Las instituciones financieras que se ejecutan en AWS y Snowflake se benefician de un marco profundamente integrado que combina la nube de datos de inteligencia artificial de Snowflake con la infraestructura de nube de AWS, incluidas integraciones con servicios de AWS como Amazon Simple Storage Service (Amazon S3), AWS Glue, Amazon SageMaker y Amazon Bedrock. Con más de 50 integraciones nativas entre los servicios de AWS y Snowflake, las organizaciones pueden crear flujos de trabajo de cumplimiento que mantengan la seguridad de los datos y al mismo tiempo aceleren el tiempo de generación de valor.
Esta publicación demuestra esa integración en acción al automatizar uno de los flujos de trabajo más intensivos en mano de obra en los servicios financieros: la clasificación de alertas contra el lavado de dinero (AML). Creará un flujo de trabajo de clasificación utilizando Amazon Quick Flows y Snowflake Cortex, conectados a través de la integración del Protocolo de contexto de modelo rápido (MCP) de Amazon. En nuestro entorno de prueba, los flujos de trabajo automatizados creados con Amazon Quick redujeron el tiempo de investigación de alertas de 30 a 90 minutos a menos de 5 minutos. Los resultados reales pueden variar según la complejidad de la alerta y el volumen de datos.
A medida que madura la adopción de la IA, las organizaciones descubren que las implementaciones de mayor impacto van más allá de los asistentes independientes. Son flujos de trabajo repetibles que organizan las herramientas que los equipos ya utilizan, convirtiendo los procesos manuales de varios pasos en una experiencia de un solo clic. Amazon Quick es un servicio de inteligencia artificial empresarial que proporciona agentes de chat generativos impulsados por inteligencia artificial, capacidades de investigación, flujos rápidos para la automatización de tareas y Amazon Quick Automate para la automatización de procesos, agregando datos de múltiples fuentes, incluidos índices nativos, bases de conocimiento personalizadas y archivos cargados por los usuarios. Quick Flows, parte de Amazon Quick, traduce las solicitudes de los usuarios en llamadas de protocolo MCP estandarizado (un estándar de protocolo abierto), lo que elimina la necesidad de conectores personalizados y al mismo tiempo mantiene la seguridad empresarial a través de la autenticación OAuth. Quick Flows es una excelente opción para la clasificación ALD porque la investigación sigue los mismos pasos estructurados en todo momento: recopilar información, ejecutar la investigación y generar resultados. El mismo enfoque basado en MCP se aplica a flujos de trabajo repetibles en los que los equipos actualmente conectan sistemas manualmente, como la clasificación de costos de FinOps, la respuesta a incidentes de SRE o las investigaciones de cumplimiento.
Los analistas ALD de bancos medianos y grandes suelen dedicar entre 30 y 90 minutos por alerta a recopilar datos manualmente y redactar narrativas de disposición. Según investigaciones de la industria, las instituciones financieras normalmente encuentran que entre el 90% y el 95% de las alertas ALD son falsos positivos, lo que hace que la clasificación eficiente sea fundamental. Los procesos de investigación manual a esta escala pueden crear cargas de trabajo significativas para los equipos de cumplimiento. La automatización permite a los analistas procesar alertas de manera más eficiente, reducir el tiempo de investigación y mantener los estándares de cumplimiento.
Descripción general de la solución
El siguiente diagrama ilustra la arquitectura de integración de un extremo a otro que conecta Amazon Quick con Snowflake a través del protocolo de contexto modelo (MCP).
Figura 1: Integración del servidor MCP administrado por Snowflake con Amazon Quick a través del protocolo de contexto modelo
La solución utiliza Amazon Quick Flows como capa de orquestación, con una conexión administrada por Amazon Quick para llegar a un Snowflake Cortex Agent a través de un servidor MCP administrado por Snowflake con autenticación OAuth. Cortex Agent realiza el trabajo de investigación, analizando datos de transacciones estructuradas a través de Cortex Analyst y documentos de cumplimiento no estructurados a través de Cortex Search, mientras que Quick Flows maneja la validación de entradas, la lógica de razonamiento y la presentación de salida formateada.
