Seit über 20 Jahren vertrauen Millionen von Kunden darauf, dass AWS sichere, zuverlässige und skalierbare Cloud-Services mit einem branchenführenden Preis-Leistungs-Verhältnis anbietet. Nachfolgend wird erläutert, wie AWS Ihre Datengrundlage für agentenbasierte KI unterstützt.
Open-Data-Architektur
AWS setzt auf offene Standards, weil sie den Kunden die nötige Flexibilität und den bestmöglichen Nutzen bieten. Dazu gehören PostgreSQL über Amazon Aurora und Amazon Relational Database Service (Amazon RDS), Apache Kafka über Amazon Managed Streaming für Apache Kafka (Amazon MSK), OpenSearch über Amazon OpenSearch Service und Apache Spark über Amazon EMR sowie Trino über Amazon Athena. AWS bietet native Unterstützung für Apache Iceberg im gesamten AWS-Analytics-Stack, einschließlich einer vollständig verwalteten tabellarischen Datenspeicherung über Amazon S3 Tables. Dadurch erhalten KI-Agenten interoperablen Zugriff auf Analysedaten, ohne dass eine Neuformatierung oder Duplizierung erforderlich ist. Zudem unterstützt AWS offene Agentenprotokolle wie MCP und A2A, wodurch KI-Agenten eine Verbindung zu Datenquellen, Tools und untereinander herstellen können.
„Die Vorstellung, dass ein Unternehmen wie Amazon Web Services hinter einem Open-Source-Produkt steht und sich um wichtige Aspekte wie Hochverfügbarkeit, Skalierung und das gesamte Datenmanagement kümmert, ist einfach großartig.“
– Raj Cheruvu, AVP R&D, Helix ITSM bei BMC
Maßgeschneiderte Services für jede Ebene des Stacks der agentenbasierten KI
Die in diesem Leitfaden behandelten Funktionen – von der Datenaufbereitung über den Speicher bis hin zur Performance mit niedriger Latenz – erfordern eine Infrastruktur, die auch im großen Maßstab eine konstante Leistung erbringt. AWS bietet bewährte Zuverlässigkeit, Skalierbarkeit und ein gutes Preis-Leistungs-Verhältnis, sodass Sie auf einer soliden Grundlage aufbauen können.
Damit die Daten ordnungsgemäß für KI-Agenten aufbereitet werden, bietet AWS Glue eine serverlose Datenintegration und -transformation in großem Maßstab. Das erleichtert das Ermitteln, Aufbereiten, Verschieben und Integrieren von Daten aus verschiedenen Quellen. Mit AWS Glue Data Quality, einer serverlosen Open-Source-Komponente von AWS Glue, können Sie die Datenqualität messen und überwachen sowie Qualitätsregeln direkt in den Datenpipelines durchsetzen.
Für echtzeitnahe Daten bietet AWS verschiedene Managed Services an, die durchgängige Streaming-Datenpipelines ermöglichen. Amazon Kinesis Data Streams und Amazon MSK übernehmen die Datenerfassung mit hohem Durchsatz, Amazon Managed Service für Apache Flink sorgt für die Stream-Verarbeitung und Amazon Data Firehose liefert Daten an die entsprechenden Ziele. So können KI-Agenten bei sich ändernden Bedingungen auf Grundlage hochwertiger, aktueller Daten Schlussfolgerungen ziehen.
Zur Unterstützung des Kontexts bieten AWS-Datenbanken, darunter Amazon Aurora, Amazon RDS, Amazon Neptune und Amazon ElastiCache für Valkey, native Vektorunterstützung für den RAG-Abruf. Dadurch erhalten KI-Agenten bei der Abfrage schnell relevanten Kontext. Amazon OpenSearch Service bietet eine verwaltete Open-Source-Abruf-Engine für agentenbasierte KI, für Suchvorgänge und für die Analytik. Sie vereint den vektorgesteuerten, lexikalischen, hybriden und agentenbasierten Abruf in einem einzigen System und liefert hochrelevante Ergebnisse mit niedriger Latenz im Petabyte-Maßstab.
Als speicherorientierte Alternative kann Amazon S3 Vectors die Gesamtkosten für das Hochladen, Speichern und Abfragen von Vektoren um bis zu 90 % senken. Dadurch wird die Erstellung und Aufbewahrung großer Vektordatensätze, die den Speicher und den Kontext von KI-Agenten verbessern, wirtschaftlich rentabel.
