Precisely bouwt AI-agent met S3 Vectors en MCP

Precisely heeft vorige week in zijn newsroom bekendgemaakt dat het Amazon S3 Vectors, Amazon Bedrock en Model Context Protocol gebruikt voor een conversational interface met AI-agents in zijn Data Integrity Suite. De agent vertaalt vragen van gebruikers naar zoekopdrachten en metadatafilters en zoekt vervolgens via vector search naar relevante assets. IntoDQ² gebruikt de Precisely Data Integrity Suite binnen zijn Data Excellence-propositie.

Precisely voegt de conversational interface toe aan de Data Integrity Suite, naast de bestaande gebruikersinterface van het platform. Voor de technische uitvoering gebruikt het bedrijf diverse diensten van AWS. Catalogusassets worden voor similarity search omgezet in embeddings met Amazon Titan Text Embeddings V2 via Amazon Bedrock. Precisely slaat deze embeddings vervolgens op in Amazon S3 Vectors.

Voor de opslag en het doorzoeken van de embeddings gebruikt Precisely één afzonderlijke vectorindex per tenant. Deze scheiding voorkomt dat vectoren en zoekopdrachten van verschillende klanten in dezelfde index terechtkomen. S3 Vectors ondersteunt maximaal 10.000 indexen per vector bucket en maximaal twee miljard vectoren per index.

Zoeken via MCP

Wanneer een gebruiker een vraag stelt, interpreteert een AI-agent van Precisely de opdracht en bepaalt deze welke tools en zoekacties nodig zijn om een antwoord samen te stellen. Een large language model genereert indien nodig een zoekterm en metadatafilters. De AI-agent roept vervolgens een Similarity Search Tool aan via Model Context Protocol. Amazon Bedrock maakt een embedding van de zoekterm. S3 Vectors zoekt met deze embedding binnen de index van de betreffende klant naar vergelijkbare assets.

Beeld: Query and Recommendation Paths met MCP, Bedrock en S3 Vectors binnen de Precisely Data Integrity Suite.

---

Precisely gebruikt metadatafilters om ook toegangsrechten in de zoekopdracht mee te nemen. Deze filters zorgen ervoor dat de agent alleen assets terugkrijgt waarvoor de gebruiker toegang heeft. De zoekresultaten kunnen vervolgens worden gecombineerd met andere tools en stappen binnen dezelfde agentworkflow. Deze combinatie maakt het mogelijk om niet alleen zoekvragen te beantwoorden, maar ook vervolgacties voor te stellen.

Aanbevelingen uit context

Precisely gebruikt de architectuur ook om tijdens een gesprek relevante acties aan te bevelen. Een agent kan bijvoorbeeld zoeken naar regels voor datakwaliteit of voorstellen doen om ontbrekende metadata aan te vullen. Voor deze aanbevelingen combineert Precisely vector search met andere context uit de Data Integrity Suite, zoals relaties tussen assets en kwaliteitsscores. Meerdere zoekopdrachten kunnen parallel worden uitgevoerd om directe en gerelateerde resultaten te vinden.

Voor het actueel houden van de vectorindex gebruikt Precisely Amazon Managed Streaming for Apache Kafka. Wijzigingen in de catalogus worden via Amazon MSK doorgegeven aan de verwerking van de vectorindex. Gewijzigde assets worden opnieuw in embeddings omgezet en de bijbehorende vectoren worden bijgewerkt. Volgens AWS behaalde Precisely in tests met een index van 50 miljoen vectoren querytijden van gemiddeld enkele honderden milliseconden voor S3 Vectors zelf. De tijd die nodig is om embeddings te genereren, is in deze meting niet meegerekend.

Bron: Precisely

Tags: AI, Cloud, Software
Company: IntoDQ2, Precisely

Ook op Release