Votre IA va enfin comprendre vos données : voici comment AWS change la donne

Un agent IA ne vaut que par la qualité de ce qu’il comprend. Pourtant, aujourd’hui, ses données sont éparpillées : entre lacs de données, entrepôts, bases de données, flux en temps réel, et même dans les connaissances non écrites de l’entreprise. Résultat ? Vos agents prennent des décisions, mais comment être sûr qu’elles sont justes sans le bon contexte ?

Imaginez un outil qui donnerait à vos agents un accès sécurisé à tout ce dont ils ont besoin, en temps réel, pour qu’ils puissent prendre des décisions fiables. C’est exactement ce qu’AWS annonce lors du AWS Summit New York City : une série d’innovations regroupées sous le nom d’AWS Context.

AWS CONTEXT : UNE CARTE INTELLIGENTE POUR VOS DONNÉES

AWS Context est un nouveau service qui fait deux choses en une. D’abord, il cartographie automatiquement les relations entre vos données existantes pour créer un graphe de connaissances. Ensuite, il fournit une Recherche agentique : vos agents IA peuvent accéder, en temps réel, aux relations entre données, aux règles métiers et aux connaissances spécifiques à votre domaine.

Mais comment ça marche concrètement ? Les data stewards (les responsables de la gestion des données) utilisent une console intuitive pour superviser ce graphe. Ils peuvent valider les relations inférées, les promouvoir en production, et y ajouter des définitions métiers, des règles d’utilisation ou des précisions sur le domaine concerné.

Cette technologie s’inspire directement d’Amazon Quick, un outil utilisé par des centaines de milliers d’utilisateurs chaque jour. Ce graphe de connaissances personnel traite déjà des millions de requêtes quotidiennement. Avec AWS Context, Amazon passe d’un graphe personnel à un graphe organisationnel : une couche de contexte partagée et gouvernée, accessible à tous les agents et applications de l’entreprise.

UNE TECHNOLOGIE QUI S’ADAPTE À VOTRE ENTREPRISE

Les utilisateurs d’Amazon Quick bénéficient immédiatement de cette innovation. Dès qu’AWS Context est activé, les agents de Quick accèdent au graphe de connaissances global de l’entreprise. Cela inclut les relations entre systèmes, les règles métiers et le contexte validé, bien plus complet que ce qu’un graphe personnel pourrait offrir.

AWS Context s’intègre aussi à d’autres outils comme AWS Glue Data Catalog, Amazon SageMaker Unified Studio et AWS Lake Formation. Les équipes peuvent ainsi gouverner ce graphe avec des règles métiers et des permissions, et l’enrichir automatiquement grâce à l’IA ou manuellement via une curation explicite.

Les éléments clés de ce graphe de connaissances sont publiés sur Amazon S3 au format Apache Iceberg. Cela permet aux clients d’utiliser les outils compatibles Iceberg pour consommer les métadonnées ou construire des applications basées sur AWS Context, en respectant des standards ouverts. Pas besoin d’installer une infrastructure ou de créer un pipeline de récupération : tout se fait en quelques clics dans la AWS Management Console.

LE CONTEXTE S’AMÉLIORE TOUT SEUL GRÂCE À VOS AGENTS

AWS Context devient de plus en plus intelligent au fur et à mesure que vos agents l’utilisent. Chaque fois qu’un agent interroge le graphe, le service observe quelles sources donnent les bons résultats, quels chemins de jointure les agents privilégient, et quelles règles validées sont appliquées. Il classe ensuite les sources en fonction de leur utilisation réelle et partage ces apprentissages dans toute l’entreprise.

Résultat ? Si un agent découvre un chemin de jointure efficace ou résout une ambiguïté de schéma, les autres agents en profitent automatiquement. Pas besoin de recurer manuellement le graphe à chaque fois. L’IA fait le travail à votre place.

Tous les métadonnées clés, qu’elles viennent de sources structurées ou non structurées, sont publiées au format Apache Iceberg dans des tables Amazon S3. Vous pouvez interroger ce contexte avec Amazon Athena, Amazon Redshift, Apache Spark ou tout autre moteur compatible Iceberg. Vous pouvez aussi construire des systèmes en aval, auditer ces données ou les migrer.

UNE GOUVERNANCE TOTALE : VOUS SAVEZ TOUJOURS QUI A ACCÈS À QUOI

Mettre un agent en production soulève toujours une question de gouvernance : quelles données peut-il consulter ? Et surtout, comment prouver exactement ce qu’il a consulté et sous quelle autorité ? AWS Context répond à ces deux questions en rendant chaque requête identifiable.

Chaque appel hérite des permissions IAM et Lake Formation de l’utilisateur qui l’a lancé. Un agent ne peut donc voir et parcourir que les relations pour lesquelles son identité est autorisée. Comme l’accès passe par l’identité, chaque interaction est auditable. Vos équipes de sécurité et de conformité peuvent vérifier ce qu’un agent a consulté et sous quelle autorité, en utilisant les mêmes contrôles que ceux sur lesquels vous vous appuyez déjà.

DU CONTEXTE MÉTIER POUR HUMAINS ET AGENTS IA

Aujourd’hui, AWS annonce aussi la préversion du contexte métier et de la recherche sémantique pour AWS Glue Data Catalog. Ce nouvel outil ajoute du contexte et des outils pour faciliter la découverte et la compréhension des données, aussi bien pour les humains que pour les agents IA.