Figura 2: Flujo de trabajo de clasificación de alertas AML: Amazon Quick Flows con pasos de acción de MCP que llaman a los agentes Snowflake Cortex (Cortex Analyst y Cortex Search)
La siguiente es la experiencia del analista de principio a fin, desde un paso de entrada de flujo rápido hasta un resumen de investigación completo. El analista abre el flujo publicado, ingresa el ID de alerta (por ejemplo, ALT-2026-03-02-002) y, opcionalmente, especifica una ventana de tiempo. El flujo entonces:
Valida la entrada y confirma que existe la alerta. Llama al agente Snowflake Cortex a través de MCP para investigar la alerta en los datos de las transacciones, los perfiles de los clientes, el historial anterior y la política de cumplimiento. Produce un resumen de investigación estructurado: resumen de alerta, patrón de transacción, perfil del cliente, SAR anteriores, referencias de políticas, puntuación de riesgo, recomendación de disposición y un borrador de narrativa.
Implementación
En esta sección, lo guiaremos a través de los pasos para crear el flujo de trabajo de clasificación AML, desde la preparación de su capa de datos Snowflake hasta la configuración de la orquestación de Quick Flows. Comenzamos con los requisitos previos que necesita antes de comenzar, y cada paso se basa en el anterior, de modo que al final tendrá un proceso de investigación automatizado de extremo a extremo completamente funcional, listo para ser utilizado por los analistas.
Requisitos previos
Una cuenta de Amazon Quick con la capacidad de configurar un conector de acción MCP. Una cuenta de Snowflake con acceso a Cortex Agents, Cortex Search y la función del servidor MCP administrado por Snowflake. Necesita permisos para crear objetos AGENTE, SERVIDOR MCP, SERVICIO DE BÚSQUEDA CORTEX e INTEGRACIÓN DE SEGURIDAD. Datos AML en Snowflake. Alertas de monitoreo de transacciones (desde su TMS como Actimize, Norkom o motor de reglas interno), datos maestros de cuenta/cliente y registros KYC/CDD. Una vista semántica que modela sus dimensiones de alerta, transacción, cliente y disposición. Corpus de documentos de cumplimiento en Snowflake. Manual de políticas BSA/AML, pautas de presentación de SAR, notas de investigación previa y orientación regulatoria (avisos de FinCEN, extractos del manual FFIEC BSA/AML) cargados en una tabla para la indexación de Cortex Search. Familiaridad con los conceptos de SQL, administración de Snowflake y AWS Identity and Access Management (IAM).
Paso 1: preparar la vista semántica de AML (Snowflake)
Cortex Analyst funciona mejor cuando le brinda una vista semántica que coincide con la forma en que su equipo de cumplimiento piensa sobre las alertas y las investigaciones. El servidor MCP administrado por Snowflake admite vistas semánticas con Cortex Analyst. Navegue a Snowsight, luego a AI y ML, luego a Vistas semánticas y cree una vista semántica sobre sus tablas AML (dimensiones y medidas) en Snowflake:
Metadatos de alerta: id_alerta, fecha_alerta, nombre_regla, categoría_regla, gravedad, estado, puntuación_alerta. Detalles de la transacción: txn_id, txn_date, txn_type, monto, moneda, canal, originador, beneficiario, país_beneficiario. Perfil del cliente: id_cliente, nombre_completo, clasificación_riesgo, país, industria, fecha_de_incorporación, bandera_pep, bandera_sanciones. Actividad de la cuenta: account_id, account_type, current_balance, avg_monthly_volume, status. Historial de disposición: alertas anteriores, SAR anteriores, último resultado de disposición, notas de analistas.
Defina relaciones (uniones) entre alertas, transacciones, clientes, cuentas y disposiciones para que el agente pueda recorrer el modelo de datos en una sola consulta.
Paso 2: Cree el servicio Cortex Search para documentos de cumplimiento (Snowflake)
La clasificación de la lucha contra el lavado de dinero depende en gran medida de un contexto no estructurado. Cree un servicio Cortex Search sobre su corpus de documentos de cumplimiento para que el agente pueda recuperar secciones de políticas relevantes, plantillas de presentación de SAR y notas de investigaciones previas durante cada clasificación.
Los documentos a indexar incluyen el manual de políticas BSA/AML de su institución, umbrales de presentación de SAR y plantillas narrativas, avisos de FinCEN, extractos del manual BSA/AML de FFIEC, notas de investigación previa (redactadas según sea necesario) y orientación sobre sanciones/detección de PEP.
