Ring optimise son support client mondial avec Amazon Bedrock Knowledge Bases

Recherche entreprise pour agents avec Amazon Bedrock Managed Knowledge Base

Amazon vient d'annoncer la disponibilité générale de Managed Knowledge Base au sein d'Amazon Bedrock, une solution entièrement gérée de recherche documentaire pour agents et applications d'intelligence artificielle générative. Le service prend en charge la mise à l'échelle, la précision de la récupération d'information et le contrôle d'accès aux documents, sans que les équipes aient à assembler elles-mêmes connecteurs, parseurs, bases vectorielles et graphes de connaissances. Six connecteurs natifs sont proposés dès le lancement, couvrant Amazon S3, Microsoft SharePoint, Atlassian Confluence, Google Drive, Microsoft OneDrive et un robot d'exploration web, ainsi qu'une API d'ingestion directe pour les documents ne provenant d'aucune de ces sources. Lors des synchronisations suivantes, seuls les documents modifiés ou ajoutés sont retraités, ce qui réduit les délais et les coûts. Le démarrage via la console AWS ne nécessite aucune sélection de modèle : des paramètres par défaut permettent d'obtenir un premier résultat de recherche en quelques minutes, contre plusieurs jours ou semaines pour construire un pipeline équivalent à partir de zéro. Les utilisateurs avancés conservent la possibilité de personnaliser les modèles d'embedding, les rerankers et les stratégies de découpage des documents. Cette annonce répond à un problème très concret pour les entreprises qui veulent connecter leurs données internes à des agents IA : la gestion des droits d'accès aux documents. Managed Knowledge Base applique des vérifications de contrôle d'accès en temps réel, en plus d'un filtrage préalable, en interrogeant directement la source d'autorité au moment de la requête plutôt que de s'appuyer sur des listes d'autorisations potentiellement obsolètes. Les documents filtrés restent transitoires le temps de l'appel API et ne sont jamais exposés aux modèles de langage ni aux utilisateurs non autorisés. Deux entreprises citées dans l'annonce illustrent l'usage réel du service. Chez Syngenta Group, selon Jason Krohn, responsable des données et de l'IA, les employés créent désormais des bases de connaissances à la demande à partir de SharePoint et Confluence. Chez MRH Trowe, un copilote IA interne s'appuie sur ce service pour donner accès à des milliers de documents en anglais et en allemand, répartis entre Confluence et SharePoint, sans que l'équipe ait eu à construire de pipeline de récupération sur mesure, selon Malte Polley, responsable de l'analytique des données et de l'IA. Cette offre s'inscrit dans la course que se livrent les grands fournisseurs cloud pour simplifier la construction d'applications de recherche augmentée par IA (RAG) en entreprise, un chantier jusqu'ici coûteux en ingénierie et en maintenance. Amazon met en avant sa capacité à traiter des données multimodales, un enjeu central puisque les contenus d'entreprise mélangent pages web, fichiers contenant des images intégrées et autres formats hétérogènes. En intégrant nativement la sécurité, l'observabilité et la scalabilité attendues en production, Bedrock cherche à concurrencer directement les offres similaires de Microsoft et Google, alors que de plus en plus d'organisations cherchent à déployer des agents IA capables de raisonner sur leurs propres documents internes en toute confiance.

💬 Selon Le Fil IA, l'enjeu réel de Managed Knowledge Base n'est pas la recherche documentaire mais le contrôle d'accès en temps réel : Amazon interroge la source d'autorité à chaque requête plutôt que de faire confiance à des listes de permissions périmées. Bon, sur le papier c'est exactement ce que les DSI attendaient pour arrêter de bricoler leurs pipelines RAG maison. Reste que MRH Trowe ou Syngenta qui balancent leurs docs internes chez AWS, ça pose la question de la souveraineté qu'on ne peut plus vraiment éviter en Europe.

