Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarAWS Machine Learning Blog→ original

Agente de IA da Natera diagnostica falhas em equipamentos 130 vezes mais rápido: 8 minutos em vez de 17,4 horas

No laboratório da Natera, um técnico sênior saiu da empresa e levou consigo o conhecimento sobre o conserto dos equipamentos. Antes, os engenheiros levavam 17,4 horas para responder a um chamado no Jira. O agente SWARM, criado com o Amazon Bedrock AgentCore, lê o chamado sozinho, pesquisa manuais e tickets antigos e anexa um relatório com a versão da causa provável. A primeira resposta chega em cerca de 8 minutos, 130 vezes mais rápido, e 96,2% dos chamados recebem o relatório. A conclusão: se a precisão estagnar, o primeiro passo é ampliar a base de documentos.

Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Agente de IA da Natera diagnostica falhas em equipamentos 130 vezes mais rápido: 8 minutos em vez de 17,4 horas
Fonte: AWS Machine Learning Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalAWS Machine Learning Blog ↗
Editor-chefe
Dado-chave #1Manuais da família de equipamentos com pior desempenho elevaram a precisão de 71% para 75%.
A biblioteca tem 33 habilidades24 para equipamentos e 9 gerais, com a lógica fora do prompt.
Dado-chave #3Eram mais de 65 chamados por dia em três filas do Jira, e as contratações não acompanhavam a demanda.

Imagine: um equipamento do laboratório quebra, e a única pessoa que sabia consertar aquela família de aparelhos já foi embora. Os engenheiros abrem um chamado no Jira, procuram manuais em PDF, perguntam aos colegas, e a primeira resposta chega após 17,4 horas. Foi assim que a Natera, conhecida pelos testes de DNA livre de células (cfDNA), funcionava.

Para a empresa, a parada de equipamentos significa atraso no processamento de amostras e de laudos para os pacientes. A equipe de engenharia laboratorial, liderada por Ariel Zhirau, criou em parceria com a AWS o agente SWARM (Systematic Workflow Analytics and Resolutions Manager), baseado no Amazon Bedrock AgentCore, serviço gerenciado da AWS para executar agentes de IA. Segundo a AWS, o sistema responde cerca de 130 vezes mais rápido (aproximadamente 8 minutos em vez de 17,4 horas) e gera um relatório automático para 96,2% dos chamados.

Qual problema foi resolvido

A Natera tem muitos equipamentos de diferentes famílias, e cada uma possui suas falhas típicas, sua documentação e seus métodos habituais de conserto. A equipe de assistência técnica dependia da experiência pessoal de alguns profissionais, e não de instruções unificadas. Quando um especialista que por anos trabalhou com uma das famílias deixou a empresa, seu conhecimento simplesmente se perdeu, pois não havia nenhum sistema para reunir e distribuir essas informações.

A carga também crescia: mais de 65 chamados por dia em três filas do Jira. Contratar engenheiros na mesma velocidade não era possível. A tarefa era direta: responder em minutos, oferecer um diagnóstico preciso para diferentes tipos de equipamento e melhorar continuamente com base na avaliação dos resultados.

Como o sistema funciona

Dois agentes trabalham sobre uma biblioteca de habilidades compartilhada. O swarm-agent pega o novo chamado antes mesmo de um engenheiro abri-lo, escolhe as habilidades de acordo com o tipo de equipamento e os sintomas, consulta a base de conhecimento e anexa ao chamado um link para o relatório em HTML, com a hipótese principal sobre a causa, as etapas de verificação ordenadas e um indicador de confiança. O swarm-hive serve para o diálogo: o engenheiro esclarece dúvidas, envia fotos e testa caminhos alternativos, enquanto a memória do AgentCore guarda o contexto da conversa de cada pessoa. Como essas interações recebem texto livre, as solicitações passam pelo Bedrock Guardrails.

A biblioteca tem 33 habilidades: 24 para famílias de equipamentos e 9 transversais. Cada habilidade tem uma interface clara e é testada separadamente, como qualquer código de produção. O Python faz o trabalho determinístico, como extrair os campos do Jira e montar o relatório, enquanto o LLM interpreta os sintomas e os relaciona aos manuais. A vantagem prática é evidente: se o diagnóstico estiver errado, é possível apontar a habilidade específica, sem precisar analisar o sistema inteiro.

