L'agent IA de Natera diagnostique les pannes d'appareils 130 fois plus vite : 8 minutes au lieu de 17,4 heures
Au laboratoire de Natera, un technicien senior est parti, et avec lui le savoir-faire sur la réparation des appareils ; les ingénieurs mettaient 17,4 heures à répondre à une demande dans Jira. L'agent SWARM, déployé sur Amazon Bedrock AgentCore, lit lui-même la demande, cherche dans les manuels et les anciens tickets, puis joint un rapport avec la cause probable et son niveau de confiance. La première réponse arrive en 8 minutes environ, soit 130 fois plus vite, et 96,2 % des demandes reçoivent un rapport. Leçon retenue : si la précision stagne, il faut d'abord enrichir la base documentaire.
Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
Imaginez : un appareil de laboratoire tombe en panne, et la seule personne qui savait le réparer pour cette famille de matériel vient de partir. Les ingénieurs ouvrent une demande dans Jira, cherchent les manuels au format PDF, interrogent leurs collègues, et la première réponse arrive 17,4 heures plus tard. C'est ainsi que travaillait Natera, connue pour ses tests d'ADN libre circulant (cfDNA).
Pour l'entreprise, un appareil à l'arrêt se traduit par un retard dans le traitement des échantillons et des rapports destinés aux patients. L'équipe d'ingénierie de laboratoire, dirigée par Ariel Zhirau, a conçu avec AWS l'agent SWARM (Systematic Workflow Analytics and Resolutions Manager) sur Amazon Bedrock AgentCore, un service géré d'AWS pour exécuter des agents IA. Selon AWS, le système répond environ 130 fois plus vite (environ 8 minutes au lieu de 17,4 heures) et produit un rapport automatique pour 96,2 % des demandes.
Quel problème fallait-il résoudre ?
Natera exploite de nombreux appareils issus de familles différentes, chacune avec ses pannes typiques, sa documentation et ses méthodes de réparation habituelles. L'équipe de maintenance reposait sur l'expérience personnelle de quelques individus plutôt que sur des procédures communes. Lorsque l'expert qui avait travaillé pendant des années sur l'une des familles a quitté l'entreprise, son savoir a en pratique disparu : aucun système ne le collectait ni ne le diffusait.
La charge, elle, augmentait : plus de 65 demandes par jour réparties sur trois files Jira. Recruter des ingénieurs au même rythme n'était pas possible. L'objectif était simple : répondre en quelques minutes, poser un diagnostic précis sur différents types d'équipements et s'améliorer en continu grâce à l'évaluation des résultats.
Comment fonctionne le système
Deux agents travaillent sur une bibliothèque de compétences commune. Swarm-agent prend lui-même une nouvelle demande avant même qu'un ingénieur ne l'ouvre, sélectionne les compétences en fonction du type d'appareil et des symptômes, interroge la base de connaissances et joint à la demande un lien vers un rapport HTML : hypothèse principale de la cause, étapes de vérification classées par priorité et indicateur de confiance. Swarm-hive sert au dialogue : l'ingénieur précise, envoie des photos et essaie d'autres pistes, la mémoire d'AgentCore conservant le contexte de la conversation pour chaque personne. Comme ces échanges se font en texte libre, les requêtes passent par Bedrock Guardrails.
La bibliothèque compte 33 compétences : 24 pour les familles d'appareils et 9 transverses. Chaque compétence dispose d'une interface claire et fait l'objet de tests unitaires, comme tout code de production. Python assure le travail déterministe, par exemple l'analyse des champs Jira et la mise en forme du rapport, tandis qu'un LLM interprète les symptômes et les rapproche des manuels. L'intérêt pratique est évident : si un diagnostic est erroné, on peut incriminer une compétence précise au lieu de passer tout le système au crible.
Les demandes arrivent dans l'agent via EventBridge Scheduler et une fonction Lambda qui interroge Jira, si bien qu'il n'a pas fallu configurer de webhooks. Les tickets sont ensuite placés dans une file SQS, et DynamoDB élimine les doublons à partir de l'identifiant de la demande et conserve le statut, le coût et la consommation de tokens de chaque exécution. La file découple l'agent de la disponibilité de Jira. X-Ray assure la traçabilité, ce qui permet de repérer rapidement une étape lente ou coûteuse.
