de Ring de publier des mises à jour de guides produits, articles de dépannage et documentation de support, qui se propagent automatiquement à toutes les locales sans intervention manuelle. La latence de bout en bout visée est de 7 à 8 secondes ; l'analyse de performance a montré que la latence liée à la distance géographique représente moins de 10 % du temps de réponse total, ce qui a justifié le choix d'une architecture centralisée plutôt que distribuée. Pour Ring, c'est un pivot stratégique : au lieu d'industrialiser la maintenance d'infrastructure, les équipes peuvent concentrer leurs efforts sur l'amélioration de l'expérience client. Le modèle est transposable à tout opérateur cherchant à étendre ses opérations de support à l'international sans faire exploser ses coûts opérationnels.

Amazon Bedrock AgentCore intègre la recherche web

Amazon a annoncé la disponibilité générale de Web Search on Amazon Bedrock AgentCore, une fonctionnalité de recherche web entièrement gérée et compatible avec le protocole MCP (Model Context Protocol). Concrètement, elle permet aux agents d'IA déployés sur Bedrock d'accéder en temps réel à des informations issues du web, sans que les équipes techniques aient à gérer une API de recherche tierce, des clés d'accès, des quotas ou du code d'extraction de résultats. Le service s'intègre via l'AgentCore Gateway avec une simple authentification IAM ou JWT, et les agents le découvrent via un appel standard tools/list, comme n'importe quel autre outil MCP. Derrière ce connecteur repose un index web propriétaire maintenu par Amazon, couvrant des dizaines de milliards de documents, mis à jour en continu avec un délai de rafraîchissement de quelques minutes. Le service inclut également un graphe de connaissances pour les réponses factuelles à haute confiance, et une extraction sémantique de passages optimisée pour les fenêtres de contexte des modèles de langage. L'ensemble du trafic de requêtes reste dans l'infrastructure AWS, sans transmission externe. L'enjeu est structurel pour quiconque construit des agents d'IA en production : ces systèmes ont une connaissance figée à la date de leur entraînement. Interroger un agent sur un cours de bourse, un score sportif ou une annonce publiée il y a une heure retourne au mieux une réponse périmée, au pire une hallucination confiante. Web Search on AgentCore supprime ce plafond sans imposer aux équipes de construire et maintenir elles-mêmes une infrastructure de recherche, tâche qui représente en réalité plusieurs projets distincts, gestion des quotas, normalisation des formats, politique de rétention des données, fraîcheur de l'index. Pour les entreprises qui déploient des agents sur des cas d'usage temps réel (veille concurrentielle, support client, analyse de marché), la disponibilité générale de ce service réduit significativement le coût et la complexité d'un composant jusqu'ici souvent bricolé. Ce lancement s'inscrit dans la montée en puissance des architectures agentiques au sein des grands fournisseurs cloud, où Amazon, Google et Microsoft se disputent le rôle de plateforme de référence pour les agents d'entreprise. L'adoption du protocole MCP comme standard d'interopérabilité est un signal fort : Amazon ne cherche pas à enfermer les développeurs dans un écosystème propriétaire, mais à s'imposer comme couche d'infrastructure de confiance. La proposition de valeur repose sur trois piliers que les solutions tierces peinent à réunir simultanément : fraîcheur de l'index, confidentialité des requêtes garantie dans AWS, et qualité de l'extraction pour les modèles. La prochaine étape logique sera probablement l'intégration native avec d'autres outils AgentCore (mémoire, orchestration multi-agents), consolidant Bedrock comme environnement d'exécution complet pour les agents d'IA en production.

💬 Ce qui me frappe plus que la feature en elle-même, c'est qu'Amazon a choisi MCP plutôt qu'une API proprio. En faisant ça, Bedrock se positionne comme couche d'infrastructure neutre pour les agents enterprise, pas comme un silo de plus, et c'est le genre de pari discret qui pèse plus lourd que ça en a l'air dans les décisions d'architecture. Si tu construis des agents avec des besoins temps réel, tu viens de perdre une bonne excuse pour bricoler ta propre pile de recherche.

Le Fil IA développe une couche sémantique pour l'IA à base d'agents sur AWS avec Stardog et Amazon Bedrock AgentCore

