Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarAWS Machine Learning Blog→ original

El agente de IA de Natera diagnostica averías de instrumentos 130 veces más rápido: 8 minutos en lugar de 17,4 horas

En el laboratorio de Natera se fue un técnico senior y, con él, el conocimiento sobre la reparación de instrumentos; los ingenieros tardaban 17,4 horas en responder a una solicitud en Jira. El agente SWARM, desplegado en Amazon Bedrock AgentCore, lee la solicitud por sí mismo, busca en los manuales y en tickets antiguos, y adjunta un informe con la versión más probable de la causa. La primera respuesta llega en unos 8 minutos, 130 veces más rápido, y el 96,2% de las solicitudes recibe el informe. Conclusión: si la precisión se estanca, primero hay que ampliar la base documental.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
El agente de IA de Natera diagnostica averías de instrumentos 130 veces más rápido: 8 minutos en lugar de 17,4 horas
Fuente: AWS Machine Learning Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalAWS Machine Learning Blog ↗
Editor jefe
Dato clave #1Los manuales de la familia de instrumentos más débil elevaron la precisión del 71% al 75%.
La biblioteca cuenta con 33 habilidades24 para instrumentos y 9 transversales, con la lógica fuera del prompt.
Dato clave #3Había más de 65 solicitudes diarias en tres colas de Jira, y la contratación no daba abasto.

Imagine que un instrumento del laboratorio se avería y que la única persona que sabía cómo repararlo en esa familia de equipos ha dejado la empresa. Los ingenieros abren una solicitud en Jira, buscan manuales en PDF, preguntan a sus compañeros, y la primera respuesta llega 17,4 horas después. Así funcionaba Natera, conocida por sus pruebas de ADN libre de células (cfDNA).

Para la compañía, la parada de los instrumentos supone retrasos en el procesamiento de muestras y en los informes para los pacientes. El equipo de ingeniería de laboratorio, dirigido por Ariel Zhirau, construyó junto con AWS el agente SWARM (Systematic Workflow Analytics and Resolutions Manager) sobre Amazon Bedrock AgentCore, un servicio gestionado de AWS para ejecutar agentes de IA. Según AWS, el sistema responde unas 130 veces más rápido (alrededor de 8 minutos frente a 17,4 horas) y genera un informe automático para el 96,2% de las solicitudes.

Qué problema resolvieron

Natera tiene muchos instrumentos de distintas familias, y cada una presenta averías típicas, documentación y métodos de reparación propios. El servicio técnico dependía de la experiencia personal de unas pocas personas y no de instrucciones unificadas. Cuando se fue el experto que durante años había trabajado con una de las familias, su conocimiento prácticamente se perdió: no existía ningún sistema que lo recogiera y lo distribuyera.

Mientras tanto, la carga crecía: más de 65 solicitudes diarias en tres colas de Jira. Contratar ingenieros al mismo ritmo no era posible. El objetivo era sencillo: responder en minutos, ofrecer un diagnóstico preciso para distintos tipos de equipos y mejorar de forma continua a partir de la evaluación de los resultados.

Cómo funciona el sistema

Dos agentes trabajan sobre una biblioteca común de habilidades. El swarm-agent toma una solicitud nueva antes de que la abra un ingeniero, elige las habilidades según el tipo de instrumento y los síntomas, consulta la base de conocimiento y añade a la solicitud un enlace a un informe en HTML: la hipótesis principal de la causa, los pasos de verificación ordenados por prioridad y una indicación de confianza. El swarm-hive sirve para el diálogo: el ingeniero aclara detalles, sube fotos y prueba vías alternativas, y la memoria de AgentCore guarda el contexto de la conversación para cada persona. Como esas conversaciones se escriben en texto libre, las consultas pasan por Bedrock Guardrails.

La biblioteca consta de 33 habilidades: 24 para familias de instrumentos y 9 transversales. Cada habilidad tiene una interfaz clara y se prueba por separado, como cualquier código de producción. Python realiza el trabajo determinista, por ejemplo, extraer los campos de Jira y maquetar el informe, mientras que el LLM interpreta los síntomas y los compara con los manuales. La ventaja práctica es evidente: si un diagnóstico es erróneo, se puede señalar la habilidad concreta en lugar de revisar todo el sistema.