Paso 3: Crear el agente Cortex de clasificación AML (copo de nieve)
Cree un Agente Cortex que organice su vista semántica de transacciones (Cortex Analyst) y el servicio de búsqueda de documentos de cumplimiento (Cortex Search). La especificación del agente incluye un bloque de instrucciones del sistema que codifica la metodología de investigación de su institución. Este bloque es intencional y se espera que sea personalizado. Las instrucciones predeterminadas proporcionadas aquí reflejan un flujo de trabajo de clasificación ALD común, pero debe adaptarlas para que coincidan con los procedimientos, criterios de escalamiento y obligaciones regulatorias específicos de su organización antes de implementarlas en producción.
Revise los pasos numerados en el bloque de instrucciones del sistema y reordene o elimine los pasos que no se apliquen a su flujo de trabajo. Agregue un contexto específico de la institución, como su jurisdicción y los marcos regulatorios aplicables. Actualice el bloque de formato de respuesta para que coincida con la estructura de salida esperada de su sistema de gestión de casos. Actualice el bloque sample_questions con ID de alerta representativos o patrones de consulta de su propio entorno para ayudar a validar el comportamiento del agente durante las pruebas.
Mantenga el presupuesto de orquestación conservador para que el agente complete dentro de las restricciones de tiempo de espera de Amazon Quick MCP (actualmente 300 segundos). Una vez creado el agente, vaya a Snowsight y actualice el almacén predeterminado que se utilizará para la herramienta Cortex Analyst.
Paso 4: cree el servidor MCP administrado por Snowflake
Los agentes Snowflake Cortex no se exponen automáticamente a clientes MCP externos. Cree un objeto MCP SERVER que enumere las herramientas que desea que Amazon Quick descubra.
Paso 5: Configure Snowflake OAuth para Amazon Quick
Amazon Quick admite OAuth para integraciones MCP. El servidor MCP administrado de Snowflake admite OAuth 2.0 pero no admite el registro dinámico de clientes, por lo que utilizará la opción de configuración manual en Amazon Quick.
En Snowflake, cree una INTEGRACIÓN DE SEGURIDAD de tipo OAUTH y registre la URL de redireccionamiento rápido de Amazon.
Confirme la URL exacta para su región de implementación en la consola de Amazon Quick y, en consecuencia, actualice el valor de OAUTH_REDIRECT_URI en el comando anterior.
Ejecute el siguiente comando para recuperar el ID y el secreto del cliente:
Anote los valores de OAUTH_CLIENT_ID y OAUTH_CLIENT_SECRET.
Ejecute el siguiente comando para recuperar valores para los puntos finales de Snowflake OAuth:
Anote los valores de OAUTH_AUTHORIZATION_ENDPOINT y OAUTH_TOKEN_ENDPOINT.
Paso 6: Aplicar control de acceso con privilegios mínimos (Snowflake)
Cree una función dedicada para el acceso a Amazon Quick MCP. Conceda USO en el servidor MCP y las herramientas subyacentes. El acceso al servidor MCP no otorga automáticamente acceso a las herramientas que expone.
Paso 7: Registre el servidor Snowflake MCP en Amazon Quick
En la consola de Amazon Quick, navegue hasta Conectores y elija la pestaña Conectarse a su equipo. Seleccione el icono más (+) en el mosaico del Protocolo de contexto del modelo para comenzar la configuración (Figura 3).
Figura 3: Página de Amazon Quick Connectors: selección del mosaico Protocolo de contexto del modelo para agregar una nueva integración de MCP
Ingrese el punto final del servidor Snowflake MCP:
Figura 4: Integración de Amazon Quick MCP: introducción de la URL del punto final del servidor Snowflake MCP
Elija Siguiente. Seleccione Autenticación de usuario (OAuth) y elija Configuración manual. Ingrese el ID del cliente y el secreto de la INTEGRACIÓN DE SEGURIDAD de Snowflake, además de la autorización OAuth de Snowflake y las URL del token. Elija Crear y continuar. Amazon Quick se conecta al servidor MCP y descubre las herramientas disponibles.
Figura 5: Integración de Amazon Quick MCP: campos de configuración manual de OAuth completados con credenciales de Snowflake
Deberá autenticarse en Snowflake utilizando el usuario de Snowflake creado en el Paso 6.
Figura 6: Inicie sesión en Snowflake con sus credenciales de Snowflake
Revise la lista de acciones descubiertas correspondientes a las herramientas del servidor MCP administradas por Snowflake (Cortex Agent, Cortex Analyst, Cortex Search) y confirme. Estas herramientas realizan el trabajo de investigación y Quick Flow las invoca como pasos de acción según la lógica del flujo de trabajo que usted defina.
