La creación de inteligencia de clientes cohesiva y unificada en toda su organización comienza con la reducción de la fricción que enfrentan sus representantes de ventas al alternar entre Salesforce, tickets de soporte y Amazon Redshift. Un representante de ventas que se prepara para una reunión con un cliente puede pasar horas haciendo clic en varios paneles diferentes (recomendaciones de productos, métricas de participación, análisis de ingresos, etc.) antes de desarrollar una imagen completa de la situación del cliente. En AWS, nuestra organización de ventas experimentó esto de primera mano a medida que escalamos globalmente. Necesitábamos una forma de unificar los datos de los clientes aislados en bases de datos de métricas, repositorios de documentos y fuentes industriales externas, sin crear una infraestructura de orquestación personalizada compleja.
Creamos Customer Agent & Knowledge Engine (CAKE), un agente de chat centrado en el cliente que utiliza Amazon Bedrock AgentCore para resolver este desafío. CAKE coordina herramientas de recuperación especializadas: consulta de gráficos de conocimiento en Amazon Neptune, métricas en Amazon DynamoDB, documentos en Amazon OpenSearch Service y datos de mercado externos mediante una API de búsqueda web, junto con la aplicación de seguridad mediante la herramienta Row Level Security (RLS), brindando información a los clientes a través de consultas en lenguaje natural en menos de 10 segundos (como se observa en las pruebas de carga de agentes).
En esta publicación, demostramos cómo crear sistemas de inteligencia unificada utilizando Amazon Bedrock AgentCore a través de nuestra implementación de CAKE en el mundo real. Puede crear agentes personalizados que desbloqueen las siguientes características y beneficios:
Coordinación de herramientas especializadas a través de análisis de intención dinámico y ejecución paralela Integración de almacenes de datos especialmente diseñados (Neptune, DynamoDB, OpenSearch Service) con orquestación paralela Implementación de seguridad y gobernanza a nivel de filas dentro de los flujos de trabajo Prácticas de ingeniería de producción para la confiabilidad, incluidos informes basados en plantillas para cumplir con la semántica y el estilo del negocio Optimización del rendimiento a través de la flexibilidad del modelo
Estos patrones arquitectónicos pueden ayudarle a acelerar el desarrollo para diferentes casos de uso, incluidos sistemas de inteligencia de clientes, asistentes de IA empresarial o sistemas multiagente que se coordinan entre diferentes fuentes de datos.
Por qué los sistemas de inteligencia de clientes necesitan unificación
A medida que las organizaciones de ventas escalan globalmente, a menudo enfrentan tres desafíos críticos: datos fragmentados en herramientas especializadas (recomendaciones de productos, paneles de participación, análisis de ingresos, etc.) que requieren horas para recopilar opiniones integrales de los clientes, pérdida de semántica comercial en bases de datos tradicionales que no pueden capturar relaciones semánticas que expliquen por qué las métricas son importantes, y procesos de consolidación manual que no pueden escalar con volúmenes de datos crecientes. Necesita un sistema unificado que pueda agregar datos de los clientes, comprender las relaciones semánticas y razonar las necesidades del cliente en el contexto empresarial, lo que convierte a CAKE en el eje esencial para las empresas de todo el mundo.
Descripción general de la solución
CAKE es un agente de chat centrado en el cliente que transforma datos fragmentados en inteligencia unificada y procesable. Al consolidar tablas/fuentes de datos internas y externas en un único punto final conversacional, CAKE ofrece información personalizada para los clientes impulsada por gráficos de conocimiento ricos en contexto, todo en menos de 10 segundos. A diferencia de las herramientas tradicionales que simplemente informan números, la base semántica de CAKE captura el significado y las relaciones entre las métricas comerciales, el comportamiento de los clientes, la dinámica de la industria y los contextos estratégicos. Esto permite a CAKE explicar no sólo lo que le sucede a un cliente, sino también por qué sucede y cómo actuar.
Amazon Bedrock AgentCore proporciona la infraestructura de tiempo de ejecución que los sistemas de IA multiagente requieren como servicio administrado, incluida la comunicación entre agentes, la ejecución paralela, el seguimiento del estado de la conversación y el enrutamiento de herramientas. Esto ayuda a los equipos a centrarse en definir los comportamientos de los agentes y la lógica empresarial en lugar de implementar una infraestructura de sistemas distribuidos.
