Erstellen einer semantischen Schicht für agentic AI auf AWS mit AtScale und Amazon Bedrock AgentCore
aws ·
Dieser Artikel beschreibt den dritten Teil einer Reihe über den Aufbau semantischer Schichten für agentic AI auf AWS, wobei AtScale und Amazon Bedrock AgentCore zum Einsatz kommen. Es wird gezeigt, wie das Customer-360-Muster mithilfe des dimensionsbasierten Modellierungsansatzes von AtScale implementiert wird, der sich von den in früheren Beiträgen verwendeten graphenbasierten oder Virtualisierungsansätzen unterscheidet. Die Lösung nutzt die Semantic Modeling Language (SML), um Datensätze, Hierarchien und Messgrößen zu definieren; diese werden in Git versioniert und über SQL, XMLA sowie das Model Context Protocol (MCP) bereitgestellt. Ein auf AgentCore gehosteter Strands-Agent verwendet Claude Sonnet 4.6, um Nutzerfragen zu interpretieren und Abfragen gegen den AtScale-MCP-Server zu generieren. Die Architektur gewährleistet eine sichere Identitätsweitergabe durch AgentCore Identity und erzwingt rollenbasierte Zugriffskontrollen sowie Zeilensicherheit auf der semantischen Ebene, bevor die Abfragen Amazon Redshift erreichen. Das autonome Aggregate-Management von AtScale optimiert die Leistung, indem es Abfragemuster erkennt und diese an vorab materialisierte Zusammenfassungstabellen weiterleitet. Abschließend wird die Bereitstellung auf Amazon EKS beschrieben und bestätigt, dass die semantische Schicht konsistente, governierte Antworten sowohl für KI-Agents als auch für traditionelle BI-Tools liefert.
aws