Figura 7: Página de revisión de la integración de Amazon Quick MCP que muestra las herramientas descubiertas: aml_triage, txn_analyst y Policy_search
Paso 8: Cree el flujo rápido de clasificación AML
Navegue hasta Flujos rápidos y elija Crear flujo. Puede describir el flujo de trabajo en lenguaje natural o crearlo paso a paso utilizando el editor visual. El flujo consta de cuatro secciones: un paso de entrada, un grupo de razonamiento con pasos de acción de MCP, un paso de salida y un chat de seguimiento opcional.
Paso de entrada: recopilar el ID de alerta
Agregue un paso de entrada del usuario que solicite al analista que ingrese el ID de alerta (por ejemplo, ALT-2026-03-02-002) y una ventana de tiempo opcional. Esto hace que el flujo sea repetible y autodocumentado. Cada ejecución comienza con la misma entrada estructurada, por lo que no hay variabilidad entre los analistas.
Figura 8: Editor de flujo rápido: paso de entrada configurado para recopilar ID de alerta y ventana de tiempo opcional del analista
Grupo de razonamiento: investigar la alerta a través de MCP
Agregue un grupo de razonamiento que contenga la lógica de bifurcación para investigar la alerta. Usamos un grupo de razonamiento en este ejemplo para que el flujo pueda admitir rutas de clasificación condicional, como escalar una alerta CRÍTICA para una revisión inmediata del Oficial de BSA, aplicar una revisión mejorada para una alerta HIGH_RISK_GEO o recomendar una escalada cuando se encuentran SAR anteriores. Si su flujo de trabajo siempre ejecuta la misma acción aml_triage sin bifurcación condicional, también puede crear este flujo sin un grupo de Reasoning colocando la acción de la aplicación Snowflake MCP directamente después del paso de entrada.
Figura 9: Editor de flujo rápido: agregue un grupo de razonamiento que contenga lógica de investigación
Dentro del grupo de razonamiento, agregue un paso de acciones de la aplicación y seleccione la integración de Snowflake MCP que creó en el paso 7. Elija la acción aml_triage. Escriba la instrucción rápida para el paso de acción:
Figura 10: Editor de flujo rápido: grupo de razonamiento con paso de acción de MCP que llama a la herramienta aml_triage desde la integración de Snowflake
El valor predeterminado para la variable {alert_id} se completa automáticamente desde el paso de entrada, aunque puede sobrescribirlo manualmente. El grupo de razonamiento puede incluir lógica de ramificación adicional utilizando instrucciones en lenguaje natural para manejar diferentes escenarios de alerta.
Para una alerta de gravedad CRÍTICA, el grupo de razonamiento le indica al agente que verifique las listas de sanciones y marque el caso para su revisión inmediata por parte del Oficial de BSA. Cuando la categoría de alerta es HIGH_RISK_GEO, el agente compara los países beneficiarios con la lista actual de jurisdicciones de alto riesgo del GAFI y recupera la guía de detección de la OFAC. Si el cliente tiene SAR anteriores registrados, el agente recupera la narrativa de la investigación anterior y recomienda escalar en lugar de cerrar.
Paso de salida: Presentar el informe de investigación.
Agregue un paso de Salida que dé formato y presente el informe de investigación al analista. El resultado incluye las ocho secciones de la respuesta del Cortex Agent. El analista puede revisar el informe y, dado que Quick Flows admite el tiempo de ejecución agente, puede conversar con el flujo para refinar los resultados.
Figura 11: Editor de flujo rápido: paso de salida que muestra el resumen de investigación formateado con las ocho secciones.
Paso 9: publicar y compartir el flujo
Una vez probado el flujo, elija Compartir y publicar para que esté disponible en la biblioteca de flujos. Luego compártelo con tu equipo de cumplimiento.
Figura 12: Comparte y publica tu flujo rápido
Los analistas pueden abrir el flujo desde la biblioteca o invocarlo desde la interfaz de chat rápido de Amazon. Cada analista ejecuta el mismo flujo de trabajo de clasificación estructurado, produciendo resúmenes de investigación consistentes y listos para auditorías, independientemente de su experiencia en ingeniería rápida.
Paso 10: prueba el flujo de trabajo
Abra el flujo de clasificación de alertas AML y ejecútelo con una alerta de prueba. Ingrese el ID de alerta, elija el botón Iniciar y deje que se ejecute el flujo. El flujo llama al agente Snowflake Cortex a través de MCP. El agente organiza internamente Cortex Analyst y Cortex Search y luego devuelve el informe de investigación estructurado.