Las solicitudes llegan al agente mediante EventBridge Scheduler y una función Lambda que consulta Jira, de modo que no fue necesario configurar webhooks. Después, los tickets pasan a una cola SQS, y DynamoDB elimina los duplicados por ID de solicitud y guarda el estado, el coste y el consumo de tokens de cada ejecución. La cola desacopla el agente de la disponibilidad de Jira. La trazabilidad corre a cargo de X-Ray, de modo que un paso lento o caro se localiza rápidamente.

El entorno es clínico, por lo que el despliegue se hizo sin claves de larga duración: GitLab CI obtiene credenciales temporales mediante OIDC y AWS STS, el tráfico circula por subredes privadas de la VPC y los secretos restantes se rotan cada 30 días. El trabajo se realiza sobre servicios de AWS aptos para HIPAA, bajo un acuerdo BAA. Los datos personales de los pacientes no llegan ni al índice vectorial ni al modelo: los tickets contienen solo metadatos de equipos y procesos.

La lección principal: primero los datos, después el modelo

Los primeros prototipos con búsqueda convencional, sin metadatos sobre los equipos, daban resultados inestables, así que el equipo escribió su propio flujo de procesamiento de documentos. Los textos se dividen en fragmentos de 1000 tokens con un solapamiento de 150 y se indexan por lotes de 100 documentos mediante Titan Text Embeddings y Bedrock Knowledge Bases. Para documentos con tablas y diagramas, los autores recomiendan un analizador específico en lugar de la división estándar.

La cifra más reveladora: tras añadir los manuales del fabricante que faltaban para la familia de instrumentos más débil, la precisión subió del 71% al 75% sin ningún cambio en el modelo. Según Zhirau, la precisión del diagnóstico depende sobre todo de la calidad de los datos, así que, cuando el rendimiento se estanca, el equipo revisa primero la cobertura documental y solo después trabaja en el modelo.

Qué llevarse a tu proyecto

  • No incrustes la lógica en los prompts: una biblioteca de habilidades versionada facilita la auditoría y la depuración.
  • Separa el trabajo por lotes en segundo plano del diálogo interactivo en entornos de ejecución distintos.
  • Deja lo determinista en código convencional y reserva el LLM para razonar sobre texto.
  • Activa la trazabilidad y el registro de costes de las ejecuciones antes del primer lanzamiento.
  • Si la calidad se estanca, busca huecos en la documentación antes de cambiar de modelo.

Advertencia: las cifras las publica la propia AWS en su blog corporativo, y el 71% y el 75% corresponden a la familia de instrumentos más débil, no al conjunto del sistema. SWARM sigue siendo un asistente que prepara un informe orientativo, y la decisión sobre la reparación la toma el ingeniero.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué problema resolvieron?

Natera tiene muchos instrumentos de distintas familias, y cada una presenta averías típicas, documentación y métodos de reparación propios. El servicio técnico dependía de la experiencia personal de unas pocas personas y no de instrucciones unificadas. Cuando se fue el experto que durante años había trabajado con una de las familias, su conocimiento prácticamente se perdió: no existía ningún sistema que lo recogiera y lo distribuyera.

Cómo funciona el sistema?

Dos agentes trabajan sobre una biblioteca común de habilidades. El swarm-agent toma una solicitud nueva antes de que la abra un ingeniero, elige las habilidades según el tipo de instrumento y los síntomas, consulta la base de conocimiento y añade a la solicitud un enlace a un informe en HTML: la hipótesis principal de la causa, los pasos de verificación ordenados por prioridad y una indicación de confianza.

¿Qué se sabe sobre La lección principal: primero los datos, después el modelo?

Los primeros prototipos con búsqueda convencional, sin metadatos sobre los equipos, daban resultados inestables, así que el equipo escribió su propio flujo de procesamiento de documentos. Los textos se dividen en fragmentos de 1000 tokens con un solapamiento de 150 y se indexan por lotes de 100 documentos mediante Titan Text Embeddings y Bedrock Knowledge Bases. Para documentos con tablas y diagramas, los autores recomiendan un analizador específico en lugar de la división estándar.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…