Le contexte étant clinique, le déploiement se fait sans clés d'accès de longue durée : GitLab CI obtient des identifiants temporaires via OIDC et AWS STS, le trafic transite par des sous-réseaux privés d'un VPC, et les secrets restants sont renouvelés tous les 30 jours. Le travail s'appuie sur des services AWS éligibles à HIPAA, dans le cadre d'un BAA. Les données personnelles des patients n'entrent ni dans l'index vectoriel ni dans le modèle : les tickets ne contiennent que des métadonnées sur les appareils et les processus.
Principale leçon : d'abord les données, ensuite le modèle
Les premiers prototypes, qui reposaient sur une recherche classique sans métadonnées sur les appareils, donnaient des résultats instables ; l'équipe a donc écrit son propre pipeline de traitement documentaire. Les textes sont découpés en morceaux de 1 000 tokens avec un recouvrement de 150 et indexés par lots de 100 documents via Titan Text Embeddings et Bedrock Knowledge Bases. Pour les documents contenant des tableaux et des schémas, les auteurs recommandent un analyseur dédié plutôt que le découpage standard.
Le chiffre le plus parlant : après l'ajout des manuels constructeurs manquants pour la famille d'appareils la plus faible, la précision est passée de 71 % à 75 % sans aucune modification du modèle. Selon Zhirau, la précision du diagnostic dépend avant tout de la qualité des données ; en cas de plateau, l'équipe vérifie donc d'abord la couverture documentaire, et ne touche au modèle qu'ensuite.
Ce qu'il faut retenir pour votre projet
- Ne figez pas la logique dans les prompts : une bibliothèque de compétences versionnée facilite l'audit et le débogage.
- Séparez le traitement par lots en arrière-plan du dialogue interactif, en les confiant à des runtimes distincts.
- Confiez tout ce qui est déterministe à du code classique et réservez le LLM au raisonnement sur le texte.
- Activez la traçabilité et le suivi des coûts d'exécution avant la première mise en production.
- Si la qualité stagne, cherchez les lacunes documentaires avant de changer de modèle.
Réserve : les chiffres sont publiés par AWS dans son blog d'entreprise, et les 71 % et 75 % concernent une seule famille d'appareils, la plus faible, et non l'ensemble du système. SWARM reste un assistant qui prépare un rapport de suggestion : la décision de réparation revient à l'ingénieur.
- 21 nov. 2026L'agent Skein efface les étapes passées du contexte : 97 % de réussite, mais plus cher qu'OpenCode
- 21 nov. 2026Plutôt que Cursor : six agents de code open source, OpenCode affiche 228 000 étoiles sur GitHub
- 21 nov. 2026L'agent ClawDOS écrit et exécute du code sur un IBM PC 5160 : les nombres premiers en 64 secondes
- 21 nov. 2026Apple prépare un agent IA et complique l'accès aux tiers : l'autorisation passe désormais par 14 étapes, contre 4 auparavant
Questions clés sur cet article
Quel problème fallait-il résoudre ?
Natera exploite de nombreux appareils issus de familles différentes, chacune avec ses pannes typiques, sa documentation et ses méthodes de réparation habituelles. L'équipe de maintenance reposait sur l'expérience personnelle de quelques individus plutôt que sur des procédures communes. Lorsque l'expert qui avait travaillé pendant des années sur l'une des familles a quitté l'entreprise, son savoir a en pratique disparu : aucun système ne le collectait ni ne le diffusait.
Comment fonctionne le système?
Deux agents travaillent sur une bibliothèque de compétences commune. Swarm-agent prend lui-même une nouvelle demande avant même qu'un ingénieur ne l'ouvre, sélectionne les compétences en fonction du type d'appareil et des symptômes, interroge la base de connaissances et joint à la demande un lien vers un rapport HTML : hypothèse principale de la cause, étapes de vérification classées par priorité et indicateur de confiance.
Que sait-on sur Principale leçon : d'abord les données, ensuite le modèle ?
Les premiers prototypes, qui reposaient sur une recherche classique sans métadonnées sur les appareils, donnaient des résultats instables ; l'équipe a donc écrit son propre pipeline de traitement documentaire. Les textes sont découpés en morceaux de 1 000 tokens avec un recouvrement de 150 et indexés par lots de 100 documents via Titan Text Embeddings et Bedrock Knowledge Bases. Pour les documents contenant des tableaux et des schémas, les auteurs recommandent un analyseur dédié plutôt que le découpage standard.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.