Figura 13: Pruebe el flujo rápido
Figura 14: Salida generada a partir del flujo rápido de clasificación AML
Después de revisar el informe, el analista puede utilizar la interfaz de chat para hacer preguntas de seguimiento y perfeccionar el resultado antes de finalizarlo. Pruebe la interfaz con algunas preguntas de ejemplo, como:
“¿En qué lista del GAFI están estos países, llamado a la acción o mayor monitoreo?” “¿Qué encontró la investigación anterior para este cliente?”
Figura 15: Respuesta del flujo rápido para preguntas de seguimiento
Consideraciones de seguridad y gobernanza
Antes de compartir el flujo con su equipo de cumplimiento, existen varias consideraciones de seguridad y gobernanza que vale la pena abordar.
En el lado del control de acceso, la integración de MCP se ejecuta con los permisos del rol autenticado por OAuth (AML_MCP_ROLE). Alcance esta función con los privilegios mínimos de USO y SELECCIÓN en el servidor MCP, el agente, la vista semántica y el servicio de búsqueda, y evite otorgar SYSADMIN o ACCOUNTADMIN.
Cortex AI procesa datos dentro de los límites de seguridad de Snowflake, lo que significa que sus datos no salen de su cuenta de Snowflake. Confirme que su región de Snowflake cumpla con los requisitos de residencia de datos de su institución para datos financieros regulados.
En muchas jurisdicciones, los datos de la investigación ALD están sujetos a restricciones de denuncia. Comparta el flujo rápido solo con personal de cumplimiento autorizado y no lo publique en bibliotecas de flujo de toda la organización ni lo exponga a roles de cara al cliente.
Desde una perspectiva de auditoría, Amazon Quick registra las invocaciones de herramientas MCP y las ejecuciones de flujo, mientras que las vistas ACCESS_HISTORY y ACCOUNT_USAGE de Snowflake registran cada consulta ejecutada por Cortex Agent. En conjunto, estos proporcionan una pista de auditoría de investigación para la revisión del examinador, y cada ejecución de flujo representa un evento discreto y rastreable.
El flujo produce un borrador de informe de investigación y una recomendación de disposición, pero un analista de cumplimiento humano debe revisar y aprobar cada presentación de SAR o cierre de caso. El flujo es un acelerador de investigaciones, no un tomador de decisiones automatizado.
Documente qué modelo LLM utiliza Cortex Agent, versionelo en su inventario de modelos e inclúyalo en el marco de gestión de riesgos del modelo AI/ML de su institución de acuerdo con SR 11-7 / OCC 2011-12.
Rote las credenciales de Snowflake OAuth de acuerdo con la política de rotación de claves de su organización y establezca la validez del token de actualización en la ventana más corta que admita sus necesidades operativas.
A medida que evolucione su metodología de investigación, actualice el flujo y vuelva a publicarlo. Quick Flows admite el refinamiento iterativo y los analistas reciben automáticamente la última versión.
Por qué Quick Flows en lugar de un agente de chat
Quick Flows aplica los mismos pasos de investigación cada vez. Esa es la decisión de diseño central detrás de esta solución. Mientras que un agente de chat sigue instrucciones de manera flexible y produce resultados variables dependiendo de cómo cada analista expresa su solicitud, un flujo facilita resultados deterministas: cada alerta se ejecuta a través de la misma entrada estructurada, la misma lógica de razonamiento y la misma salida formateada, independientemente de quién la active.
Esa coherencia es lo que hace que el informe de investigación esté listo para auditoría de forma predeterminada. Cada ejecución de flujo es un evento discreto y registrado. La bifurcación condicional en los grupos de razonamiento, que enruta las alertas CRÍTICAS a través de pasos mejorados y escala automáticamente a los clientes con SAR anterior, aplica una lógica que un agente de chat no puede replicar de manera confiable. Para preguntas ad hoc fuera del flujo de trabajo de clasificación, la misma integración de Snowflake MCP funciona igualmente bien con un agente de chat rápido. Los Quick Flows y los agentes de chat comparten la misma base. Son simplemente interfaces diferentes para diferentes casos de uso.