Amazon Bedrock Knowledge Bases : créer et déployer une solution de synchronisation automatique

Amazon Web Services a publié la description d'une solution serverless permettant de synchroniser automatiquement les bases de connaissances Amazon Bedrock avec les documents stockés dans Amazon S3, sans aucune intervention manuelle. Conçue selon une architecture événementielle, elle repose sur cinq services AWS articulés ensemble : EventBridge capte les modifications dans les buckets S3 en temps réel, des fonctions Lambda traitent ces événements, des files SQS absorbent les pics de requêtes, Step Functions orchestre le flux de synchronisation, et DynamoDB assure le suivi des changements et des métadonnées de jobs. Le tout se déploie via AWS SAM (Serverless Application Model), sans infrastructure à provisionner ni à maintenir. Deloitte figure parmi les entreprises ayant adopté ce type d'approche pour moderniser leur infrastructure de tests et de traitement documentaire. L'enjeu est considérable pour les organisations qui utilisent Bedrock Knowledge Bases dans des environnements multi-utilisateurs ou des applications critiques comme les systèmes de support client. Amazon Bedrock impose des quotas stricts : au maximum cinq jobs d'ingestion simultanés par compte AWS, un seul job par base de connaissances et un seul par source de données. L'API StartIngestionJob est en outre limitée à 0,1 requête par seconde, soit une requête toutes les dix secondes et par région. Sans orchestration, lorsqu'une équipe contenu met à jour plusieurs fichiers lors d'une release, les requêtes s'accumulent, percutent ces plafonds et finissent par nécessiter une supervision manuelle. La solution absorbe ces rafales en mettant les demandes en file d'attente via SQS et en les émettant au rythme autorisé par l'API, de façon totalement transparente. Amazon Bedrock Knowledge Bases est le service RAG (Retrieval-Augmented Generation) d'AWS qui permet aux modèles de fondation et aux agents IA d'accéder aux données privées d'une organisation afin de produire des réponses plus précises et contextualisées. Jusqu'ici, toute modification dans S3, ajout, suppression ou mise à jour de métadonnées, exigeait une synchronisation déclenchée manuellement, processus sujet aux oublis et aux retards. Ce manque de synchronisation en temps réel constitue l'un des principaux points de friction dans le déploiement d'agents IA en production. La solution proposée élimine ce point de friction pour les équipes travaillant en continu sur des bases documentaires volumineuses, et représente une avancée concrète vers des systèmes d'IA d'entreprise capables de rester à jour sans supervision humaine permanente.

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.

Optimiser la recherche sémantique vidéo avec la distillation de modèles Amazon Nova sur Amazon Bedrock

Amazon Web Services a publié un tutoriel détaillé expliquant comment utiliser la technique de distillation de modèles sur Amazon Bedrock pour optimiser les systèmes de recherche sémantique vidéo. Le cœur du problème : les modèles de grande taille comme Claude Haiku d'Anthropic offrent une excellente précision pour interpréter l'intention de recherche des utilisateurs, mais ils allongent le temps de réponse à 2 à 4 secondes, représentant à eux seuls 75 % de la latence totale. La solution proposée consiste à transférer l'intelligence de routage d'un grand modèle dit "enseignant", Amazon Nova Premier, vers un modèle beaucoup plus léger dit "étudiant", Amazon Nova Micro. Le résultat : une réduction des coûts d'inférence de plus de 95 % et une baisse de la latence de 50 %, sans sacrifier la qualité de routage. L'enjeu est considérable pour les entreprises qui gèrent de larges catalogues vidéo. Lorsqu'un utilisateur tape "Olivia qui parle de son enfance dans la pauvreté", le système doit décider automatiquement quels aspects de la vidéo interroger en priorité : les métadonnées textuelles, la transcription audio, les données visuelles ou les informations structurées. Cette logique de routage devient rapidement complexe à l'échelle enterprise, où les attributs peuvent inclure les angles de caméra, le sentiment, les droits de diffusion ou des taxonomies métier propriétaires. Un modèle plus petit et distillé qui maîtrise cette tâche précise permet de traiter davantage de requêtes simultanément, à un coût marginal quasi nul, ce qui change fondamentalement l'équation économique des moteurs de recherche multimodaux. La distillation de modèles se distingue du fine-tuning supervisé classique par un avantage pratique majeur : elle ne nécessite pas de dataset entièrement étiqueté par des humains. Amazon Bedrock génère automatiquement jusqu'à 15 000 paires prompt-réponse en interrogeant le modèle enseignant, en appliquant des techniques de synthèse et d'augmentation de données. Dans ce pipeline, 10 000 exemples synthétiques ont été produits via Nova Premier, chargés sur Amazon S3, puis utilisés pour entraîner Nova Micro. Le modèle résultant est ensuite évalué via Amazon Bedrock Model Evaluation, comparé à la base Nova Micro et au Claude Haiku original. AWS a publié l'intégralité du notebook Jupyter, le script de génération des données et les utilitaires d'évaluation sur GitHub, rendant cette approche reproductible pour toute équipe souhaitant industrialiser la recherche vidéo à grande échelle.