Les clients peuvent désormais enrichir leurs tables, vues et colonnes Glue avec des descriptions métiers, des termes de glossaire, des métadonnées personnalisées, et les associer à des assets de compétences qui fournissent un contexte supplémentaire stocké en dehors du catalogue. Avec ce contexte métier indexé aux côtés des métadonnées techniques dans Glue Data Catalog, les utilisateurs peuvent utiliser la nouvelle Glue Search API pour trouver plus rapidement des données par leur signification métier. Les agents IA peuvent ainsi s’appuyer sur des définitions fiables plutôt que d’inférer le contexte eux-mêmes.

LES ASSETS DE COMPÉTENCES : DES INSTRUCTIONS POUR VOS AGENTS

AWS lance aussi la préversion des assets de compétences dans Glue Data Catalog. Les producteurs de données peuvent créer des assets de ce type, une nouvelle catégorie d’éléments qui référence des URI vers des fichiers (comme des compétences IA, des fichiers markdown de guide ou des runbooks d’équipe) hébergés n’importe où, y compris sur S3, dans des dépôts Git ou des wikis.

Associer ces assets de compétences à des assets de données donne aux agents un contexte et des instructions supplémentaires. Ils peuvent les récupérer progressivement pour travailler avec des données spécifiques, sans avoir à tout réapprendre à chaque agent, un prompt après l’autre. Par exemple, les URI des assets de compétences peuvent pointer vers les dépôts de votre équipe contenant de la documentation ou des processus spécifiques au domaine. Cela inclut des détails comme le grain et la portée des données, les motifs de requête courants, les meilleures pratiques et les règles d’utilisation (quand utiliser les données, quels sont les clés de jointure et les filtres obligatoires).

DES COMPÉTENCES PRÊTES À L’EMPLOI POUR VOS AGENTS

Mais avoir les bonnes données ne suffit pas : un agent doit aussi savoir comment les utiliser. Quels filtres appliquer avant d’agréger les données ? Quels chemins de jointure suivre ? Quelles précautions ne sont pas visibles dans le schéma technique ?

Aujourd’hui, le AWS Agent Toolkit contient des compétences par défaut pour aider les agents IA à travailler avec Glue Data Catalog, mais aussi avec d’autres outils comme Amazon Athena et S3 Tables. Beaucoup d’entreprises ont déjà leurs propres compétences développées par leurs équipes data.

Pour démarrer, les développeurs peuvent connecter n’importe quel agent compatible MCP en utilisant le AWS MCP distant et entièrement géré pour accéder aux compétences des services AWS. Ils peuvent aussi installer le plugin aws-data-analytics pour Claude Code, Cursor et Amazon Kiro. Cela permet à un agent de trouver des données, d’effectuer des analyses ou de construire des applications sur ces données en utilisant les compétences AWS ou des compétences personnalisées.

Les agents construits avec AgentCore harness peuvent accéder à toutes les compétences AWS dans l’AWS Agent Toolkit avec une seule ligne de code. Cela permet à vos agents de profiter rapidement de l’expertise et des meilleures pratiques des services AWS.

ANNOTATIONS S3 : DONNEZ DU SENS DIRECTEMENT À VOS FICHIERS

Pour faciliter l’ajout de contexte personnalisé à vos lacs de données, AWS annonce la disponibilité générale des annotations S3. Il s’agit d’une nouvelle façon d’attacher un contexte métier riche et interrogeable directement à vos objets S3, et de stocker ce contexte dans une table Iceberg S3.

Jusqu’ici, les clients décrivaient leurs objets S3 avec des tags et des métadonnées définies par l’utilisateur, ce qui restait adapté pour des tâches opérationnelles comme le contrôle d’accès ou de petites informations définies au moment du téléchargement. Mais quand les entreprises construisent des agents sur leurs données, elles veulent attacher bien plus de métadonnées. Elles veulent créer et faire évoluer un contexte riche que les agents peuvent lire et utiliser à grande échelle.

Les annotations S3 répondent à ce besoin dans un format de données ouvert. Chaque objet stocké dans S3 peut avoir jusqu’à 1 Go de contexte. Les annotations sont modifiables, ce qui permet d’évoluer avec vos données. Elles vivent avec l’objet S3 dans le stockage S3. Cela signifie que les annotations suivent l’objet S3 lors des opérations de copie ou de réplication, et qu’elles sont supprimées quand l’objet est effacé. Pas besoin de construire une base de métadonnées séparée, de la synchroniser ou de craindre qu’elle ne devienne obsolète.

Les annotations deviennent interrogeables via S3 Metadata. Quand vous activez les tables d’annotations sur un bucket, chaque annotation est automatiquement intégrée dans une table Iceberg entièrement gérée. Vous pouvez interroger l’ensemble de vos objets avec Amazon Athena, Amazon Redshift ou tout autre moteur compatible Iceberg. Les agents peuvent aussi découvrir les annotations en langage naturel grâce au serveur S3 Tables MCP.

LE CONTEXTE, NOUVEAU LAC DE DONNÉES POUR LES AGENTS IA

Le contexte est devenu le lac de données des agents IA. Avec ces innovations, AWS construit les fondations d’une intelligence et d’une connaissance partagées pour les agents IA qui interagissent avec les données, quelle que soit la taille de l’entreprise ou de l’organisation.

Mai-Lan Tomsen Bukovec, vice-présidente technologie chez AWS, supervise les services cloud de données dont des millions de clients AWS dépendent pour leurs transformations digitales, leurs analyses métiers, leur machine learning, leur IA générative et leurs expériences clients de nouvelle génération. Avec plus de 25 ans d’expérience dans l’industrie technologique, Mai-Lan est une pionnière dans l’aide aux entreprises pour tirer parti des technologies basées sur le cloud afin de transformer leurs activités.