Para CAKE, creamos un agente personalizado en Amazon Bedrock AgentCore que coordina cinco herramientas especializadas, cada una optimizada para diferentes patrones de acceso a datos:
Herramienta de recuperación de Neptune para consultas de relaciones gráficas Agente de DynamoDB para búsquedas instantáneas de métricas Herramienta de recuperación de OpenSearch para búsqueda de documentos semánticos Herramienta de búsqueda web para inteligencia industrial externa Herramienta de seguridad de nivel de fila (RLS) para aplicación de seguridad
El siguiente diagrama muestra cómo Amazon Bedrock AgentCore admite la orquestación de estos componentes.
La solución pasa por varias fases clave en respuesta a una pregunta (por ejemplo, "¿Cuáles son las principales oportunidades de expansión para este cliente?"):
Analiza la intención y enruta la consulta: el agente supervisor, que se ejecuta en Amazon Bedrock AgentCore, analiza la consulta en lenguaje natural para determinar su intención. La pregunta requiere comprensión del cliente, datos de relaciones, métricas de uso y conocimientos estratégicos. La lógica de llamada de herramientas del agente, mediante Amazon Bedrock AgentCore Runtime, identifica qué herramientas especializadas activar. Distribuye herramientas en paralelo: en lugar de ejecutar llamadas a herramientas de forma secuencial, la capa de orquestación distribuye varias herramientas de recuperación en paralelo, utilizando el entorno de ejecución escalable de Amazon Bedrock AgentCore Runtime. El agente gestiona el ciclo de vida de ejecución, gestionando automáticamente los tiempos de espera, los reintentos y las condiciones de error. Sintetiza múltiples resultados: a medida que las herramientas especializadas devuelven resultados, Amazon Bedrock AgentCore transmite estas respuestas parciales al agente supervisor, quien las sintetiza en una respuesta coherente. El agente razona sobre cómo se relacionan las diferentes fuentes de datos entre sí, identifica patrones y genera conocimientos que abarcan múltiples dominios de conocimiento. Hace cumplir los límites de seguridad: antes de que comience la recuperación de datos, el agente invoca la herramienta RLS para hacer cumplir de manera determinista los permisos de los usuarios. Luego, el agente personalizado verifica que las llamadas posteriores a la herramienta respeten estos límites de seguridad, filtrando automáticamente los resultados y ayudando a prevenir el acceso no autorizado a los datos. Esta capa de seguridad opera a nivel de infraestructura, reduciendo el riesgo de errores de implementación.
Esta arquitectura opera en dos vías paralelas: Amazon Bedrock AgentCore proporciona el tiempo de ejecución para la capa de servicio en tiempo real que responde a las consultas de los usuarios con una latencia mínima, y una canalización de datos fuera de línea actualiza periódicamente los almacenes de datos subyacentes desde el almacén de datos analíticos. En las siguientes secciones, analizamos el diseño del marco del agente y los componentes principales de la solución, incluidos el gráfico de conocimiento, los almacenes de datos y la canalización de datos.
Diseño del marco del agente.
Nuestro sistema de múltiples agentes aprovecha el marco de AWS Strands Agents para ofrecer capacidades de razonamiento estructurado y al mismo tiempo mantener los controles empresariales necesarios para el cumplimiento normativo y un rendimiento predecible. El sistema de múltiples agentes se basa en el marco de AWS Strands Agents, que proporciona una base basada en modelos para crear agentes a partir de muchos modelos diferentes. El agente supervisor analiza las preguntas entrantes para seleccionar de forma inteligente qué agentes y herramientas especializados invocar y cómo descomponer las consultas de los usuarios. El marco expone los estados de los agentes y los resultados para implementar una evaluación descentralizada tanto a nivel de agente como de supervisor. Basándonos en un enfoque basado en modelos, implementamos el razonamiento agente a través de cadenas de razonamiento GraphRAG que construyen caminos de inferencia deterministas atravesando relaciones de conocimiento. Nuestros agentes realizan un razonamiento autónomo dentro de sus dominios especializados, basado en ontologías predefinidas y al mismo tiempo mantienen patrones de comportamiento predecibles y auditables necesarios para las aplicaciones empresariales.
El agente supervisor emplea un protocolo de selección de varias fases:
Análisis de preguntas: analiza y comprende la intención del usuario. Selección de fuente: el enrutamiento inteligente determina qué combinación de herramientas se necesita. Descomposición de consultas: las preguntas originales se dividen en subpreguntas especializadas optimizadas para cada herramienta seleccionada. Ejecución paralela: las herramientas seleccionadas se ejecutan simultáneamente a través de grupos de acción de AWS Lambda sin servidor.
