Ifølge AWS’ egen gennemgang venter forretningsanalytikere ofte i dage på at få justeret et dashboard, når kravene ændrer sig. Den klassiske vej går via en ændringsanmodning til IT, tolkning af krav, arbejde med API‑dokumentation og skemaforståelse og først derefter deploy. Det bevarer styring og kvalitet, men kan give flerdages gennemløb, når der er brug for hurtige justeringer. Alle disse beskrivelser fremgår af AWS’ blogpost om emnet.
I en ny reference beskriver AWS, hvordan Amazon Bedrock AgentCore, Strands Agents og Amazon Quick kan sættes sammen, så NLP‑styrede agenter finder relevante dashboards, henter kolonnemetadata, validerer ønskede ændringer og opretter nye dashboard‑versioner. AWS omtaler BI‑laget som Amazon Quick i bloggen, og vi bruger samme betegnelse her.
Hvad AWS konkret lægger frem
Der er tale om en løsningsskitse, ikke en enkelt feature. Ifølge AWS består arkitekturen af tre specialiserede agenter: en Find Dashboard Agent, en Modify Dashboard Agent og en Orchestrator Agent. Orchestratoren er indgangspunktet og fordeler brugerens forespørgsler til de rette specialagenter baseret på intent‑klassifikation.
AWS giver et eksempel på naturligt sprog, som systemet kan modtage: “Add lastname to the testing dashboard”. I den beskrevne løsning vurderes forespørgslen, hvorefter Orchestratoren sender den videre til agenterne, der henholdsvis finder dashboards og kolonnemetadata og gennemfører validerede ændringer med oprettelse af nye versioner.
Rollerne i multi‑agent arkitekturen
Find Dashboard Agent udfører discovery‑opgaver. Ifølge AWS omfatter det at søge efter dashboards og hente kolonnemetadata fra dashboards og datasæt. Det danner grundlag for at vurdere, om en ønsket ændring kan realiseres på et givent dashboard.
Modify Dashboard Agent står for selve konfigurationsændringerne. AWS beskriver, at agenten validerer kolonner, opdaterer tabel‑visuals og opretter nye dashboard‑versioner. Versionering fremhæves i materialet som central, så ændringer ikke overskriver eksisterende dashboards.
Orchestratorens indgang og natural language
Orchestrator Agent fungerer som indgangen for brugeren og ruter forespørgslerne til rette agent. Eksemplet “Add lastname to the testing dashboard” illustrerer, at arkitekturen er bygget til naturligt sprog. Ifølge AWS kobles sprogforståelsen til konkrete handlinger i BI‑laget gennem validerede opdateringer og versionering, før resultatet gøres tilgængeligt.
Det afgørende i referencearkitekturen er derfor forbindelsen mellem naturligt sprog og operationelle ændringer i dashboards. Alle trin – discovery, validering, opdatering og versionering – er eksplicit nævnt i AWS’ beskrivelse.
AgentCore ifølge AWS’ dokumentation
Amazon Bedrock AgentCore præsenteres af AWS som en platform til at bygge, udrulle og drive agenter sikkert i skala uden at håndtere infrastruktur. I bloggen fremhæver AWS, at AgentCore accelererer vejen til produktion med intelligent memory, en gateway til sikker og kontrolleret adgang til værktøjer og data, kørsel med “production‑grade security” og dynamisk skalering samt overvågning af performance og kvalitet i drift. Disse formuleringer er AWS’ egne beskrivelser.
Kilderne omfatter ikke uafhængige tredjepartsmålinger eller kundecases, der dokumenterer runtime, sikkerhed eller skala i produktion. Læseren bør derfor betragte disse egenskaber som leverandørens beskrivelser, som de er gengivet i kilden.
Strands Agents og modeladgang
Strands Agents præsenteres som et code‑first framework og Python‑SDK til at bygge og køre agenter, med en model‑drevet tilgang og integration til AWS‑tjenester. Dette fremgår både af AWS’ blog og Strands’ offentlige repo.
Strands’ quickstart angiver et konkret opsætningskrav, når Amazon Bedrock bruges som modelprovider: man skal have AWS‑credentials konfigureret og modeladgang aktiveret til Claude 4 Sonnet i regionen us‑west‑2. Det står eksplicit i Strands‑repoet og er relevant for en standardopsætning.
Amazon Quick som BI‑lag
I AWS’ beskrivelse indgår Amazon Quick som AI‑understøttet BI‑lag. Ifølge bloggen leverer Amazon Quick AI‑understøttede BI‑evner, der omsætter spredte data til strategiske indsigter, så beslutninger kan træffes hurtigere. I arkitekturen bruges Quick som det sted, hvor dashboards søges frem, hvor kolonnemetadata hentes, og hvor nye versioner af dashboards oprettes efter validering, alt sammen som beskrevet af AWS.
Dermed placeres den praktiske effekt der, hvor brugerne arbejder med dashboards: i visninger, tabeller og versioner, som kan opdateres ud fra formulerede behov i naturligt sprog, jf. AWS’ eksempel.
Fra forespørgsel til versioneret ændring
Ifølge referencearkitekturen er flowet, at en forespørgsel i naturligt sprog sendes til Orchestratoren, som klassificerer intent og fordeler arbejdet. Find‑agenten opsporer dashboards og indsamler metadata om kolonner og datasæt. Modify‑agenten validerer, at ønskede kolonner findes, opdaterer table‑visuals og opretter nye versioner af de ændrede dashboards, som AWS beskriver.
Pointen i AWS’ materiale er en mere direkte vej fra behov til ændring, inden for en arkitektur der bevarer kontrol gennem validering og versionering. De beskrevne trin er led i referenceopskriften og kan bruges som afsæt for et proof of concept, sådan som kilden skitserer det.
Hvad kilderne siger om problem og potentiale
AWS fremhæver, at eksisterende processer med ændringsanmodninger, manuelt kravarbejde og ventetid på deploy kan bremse time‑to‑insight. Ved at kombinere AgentCore, Strands og Amazon Quick beskrives et alternativ, hvor agenter håndterer discovery, validering og versionsoprettelse ud fra naturligt sprog, i tråd med bloggens eksempel og arkitektur.
Kilderne dokumenterer arkitektur, roller og eksempler. De medtager ikke uafhængige, produktionelle benchmarks eller tredjepartscases, der måler effekt i drift. Det forbehold følger direkte af de tilgængelige kilder.
Kort om relateret agent‑landskab
MarkTechPost beskriver parallelt en bred bevægelse mod agenter, der tager handlinger i applikationer frem for ren chat. Det er branchekontekst, mens den konkrete referencearkitektur i AWS’ blog er centreret om kombinationen af AgentCore, Strands og Amazon Quick til dashboard‑ændringer.
Samlet set giver kilderne et teknisk udgangspunkt, der kan testes i en afgrænset PoC. Arkitekturroller, NL‑eksemplet og de dokumenterede agentopgaver er klart beskrevet. Effekt i produktion er ikke kvantificeret i kilderne.