„Dank der Infrastruktur von AWS konnten wir uns auf das Wesentliche konzentrieren. Wir haben eine Video-KI entwickelt, die wie Menschen denkt: Sie versteht nicht nur, was geschieht, sondern auch, warum es wichtig ist und wie sich Momente im Laufe der Zeit miteinander verbinden.“ – Jae Lee, CEO und Mitgründer, TwelveLabs
Sehen heißt verstehen – TwelveLabs erschließt mit S3 Vectors das volle Potenzial von Videos für alle
Das Portfolio an AWS-Datenbanken umfasst die drei Bereiche des Speicherkontinuums. Amazon ElastiCache für Valkey bietet die Latenz im Mikrosekundenbereich, die agentenbasierte KI benötigt, um Tool-Ergebnisse zwischenzuspeichern, den Sitzungskontext zu bewahren und den Kurzzeit-Arbeitsspeicher aufrechtzuerhalten, der ein kohärentes, mehrstufiges Reasoning ermöglicht. Amazon DynamoDB bewältigt die anfügungsintensiven Schreibmuster der episodischen Protokollierung und der Verfolgung des Sitzungsstatus – und das mit Lesevorgängen im einstelligen Millisekundenbereich bei jedem Durchsatz. Amazon Aurora und Amazon RDS eignen sich ideal für den Langzeitspeicher, vor allem zur dauerhaften Speicherung des Fortschritts mehrstufiger Aufgaben. Amazon Neptune unterstützt den graphenbasierten semantischen und episodischen Speicher für das Durchlaufen von Beziehungen.
Zur Unterstützung des gemeinsamen Status von KI-Agenten bietet Amazon S3 Files einen Dateisystemzugriff mit niedriger Latenz auf Daten in Amazon S3. So können Agenten Zwischenergebnisse austauschen und Checkpoints in Pipelines mit mehreren Agenten verwalten. Zusammen decken diese Services alle Latenzstufen, Schreibmuster und Anforderungen an die Dauerhaftigkeit im gesamten Speicherkontinuum ab. Dadurch können Sie Speicherarchitekturen entwickeln, die sich ohne Kompromisse skalieren lassen. Erfahren Sie, wie Trend Micro mit Amazon Neptune einen KI-Sicherheitsassistenten mit Kurz- und Langzeitspeicher entwickelt hat.
Die AWS-Datenbankservices sind so ausgelegt, dass sie sich automatisch skalieren und an Echtzeit-Änderungen in Workloads anpassen lassen. Daher eignen sie sich hervorragend für die variablen, stark schwankenden Workloads, die von KI-Agenten generiert werden. Amazon DynamoDB und Amazon ElastiCache können auf Hunderte Millionen Anfragen pro Sekunde reagieren und dabei Latenzzeiten im Bereich von Mikrosekunden bis zu einstelligen Millisekunden erreichen. Amazon Aurora skaliert unverzüglich mit voller PostgreSQL- und MySQL-Kompatibilität und bietet die Leistung, Verfügbarkeit und Skalierbarkeit kommerzieller Datenbanken zu einem Zehntel der Kosten.
Wenn Ihr Unternehmen kommerzielle Datenbanken wie SQL Server oder Oracle lokal oder selbstverwaltet in Amazon EC2 betreibt, beginnt Ihr Weg zu einer KI-fähigen Datengrundlage mit einer Lift-and-Shift-Migration zu Amazon RDS. Im E-Book „Winning Agentic AI With Your Commercial Data Estates“ wird beschrieben, wie Amazon RDS die automatische Verwaltung, Leistung, Zuverlässigkeit und Sicherheit bietet, die agentenbasierte KI-Anwendungen benötigen. Die IDC-Untersuchungen im Whitepaper The Business Value of Amazon RDS zeigen die finanziellen Auswirkungen einer Migration zu RDS: einen ROI von 258 % über drei Jahre und eine messbar bessere Servicequalität bei allen befragten Unternehmen.
Vertrauenswürdige Grundlage für KI
KI-Agenten, die Daten dynamisch ermitteln und darauf zugreifen, um autonome Entscheidungen zu treffen, erfordern Governance- und Sicherheitsmaßnahmen, die sich entsprechend skalieren lassen. AWS ist als möglichst sichere Cloud-Infrastruktur konzipiert und bietet standardmäßige Datenverschlüsselung sowie detaillierte Zugriffskontrollen, die auch für KI-Agenten gelten. Mit der Daten-Governance von AWS wird sichergestellt, dass nur die richtigen Benutzer auf die richtigen Daten zugreifen, wobei die Zugriffskontrollen auf die entsprechenden Richtlinien und Sicherheitsstandards abgestimmt sind. Integrierte Compliance-Funktionen unterstützen sich weiterentwickelnde globale Vorschriften, während systematische Überprüfungsprozesse eine gut geregelte Datenverwaltung und eine vertrauenswürdige KI gewährleisten. AWS setzt alles daran, vertrauenswürdige und kontextreiche Daten bereitzustellen, die sicher zwischen Menschen, KI-Agenten und Anwendungen ausgetauscht werden – selbst bei den sensibelsten Workloads.