Las herramientas se exponen a través de un patrón de composición jerárquico (que tiene en cuenta la modalidad de datos: estructurados versus no estructurados) donde los agentes y herramientas de alto nivel coordinan múltiples subherramientas especializadas:
Herramienta de razonamiento gráfico: gestiona el recorrido de entidades, el análisis de relaciones y la extracción de conocimientos. Agente de información sobre el cliente: coordina múltiples modelos ajustados en paralelo para generar resúmenes de clientes a partir de tablas. Herramienta de búsqueda semántica: organiza análisis de texto no estructurado (como notas de campo). Herramienta de investigación web: coordina la recuperación web/de noticias.
Ampliamos el marco central de AWS Strands Agents con capacidades de nivel empresarial que incluyen validación de acceso de clientes, optimización de tokens, selección de LLM de múltiples saltos para la resiliencia de limitación de modelos y cadenas de razonamiento GraphRAG estructuradas. Estas extensiones brindan las capacidades de toma de decisiones autónomas de los sistemas agentes modernos al mismo tiempo que facilitan el rendimiento predecible y la alineación del cumplimiento normativo.
Construyendo la base del gráfico de conocimiento
El gráfico de conocimiento de CAKE en Neptune representa las relaciones con los clientes, los patrones de uso de productos y la dinámica de la industria en un formato estructurado que permite a los agentes de IA realizar un razonamiento eficiente. A diferencia de las bases de datos tradicionales que almacenan información de forma aislada, el gráfico de conocimiento de CAKE captura el significado semántico de las entidades comerciales y sus relaciones.
Construcción de gráficos y modelado de entidades.
Diseñamos el gráfico de conocimiento en torno a la ontología de ventas de AWS: las entidades y relaciones principales que los equipos de ventas discuten a diario:
Entidades de clientes: con propiedades extraídas de fuentes de datos, incluidas clasificaciones industriales, métricas de ingresos, fase de adopción de la nube y puntuaciones de participación. Entidades de productos: que representan servicios de AWS, con conexiones a casos de uso, aplicaciones industriales y patrones de adopción de clientes. Entidades de solución: vinculación de productos con resultados comerciales e iniciativas estratégicas. Entidades de oportunidad: seguimiento del proceso de ventas, etapas de los acuerdos y partes interesadas asociadas. Entidades de contacto: mapeo de redes de relaciones dentro de las organizaciones de clientes.
Amazon Neptune se destaca a la hora de responder preguntas que requieren comprender las conexiones: encontrar cómo se relacionan dos entidades, identificar rutas entre cuentas o descubrir relaciones indirectas que abarcan múltiples saltos. El proceso de construcción de datos fuera de línea ejecuta consultas programadas en los clústeres de Redshift para preparar los datos que se cargarán en el gráfico.
Capturando el contexto de la relación
El gráfico de conocimiento de CAKE captura cómo las relaciones conectan entidades. Cuando el gráfico conecta a un cliente con un producto a través de una mayor relación de uso, también almacena atributos contextuales: la tasa de aumento, el impulsor comercial (de los planes de cuenta) y los patrones de adopción de productos relacionados. Esta riqueza contextual ayuda al LLM a comprender el contexto empresarial y proporcionar explicaciones basadas en relaciones reales en lugar de únicamente en correlaciones estadísticas.