Os chamados chegam ao agente por meio do EventBridge Scheduler e de uma função Lambda que consulta o Jira, de modo que não foi necessário configurar webhooks. Em seguida, os tickets vão para uma fila no SQS, e o DynamoDB elimina duplicidades pelo ID do chamado e registra o status, o custo e o consumo de tokens de cada execução. A fila desacopla o agente da disponibilidade do Jira. O rastreamento fica por conta do X-Ray, o que permite localizar rapidamente uma etapa lenta ou cara.

O ambiente é clínico, por isso a implantação não usa chaves de longa duração: o GitLab CI recebe credenciais temporárias via OIDC e AWS STS, o tráfego passa por sub-redes privadas da VPC, e os segredos restantes são rotacionados a cada 30 dias. O trabalho roda em serviços da AWS compatíveis com a HIPAA, sob um BAA. Dados pessoais dos pacientes não entram nem no índice vetorial nem no modelo: os tickets contêm apenas metadados de equipamentos e processos.

Principal lição: primeiro os dados, depois o modelo

Os primeiros protótipos, com busca comum sem metadados sobre os equipamentos, davam resultados instáveis, e a equipe escreveu seu próprio pipeline de processamento de documentos. Os textos são divididos em trechos de 1000 tokens com sobreposição de 150 e indexados em lotes de 100 documentos, usando o Titan Text Embeddings e o Bedrock Knowledge Bases. Para documentos com tabelas e diagramas, os autores recomendam um parser específico em vez da divisão padrão.

O dado mais revelador: depois de incluir os manuais dos fabricantes que faltavam para a família de equipamentos com pior desempenho, a precisão subiu de 71% para 75%, sem nenhuma alteração no modelo. Segundo Zhirau, a precisão do diagnóstico depende, antes de tudo, da qualidade dos dados; por isso, quando há estagnação, a equipe verifica primeiro a cobertura da documentação e só depois mexe no modelo.

O que levar para o seu projeto

  • Não embuta a lógica nos prompts: uma biblioteca de habilidades versionada facilita a auditoria e a depuração.
  • Separe o trabalho em lote em segundo plano do diálogo interativo, em runtimes diferentes.
  • Entregue tudo o que é determinístico ao código comum e reserve o LLM para o raciocínio sobre texto.
  • Ative o rastreamento e o controle de custo das execuções antes do primeiro lançamento.
  • Se a qualidade estagnar, procure lacunas na documentação antes de trocar o modelo.

Ressalva: os números são publicados pela própria AWS em seu blog corporativo, e os 71% e 75% se referem a uma única família de equipamentos, a de pior desempenho, e não ao sistema como um todo. O SWARM continua sendo um assistente que prepara um relatório de sugestão, e a decisão sobre o conserto cabe ao engenheiro.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Qual problema foi resolvido?

A Natera tem muitos equipamentos de diferentes famílias, e cada uma possui suas falhas típicas, sua documentação e seus métodos habituais de conserto. A equipe de assistência técnica dependia da experiência pessoal de alguns profissionais, e não de instruções unificadas. Quando um especialista que por anos trabalhou com uma das famílias deixou a empresa, seu conhecimento simplesmente se perdeu, pois não havia nenhum sistema para reunir e distribuir essas informações.

Como o sistema funciona?

Dois agentes trabalham sobre uma biblioteca de habilidades compartilhada. O swarm-agent pega o novo chamado antes mesmo de um engenheiro abri-lo, escolhe as habilidades de acordo com o tipo de equipamento e os sintomas, consulta a base de conhecimento e anexa ao chamado um link para o relatório em HTML, com a hipótese principal sobre a causa, as etapas de verificação ordenadas e um indicador de confiança.

O que se sabe sobre Principal lição: primeiro os dados, depois o modelo?

Os primeiros protótipos, com busca comum sem metadados sobre os equipamentos, davam resultados instáveis, e a equipe escreveu seu próprio pipeline de processamento de documentos. Os textos são divididos em trechos de 1000 tokens com sobreposição de 150 e indexados em lotes de 100 documentos, usando o Titan Text Embeddings e o Bedrock Knowledge Bases. Para documentos com tabelas e diagramas, os autores recomendam um parser específico em vez da divisão padrão.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…