AgentsApplications 🇺🇸 10.08.2026 20:01

nOps accélère de 75 pour cent la livraison de son agent FinOps grâce à Amazon Bedrock AgentCore

Amazon Web ServicesAmazon Web Services DatabricksDatabricks VercelVercel LangChainLangChain
nOps, entreprise spécialisée dans l'optimisation cloud par intelligence artificielle, a reconstruit son agent d'analyse FinOps Clara sur Amazon Bedrock AgentCore, réalisant ainsi une réduction de 75 pour cent du délai de mise en production et une amélioration de la qualité des réponses. La nouvelle architecture, qui utilise un agent unique avec diffusion en continu et une couche de données gouvernée, a également réduit la complexité opérationnelle et la maintenance de l'infrastructure.
nOps, qui gère plus de 4 milliards de dollars de dépenses cloud pour ses clients, a migré son agent d'analyse FinOps Clara vers Amazon Bedrock AgentCore pour surmonter les limites de son infrastructure API-centrique précédente, telles que la latence, la complexité et la maintenance élevée. La nouvelle architecture utilise un agent unique basé sur Strands sur Amazon Bedrock AgentCore avec accès direct aux outils, une couche de données construite sur Databricks Lakehouse Metric Views pour une analytique gouvernée, et Databricks Lakebase pour stocker l'état persistant comme les sessions et les spécifications de canvas. L'interaction est gérée par une application Next.js hébergée sur Vercel avec streaming d'événements serveur (Server-Sent Events), et les flux de travail asynchrones utilisent Amazon DynamoDB, Amazon SNS, Amazon SQS et Amazon API Gateway WebSocket. Cette restructuration a réduit le temps de production de 10 à 12 mois à 4 mois (une réduction de 75 pour cent), augmenté le score de correction à 81,7 pour cent et celui d'utilité à 79,4 pour cent, réduit le taux d'échec des outils de 7,49 à 0,92 pour cent, et éliminé la couche d'orchestration LangGraph/LangChain. L'entreprise a également amélioré l'efficacité de l'analyse manuelle de 2 heures à 30 minutes pour les équipes de réussite client, et peut désormais exécuter 4 à 6 agents de production sur un runtime partagé.
Source: AWS ML blog — original
Nos articles précédents sur ce sujet ↓
Infos fraîches