Almacenes de datos especialmente diseñados
En lugar de almacenar datos en una única base de datos, CAKE utiliza almacenes de datos especializados, cada uno diseñado según la forma en que se consulta. Nuestro agente personalizado, que se ejecuta en Amazon Bedrock AgentCore, administra la coordinación entre estas tiendas (envía consultas a la base de datos correcta, las ejecuta al mismo tiempo y combina los resultados) para que tanto los usuarios como los desarrolladores trabajen con lo que parece una única fuente de datos:
Neptune para relaciones gráficas: Neptune almacena la red de conexiones entre clientes, cuentas, partes interesadas y entidades organizativas. Neptune se destaca en consultas transversales de múltiples saltos que requieren uniones costosas en bases de datos relacionales: encontrar rutas de relación entre cuentas desconectadas o descubrir clientes en una industria que han adoptado servicios específicos de AWS. Cuando Amazon Bedrock AgentCore identifica una consulta que requiere un razonamiento de relación, la dirige automáticamente a la herramienta de recuperación Neptune. DynamoDB para métricas instantáneas: DynamoDB funciona como un almacén de valores clave para agregaciones precalculadas. En lugar de calcular puntuaciones de salud de los clientes o métricas de participación bajo demanda, el canal fuera de línea calcula previamente estos valores y los almacena indexados por ID de cliente. Luego, DynamoDB ofrece búsquedas de menos de 10 ms, lo que permite la generación de informes instantáneos. El encadenamiento de herramientas en Amazon Bedrock AgentCore le permite recuperar métricas de DynamoDB, pasarlas al agente magnifAI (nuestro agente personalizado de tabla a texto) para formatear y devolver informes pulidos, todo sin un código de integración personalizado. Servicio OpenSearch para búsqueda semántica de documentos: el servicio OpenSearch almacena contenido no estructurado, como planes de cuentas y notas de campo. Utilizando modelos de incrustación, OpenSearch Service convierte texto en representaciones vectoriales que admiten coincidencias semánticas. Cuando Amazon Bedrock AgentCore recibe una consulta sobre “transformación digital”, por ejemplo, reconoce la necesidad de una búsqueda semántica y automáticamente dirige a la herramienta de recuperación OpenSearch Service, que encuentra pasajes relevantes incluso cuando los documentos usan terminología diferente. S3 para almacenamiento de documentos: Amazon Simple Storage Service (Amazon S3) proporciona la base para OpenSearch Service. Los planes de cuenta se almacenan como archivos Parquet en Amazon S3 antes de indexarse porque el almacén de origen (Amazon Redshift) tiene límites de truncamiento que eliminarían documentos grandes. Este proceso de varios pasos (almacenamiento de Amazon S3, generación de incorporación, indexación de OpenSearch Service) preserva el contenido completo y al mismo tiempo mantiene la baja latencia requerida para las consultas en tiempo real.
Al basarse en Amazon Bedrock AgentCore, estas consultas de múltiples bases de datos se sienten como una fuente de datos única y unificada. Cuando una consulta requiere relaciones con los clientes de Neptune, métricas de DynamoDB y contexto de documentos de OpenSearch Service, nuestro agente envía automáticamente solicitudes a los tres en paralelo, gestiona su ejecución y sintetiza sus resultados en una única respuesta coherente.
Canalización de datos y actualización continua
La canalización de datos fuera de línea de CAKE funciona como un proceso por lotes que se ejecuta con una cadencia programada para mantener la capa de servicio sincronizada con los datos comerciales más recientes. La arquitectura de canalización separa la construcción de datos del servicio de datos, por lo que la capa de consulta en tiempo real puede mantener una latencia baja mientras la canalización por lotes maneja agregaciones computacionalmente intensivas y construcción de gráficos.
La capa de orquestación de procesamiento de datos coordina las transformaciones en múltiples bases de datos de destino. Para cada base de datos, la canalización realiza los siguientes pasos:
Extrae datos relevantes de Amazon Redshift mediante consultas optimizadas. Aplica transformaciones de lógica de negocios específicas para los requisitos de cada almacén de datos. Carga los datos procesados en la base de datos de destino con índices y particiones adecuados.
Para Neptune, esto implica extraer datos de entidades, construir nodos y bordes del gráfico con atributos de propiedad y cargar la estructura del gráfico con tipos de relaciones semánticas. Para DynamoDB, la canalización calcula agregaciones y métricas, estructura datos como pares clave-valor optimizados para búsquedas de ID de clientes y aplica actualizaciones atómicas para mantener la coherencia. Para OpenSearch Service, la canalización sigue una ruta especializada: los documentos grandes primero se exportan desde Amazon Redshift a Amazon S3 como archivos Parquet, luego se procesan mediante modelos integrados para generar representaciones vectoriales, que finalmente se cargan en el índice de OpenSearch Service con los metadatos apropiados para el filtrado y la recuperación.
Ingeniería para la producción: Fiabilidad y precisión
Al hacer la transición de CAKE del prototipo a la producción, implementamos varias prácticas de ingeniería críticas para facilitar la confiabilidad, la precisión y la confianza en los conocimientos generados por la IA.