Limpiar recursos
Si creó esta solución como prototipo, elimine los siguientes recursos para evitar exposición y cargos continuos:
En Amazon Quick, elimine o anule la publicación del flujo de clasificación de alertas AML. En Amazon Quick, elimine la integración con Snowflake MCP Server. En Snowflake, suelte el objeto MCP SERVER si ya no necesita exponer herramientas externamente. En Snowflake, deshabilite o elimine la INTEGRACIÓN DE SEGURIDAD utilizada para OAuth. En Snowflake, elimine Cortex Agent, el servicio Cortex Search y las tablas de datos de prueba si desmantela el flujo de trabajo.
Conclusión
En esta publicación, le mostramos cómo crear un flujo de trabajo diario de clasificación de alertas AML utilizando Amazon Quick Flows que se conecta a un Snowflake Cortex Agent a través de un servidor MCP administrado por Snowflake. Desde un paso de entrada estructurado, el flujo llama al Cortex Agent a través de MCP para organizar Cortex Analyst (para transacciones estructuradas y datos de clientes) y Cortex Search (para políticas BSA/AML y notas de investigación previas), luego presenta un informe de investigación completo con una puntuación de riesgo y una recomendación de disposición.
A diferencia de los agentes de chat donde la salida varía según la redacción del mensaje, Quick Flows impone secuencias predecibles y repetibles con validación de entrada integrada, lógica de razonamiento y salida formateada. Esto permite a los analistas ejecutar una clasificación consistente y de alta calidad sin aprender ingeniería rápida y distribuir flujos de trabajo a equipos completos con un solo clic. Cada analista realiza la misma clasificación estructurada. El formato de salida es predecible y cada ejecución es un evento discreto y auditable. Al mismo tiempo, el tiempo de ejecución agente en Quick Flows permite a los analistas conversar con el flujo de trabajo para refinar los resultados y hacer preguntas de seguimiento, combinando el rigor de un proceso estructurado con la flexibilidad de una interfaz conversacional.
El patrón clave aquí es publicar Cortex Agent como una herramienta MCP a través de un servidor MCP administrado por Snowflake y conectarse a él desde Amazon Quick con OAuth. Esta misma integración de MCP funciona en Quick Flows, agentes de chat y Amazon Quick Automate, por lo que puede comenzar con un flujo estructurado para la clasificación diaria y expandirse a agentes de chat ad hoc o automatizaciones a escala empresarial a medida que crecen sus necesidades.
Para comenzar, consulte Uso de Amazon Quick Flows, integración de MCP, servidor MCP administrado por Snowflake y la Guía rápida del usuario de Amazon. Para obtener más información sobre las características y capacidades de Amazon Quick, consulte la documentación de Amazon Quick y síganos en la comunidad de Amazon Quick.
Sobre los autores
Nidhi Gupta
Nidhi es arquitecto de soluciones de socios senior en AWS y se especializa en datos y análisis. Ayuda a clientes y socios a crear y optimizar cargas de trabajo de Snowflake en AWS. Nidhi tiene una amplia experiencia liderando lanzamientos e implementaciones de producción, con especial atención en datos, inteligencia artificial, aprendizaje automático, inteligencia artificial generativa y análisis avanzado.
Thomas Ebbey
Ebbey es arquitecto senior de soluciones especializado en IA generativa en AWS. Trabaja con ISV y clientes para identificar casos de uso prácticos para agentes de IA y convertirlos en soluciones de IA generativa de nivel de producción. Ebbey tiene una licenciatura en ingeniería informática y una maestría en gestión de la información de la Universidad de Syracuse. Fuera del trabajo, disfruta del café, el aire libre, hacer ejercicio, los viajes por carretera y pasar tiempo con su familia.
vipin mohan
Vipin es director principal de productos en Amazon Web Services, donde dirige la estrategia de productos Agentic AI. Se especializa en la creación de productos de IA/ML, plataformas de contenedores y tecnologías de búsqueda que prestan servicios a miles de clientes. Fuera del trabajo, es mentor de aspirantes a gerentes de producto, disfruta leer sobre inversiones financieras y emprendimiento, y le encanta explorar el mundo a través de los ojos de sus dos hijos.
Zahir Gadiwan
Zahir dirige la ingeniería de soluciones de socios para proveedores de servicios en la nube en Snowflake. Zahir trabaja en estrecha colaboración con socios y clientes de la nube para ayudarlos a convertir los datos empresariales gobernados en resultados de IA del mundo real, con un fuerte enfoque en arquitecturas seguras y escalables. Aporta una perspectiva práctica de campo sobre cómo las organizaciones pueden conectar experiencias modernas de IA con los datos gobernados y las capacidades de IA de Snowflake para pasar de la experimentación a la producción.