Contrôler les Comportements des Agents et les Coûts au-delà d'une Seule Action : Nouvelles Capacités dans Amazon Bedrock AgentCore
Amazon Web Services
AWS a introduit de nouvelles capacités dans Amazon Bedrock AgentCore pour contrôler les comportements des agents et les coûts. Les politiques temporelles, propulsées par le nouveau langage de politique open source Dogwood, permettent de vérifier des séquences d'actions, tandis que la limitation de débit sur la passerelle plafonne la consommation par utilisateur. Ces fonctionnalités visent à répondre aux risques de sécurité et à l'imprévisibilité des coûts dans les agents d'IA.
Selon McKinsey, environ 80 % des organisations ont rencontré des comportements à risque de la part des agents d'IA, ce qui fait des préoccupations de sécurité et de risque le principal obstacle à la mise à l'échelle de l'IA agentique. Pour y remédier, AWS a annoncé de nouvelles capacités dans Amazon Bedrock AgentCore. La passerelle, un point d'entrée serverless entièrement géré pour le trafic d'IA, prend désormais en charge les politiques temporelles propulsées par Dogwood, un langage de politique open source basé sur Cedar. Les politiques temporelles permettent au moteur de politiques de prendre en compte les actions passées de l'agent dans une session, permettant des vérifications telles que bloquer un transfert qui utilise un numéro de compte erroné ou arrêter les achats une fois un budget atteint. Elles sont appliquées de manière déterministe au niveau de la passerelle, refusant par défaut et journalisant le contexte complet. De plus, la limitation de débit est disponible, permettant aux équipes de plafonner les requêtes, les jetons et les durées de connexion par utilisateur à travers les outils, les modèles et les agents, en utilisant des identités provenant d'OAuth ou d'IAM. Les limites s'appliquent par fenêtres de seconde et de minute et entrent en vigueur sans modifier le code de l'agent. Ces capacités visent à donner aux entreprises un contrôle sur le comportement et le coût des agents, avec des politiques et des limites gérées au niveau de la plateforme.
Source: AWS ML blog —
original