Flexibilidad del modelo
La arquitectura Amazon Bedrock AgentCore desacopla la capa de orquestación del LLM subyacente, lo que permite una selección flexible del modelo. Implementamos el salto de modelo para proporcionar un respaldo automático a modelos alternativos cuando se produce una limitación. Esta resiliencia se produce de forma transparente dentro del tiempo de ejecución de AgentCore: detecta condiciones de limitación, enruta solicitudes a modelos disponibles y mantiene la calidad de la respuesta sin degradación visible para el usuario.
Seguridad a nivel de fila (RLS) y gobierno de datos
Antes de que se produzca la recuperación de datos, la herramienta RLS aplica la seguridad a nivel de fila según la identidad del usuario y la jerarquía organizativa. Esta capa de seguridad opera de forma transparente para los usuarios mientras mantiene una estricta gobernanza de datos:
Los representantes de ventas acceden solo a los clientes asignados a sus territorios. Los gerentes regionales ven datos agregados en sus regiones. Los ejecutivos tienen una visibilidad más amplia alineada con sus responsabilidades.
La herramienta RLS enruta las consultas a las particiones de datos apropiadas y aplica filtros en el nivel de consulta de la base de datos, de modo que la seguridad se puede imponer en la capa de datos en lugar de depender del filtrado a nivel de aplicación.
Resultados e impacto
CAKE ha transformado la forma en que los equipos de ventas de AWS acceden a la inteligencia del cliente y actúan sobre ella. Al proporcionar acceso instantáneo a información unificada a través de consultas en lenguaje natural, CAKE reduce el tiempo dedicado a buscar información de horas a segundos según las encuestas/comentarios de los usuarios, lo que ayuda a los representantes de ventas a centrarse en la participación estratégica del cliente en lugar de en la recopilación de datos.
La arquitectura de múltiples agentes ofrece respuestas a la mayoría de las consultas en segundos, y el modelo de ejecución paralela admite la recuperación simultánea de datos de múltiples fuentes. El gráfico de conocimiento permite un razonamiento sofisticado que va más allá de la simple agregación de datos: CAKE explica por qué ocurren las tendencias, identifica patrones en puntos de datos aparentemente no relacionados y genera recomendaciones basadas en relaciones comerciales. Quizás lo más importante es que CAKE democratiza el acceso a la inteligencia del cliente en toda la organización. Los representantes de ventas, gerentes de cuentas, arquitectos de soluciones y ejecutivos interactúan con el mismo sistema unificado, brindando información consistente sobre los clientes y al mismo tiempo manteniendo controles de seguridad y acceso adecuados.
Conclusión
En esta publicación, mostramos cómo Amazon Bedrock AgentCore admite la arquitectura multiagente de CAKE. La creación de sistemas de IA con múltiples agentes tradicionalmente requiere una importante inversión en infraestructura, incluida la implementación de protocolos personalizados de coordinación de agentes, la gestión de marcos de ejecución paralelos, el seguimiento del estado de la conversación, el manejo de modos de falla y la creación de capas de aplicación de seguridad. Amazon Bedrock AgentCore reduce este trabajo pesado indiferenciado al proporcionar estas capacidades como servicios administrados dentro de Amazon Bedrock.
Amazon Bedrock AgentCore proporciona la infraestructura de tiempo de ejecución para la orquestación y los almacenes de datos especializados destacan en sus patrones de acceso específicos. Neptune maneja el cruce de relaciones, DynamoDB proporciona búsquedas de métricas instantáneas y OpenSearch Service admite la búsqueda semántica de documentos, pero nuestro agente personalizado, creado en Amazon Bedrock AgentCore, coordina estos componentes, enruta automáticamente las consultas a las herramientas adecuadas, las ejecuta en paralelo, sintetiza sus resultados y mantiene los límites de seguridad en todo el flujo de trabajo. La experiencia CAKE demuestra cómo Amazon Bedrock AgentCore puede ayudar a los equipos a crear sistemas de IA con múltiples agentes, acelerando el proceso desde meses de desarrollo de infraestructura hasta semanas de implementación de lógica empresarial. Al proporcionar infraestructura de orquestación como un servicio administrado, Amazon Bedrock AgentCore ayuda a los equipos a centrarse en la experiencia del dominio y el valor para el cliente en lugar de crear una infraestructura de sistemas distribuidos desde cero.
Para obtener más información sobre Amazon Bedrock AgentCore y la creación de sistemas de inteligencia artificial de múltiples agentes, consulte la Guía del usuario de Amazon Bedrock, el Taller de Amazon Bedrock y Amazon Bedrock Agents. Para conocer las últimas noticias sobre AWS, consulte Novedades de AWS.