AWS et Stardog ont présenté une architecture technique permettant de déployer une couche sémantique pour des agents d'intelligence artificielle directement sur les infrastructures cloud d'Amazon, sans extraction, transformation ni chargement de données (ETL). Le dispositif repose sur l'application Semantic AI de Stardog, connectée simultanément à Amazon Aurora et Amazon Redshift, et pilotée par un agent Strands Agents hébergé sur Amazon Bedrock AgentCore. Concrètement, cet agent peut répondre à des questions dites de « vision client à 360 degrés » en interrogeant les deux bases de données en même temps, sans qu'un ingénieur ait besoin de dupliquer ou de fusionner préalablement les données. Le même déploiement Stardog fonctionne aussi derrière d'autres services de calcul AWS, comme Amazon EKS, Amazon ECS ou AWS Lambda. Le choix d'AgentCore s'explique par le fait que ce service regroupe en une seule solution gérée l'authentification des accès entrants, l'hébergement de l'agent et la gestion des identifiants pour les outils tiers. Cette annonce s'inscrit dans un mouvement plus large que les auteurs appellent « l'analytique agentique », prolongement logique de vingt ans d'évolution des outils décisionnels, des rapports programmés aux tableaux de bord, puis au libre-service analytique. Jusqu'ici, même les outils en libre-service dépendaient d'un modèle de données déjà construit par un ingénieur, l'analyste humain restant le point de passage obligé pour toute question sortant du cadre prévu. Les agents génératifs promettent de lever ce goulot d'étranglement en raisonnant directement sur les données en temps réel, en écrivant leurs propres requêtes et en les affinant de manière autonome. Pour les entreprises, l'enjeu est direct : accélérer l'accès à une réponse fiable sans multiplier les développements sur mesure, tout en évitant le piège des réponses incohérentes lorsque deux agents interrogent des sources différentes pour la même question métier. Le véritable obstacle, selon AWS, n'est plus la capacité des modèles de fondation disponibles sur Bedrock à planifier des tâches complexes ou à générer du SQL, mais la fragmentation des données d'entreprise elles-mêmes. Un « client » n'a souvent pas la même définition dans un système de gestion de la relation client (CRM) que dans un système de facturation, tout comme le « chiffre d'affaires » peut varier selon l'équipe qui le calcule. Sur AWS, ces données sont réparties entre Aurora et les bases RDS pour les données opérationnelles, Redshift pour l'historique analytique, et S3 combiné à Athena pour les données non structurées, notamment via des formats ouverts comme Apache Iceberg. La génération augmentée par récupération (RAG), utilisée via Amazon Bedrock Knowledge Bases, fonctionne bien pour retrouver des passages de texte, mais s'avère insuffisante dès qu'une question exige de croiser des enregistrements entre systèmes tout en respectant des règles métier et des politiques d'accès aux données, d'où l'intérêt d'une couche sémantique dédiée.

💬 Le vrai sujet, c'est pas AWS ni Stardog, c'est la fragmentation des données d'entreprise. Un agent qui écrit du SQL tout seul, on sait déjà faire. Un agent qui sait que "client" veut pas dire la même chose dans le CRM et dans la facturation, c'est ça le boulot, et c'est là que ça coince depuis toujours. Bon, sur le papier c'est élégant : zéro ETL, une couche sémantique qui interroge Aurora et Redshift en même temps. Reste à voir si ça tient quand deux agents posent la même question métier et sortent deux réponses différentes, parce que c'est exactement le piège que ce genre d'archi est censé éviter.

Amazon Bedrock intègre la mémoire d'entreprise avec Amazon Neptune et Mem0

TrendMicro, l'un des plus grands éditeurs mondiaux de logiciels antivirus, a déployé une architecture de mémoire persistante pour son chatbot d'entreprise Trend's Companion, en collaboration avec les équipes AWS et son Generative AI Innovation Center. Le système repose sur trois piliers technologiques : Amazon Bedrock pour l'orchestration des agents IA, Amazon Neptune pour stocker un graphe de connaissances propre à chaque entreprise cliente, et Mem0 pour gérer à la fois la mémoire conversationnelle à court terme et la mémoire persistante à long terme. Concrètement, lorsqu'un utilisateur envoie un message, le modèle Claude sur Amazon Bedrock extrait automatiquement les entités, relations et éléments mémorisables, qui sont ensuite vectorisés via Amazon Bedrock Titan Text Embed et indexés dans Amazon OpenSearch Service et Neptune. Un mécanisme de réordonnancement via Amazon Bedrock Rerank ou Cohere Rerank garantit que les informations les plus pertinentes remontent en priorité lors de chaque requête. L'enjeu est de taille pour les chatbots d'entreprise : jusqu'ici, ces systèmes perdaient le fil dès qu'une conversation se terminait, obligeant les utilisateurs à se répéter et rendant impossible toute capitalisation sur les échanges passés. Avec cette architecture, le chatbot peut désormais référencer l'historique des interactions, retrouver des connaissances organisationnelles structurées et adapter ses réponses au contexte spécifique d'une entreprise cliente, sans que l'utilisateur ait besoin de tout réexpliquer. Un mécanisme de validation humaine renforce encore la fiabilité du système : après chaque réponse, l'IA associe ses affirmations aux souvenirs précis sur lesquels elle s'est appuyée, et l'utilisateur peut approuver ou rejeter ces associations. Les mémoires validées restent dans la base de connaissances ; les autres sont supprimées d'OpenSearch et de Neptune. Ce "human-in-the-loop" donne aux entreprises un contrôle direct sur la qualité et la fiabilité du savoir accumulé par leur chatbot. Cette initiative s'inscrit dans une tendance de fond qui voit les grands éditeurs tech chercher à transformer leurs assistants IA de simples répondeurs en véritables agents dotés de mémoire organisationnelle. TrendMicro fait face à une clientèle d'entreprises qui attendent des outils capables de comprendre leur environnement propre, leurs processus internes et leur historique de support, sans compromettre la sécurité des données. Le choix d'Amazon Neptune comme socle du graphe de connaissances est particulièrement significatif : contrairement à une base vectorielle classique, un graphe permet de modéliser des relations complexes entre entités, offrant une précision structurée que la recherche sémantique seule ne peut pas atteindre. A mesure que les agents IA autonomes se généralisent dans les entreprises, ce type d'architecture hybride, combinant graphe de connaissances, mémoire vectorielle et validation humaine, pourrait s'imposer comme un standard pour tout déploiement IA à l'échelle organisationnelle.