Expresiones de gratitud
Extendemos nuestro más sincero agradecimiento a nuestros patrocinadores y mentores ejecutivos cuya visión y orientación hicieron posible esta iniciativa: Aizaz Manzar, Director de Ventas Globales de AWS; Ali Imam, jefe del segmento de startups; y Akhand Singh, jefe de ingeniería de datos.
También agradecemos a los dedicados miembros del equipo cuya experiencia técnica y contribuciones fueron fundamentales para hacer realidad este producto: Aswin Palliyali Venugopalan, gerente de desarrollo de software; Alok Singh, ingeniero sénior de desarrollo de software; Muruga Manoj Gnanakrishnan, ingeniero principal de datos; Sai Meka, ingeniero de aprendizaje automático; Bill Tran, ingeniero de datos; y Rui Li, científico aplicado.
Sobre los autores
Monica Jain es gerente técnica senior de productos en AWS Global Sales y una profesional de análisis que impulsa la inteligencia de ventas a escala impulsada por IA. Lidera el desarrollo de productos de datos basados en IA generativa y aprendizaje automático, incluidos gráficos de conocimiento, análisis aumentados por IA, sistemas de consulta en lenguaje natural y motores de recomendación, que mejoran la productividad y la toma de decisiones de los vendedores. Su trabajo permite a los ejecutivos y vendedores de AWS de todo el mundo acceder a información en tiempo real y acelerar la participación del cliente y el crecimiento de los ingresos basados en datos.
M. Umar Javed es científico aplicado sénior en AWS, con más de 8 años de experiencia en el mundo académico y la industria y un doctorado en teoría del aprendizaje automático. En AWS, crea soluciones de aprendizaje automático e inteligencia artificial generativa de nivel de producción, con un trabajo que abarca arquitecturas LLM de múltiples agentes, investigación sobre modelos de lenguajes pequeños, gráficos de conocimiento, sistemas de recomendación, aprendizaje por refuerzo y aprendizaje profundo multimodal. Antes de AWS, Umar contribuyó a la investigación de ML en NREL, CISCO, Oxford y UCSD. Recibió el Premio a la Excelencia ECEE (2021) y contribuyó a dos premios Donald P. Eckman (2021, 2023).
Damien Forthomme es científico aplicado sénior en AWS y dirige un equipo de ciencia de datos en ventas, marketing y servicios globales (SMGS) de AWS. Con más de 10 años de experiencia y un doctorado en Física, se centra en el uso y la creación de herramientas avanzadas de aprendizaje automático e inteligencia artificial generativa para mostrar los datos correctos a las personas adecuadas en el momento adecuado. Su trabajo abarca iniciativas como previsión, sistemas de recomendación, creación de conjuntos de datos fundamentales y creación de productos de IA generativa que mejoran la productividad de ventas de la organización.
Mihir Gadgil es ingeniero de datos senior en ventas, marketing y servicios globales (SMGS) de AWS y se especializa en soluciones de datos a escala empresarial y aplicaciones de inteligencia artificial generativa. Con más de 9 años de experiencia y una maestría en Gestión y Tecnología de la Información, se enfoca en construir canales de datos sólidos, modelado de datos complejos y procesos ETL/ELT. Su experiencia impulsa la transformación empresarial a través de soluciones innovadoras de ingeniería de datos y capacidades de análisis avanzado.
Sujit Narapareddy, director de datos y análisis de AWS Global Sales, es un líder tecnológico que impulsa la transformación empresarial global. Dirige equipos de plataformas y productos de datos que impulsan la comercialización de AWS a través de análisis aumentados con IA y automatización inteligente. Con una trayectoria comprobada en soluciones empresariales, ha transformado la productividad de las ventas, el gobierno de datos y la excelencia operativa. Anteriormente en JPMorgan Chase Business Banking, dio forma a las capacidades FinTech de próxima generación a través de la innovación de datos.
Norman Braddock, director sénior de gestión de productos de IA en AWS, es un líder de productos que impulsa la transformación de la inteligencia empresarial a través de la IA agente. Dirige el equipo de gestión de productos de análisis e información dentro de Ventas, marketing y servicios globales (SMGS), y ofrece productos que unen el rendimiento del modelo de IA con un impacto empresarial medible. Con experiencia que abarca operaciones de adquisiciones, fabricación y ventas, combina una profunda experiencia operativa con innovación de productos para dar forma al futuro de la gestión empresarial autónoma.