Como construir análises autônomas do AWS Health com agentes de IA e Amazon Bedrock

O problema: gerenciar eventos de saúde de forma reativa

Imagine uma segunda-feira típica para uma equipe de operações em nuvem: chegam múltiplas notificações do AWS Health sobre fim de vida do Amazon Linux 2, depreciações de versões do RDS e aposentadorias de instâncias EC2 — tudo isso espalhado por mais de 50 contas. Sem uma forma eficiente de análise centralizada, a equipe fica sem resposta para perguntas simples: quais eventos afetam sistemas em produção? O que exige ação imediata versus planejamento de longo prazo? Qual é o impacto real de cada categoria?

Para piorar, as equipes ficam dependentes dos Gerentes de Conta Técnica (TAMs — Technical Account Managers) para interpretar esses eventos, criando gargalos em decisões operacionais críticas. O resultado é tempo gasto em combate a incêndios reativos, em vez de inovação.

Foi para resolver exatamente esse problema que a AWS publicou um guia mostrando como construir o Chaplin — sigla para Customer Health and Planned Lifecycle Intelligence Nexus — uma solução open source que usa agentes de IA para entregar análises de eventos de saúde de forma autônoma e conversacional.

O que é o Chaplin e como ele funciona

O Chaplin implementa análises autônomas de eventos de saúde usando IA agêntica com o Amazon Bedrock, entregues por meio do Protocolo de Contexto de Modelo (MCP — Model Context Protocol). Em vez de dashboards com esquemas predefinidos, o Chaplin expõe ferramentas com IA que clientes compatíveis com MCP podem consumir diretamente.

Na prática, equipes interagem com o Chaplin a partir de assistentes de IA como o Claude Code ou o Kiro CLI, fazendo perguntas em linguagem natural. Por exemplo:

• Quais eventos de ciclo de vida do RDS vencem nos próximos 60 dias?
• Resuma os eventos EC2 abertos, priorizados por urgência
• Quais patches de segurança afetam ambientes de produção?
• Quais janelas de manutenção podem impactar aplicações de alta prioridade?

As instruções completas de implantação estão disponíveis no repositório GitHub do Chaplin AWS Health Agentic Assistant.

Por que agentes de IA, e não RAG tradicional?

Sistemas tradicionais de Geração Aumentada por Recuperação (RAG — Retrieval-Augmented Generation) têm uma limitação crítica: são inerentemente não determinísticos quando lidam com operações numéricas e agregações. A busca por similaridade vetorial recupera conteúdo semanticamente similar, mas não garante precisão matemática. Quando perguntados para contar, somar ou agregar dados, sistemas baseados em RAG podem alucinar resultados — por exemplo, reportar 190 eventos de fim de vida quando o número real é 958.

Os eventos do AWS Health apresentam exatamente esse desafio: cada evento contém metadados estruturados (tipo de evento, serviço, recursos afetados, timestamps, severidade, IDs de conta) que exigem filtragem e agregação precisas, além de descrições não estruturadas em linguagem natural que exigem compreensão semântica e análise contextual.

Arquitetura em três camadas

A arquitetura do Chaplin é composta por três camadas principais que trabalham juntas para entregar análises inteligentes de eventos de saúde.

Camada 1 — Coleta de dados (multi-conta)

Em cada conta membro, a API do AWS Health serve como fonte dos eventos. O Amazon EventBridge fornece gatilhos orientados a eventos para captura em tempo real, e funções AWS Lambda coletam os eventos usando funções IAM cross-account com acesso de privilégio mínimo. Esses eventos fluem para uma conta de gerenciamento centralizada, onde um data lake no Amazon S3 armazena os eventos com particionamento inteligente por conta, data e tipo de evento. Quando novos eventos chegam, notificações de eventos do S3 disparam uma função Lambda que processa os eventos em formato JSON e os carrega no Amazon DynamoDB para consultas rápidas.

Essa arquitetura multi-conta suporta dois modelos de implantação: via API do AWS Organizations para implantação centralizada e automatizada, ou via implantações individuais por conta para organizações com restrições de segurança.

Camada 2 — Servidor MCP e camada de inteligência

É aqui que os dados brutos dos eventos são transformados em inteligência acionável. O Amazon DynamoDB serve como armazenamento primário para metadados estruturados, com índices otimizados por tipo de evento, severidade, data e conta.

O processamento inteligente de consultas acontece por meio de três componentes especializados:

• Agente de Linguagem Natural para Consulta Estruturada: converte perguntas em português simples em consultas precisas contra os metadados dos eventos de saúde, entendendo campos como event_type, affected_accounts e start_time.
• Agente de Análise de Impacto Contextual: processa as descrições não estruturadas dos eventos combinadas com metadados do cliente — ambientes de produção vs. não produção, unidades de negócio, tiers de aplicação e informações de ownership.
• Motor de Classificação Baseado em Padrões: categoriza eventos usando correspondência de padrões por regras, eliminando custos de processamento de IA para categorizações rotineiras.

O motor de análise com IA usa o framework Strands Agents — um framework agêntico open source desenvolvido pela AWS — com o Claude 4.5 Sonnet como modelo de linguagem padrão, podendo ser substituído por outro modelo de preferência. A solução é agnóstica de LLM, suportando Amazon Bedrock, OpenAI, Anthropic ou modelos locais como Ollama.

Camada 3 — Integração com assistente de IA (cliente MCP)

A camada de apresentação consiste em um assistente de IA compatível com MCP, como Claude Code ou Kiro CLI. Em vez de uma interface customizada, o Chaplin expõe suas capacidades como ferramentas MCP que esses clientes consomem nativamente. Os usuários interagem por linguagem natural no seu ambiente de desenvolvimento existente, e o assistente de IA orquestra chamadas ao servidor MCP do Chaplin para recuperar dados, executar análises e apresentar resultados contextualizados.

A segurança é baseada no AWS Identity and Access Management (IAM), com credenciais montadas como somente leitura. Os dados são criptografados com TLS 1.2+ em trânsito e AES-256 em repouso, e o AWS CloudTrail fornece logs de auditoria para chamadas de API.

Capacidades principais do Chaplin

Ferramentas de inteligência de saúde via MCP

O Chaplin expõe ferramentas MCP organizadas em três categorias: ferramentas de resumo (que consultam o DynamoDB diretamente e retornam instantaneamente contagens por serviço, status, categoria e região), ferramentas de detalhamento (para aprofundar em categorias específicas de eventos) e ferramentas de análise com IA (que usam o Strands Agents com Amazon Bedrock para interpretar consultas em linguagem natural e gerar insights contextuais).

Pipeline de dados multi-conta

O pipeline de dados é composto por funções Lambda para ingestão automatizada de eventos, agendadores do Amazon EventBridge com frequência configurável (diária ou por hora), funções IAM cross-account para coleta segura multi-conta, um data lake no Amazon S3 com particionamento para consultas eficientes e gerenciamento de ciclo de vida com políticas de retenção configuráveis.

Processamento analítico preciso

Para dados estruturados, o Chaplin entrega resultados numéricos exatos: contagens de eventos, análise de linha do tempo com detecção de tendências, agregações multidimensionais por conta, serviço e severidade, e breakdowns categóricos com percentuais precisos. Para dados não estruturados, fornece insights contextuais como avaliação de impacto, identificação de deficiências arquiteturais, correlação de riscos entre eventos relacionados e ações recomendadas.

Exemplo prático: análise de eventos recorrentes

Para ilustrar o poder da solução, considere a pergunta: “Quais contas têm mais notificações recorrentes de saúde e quais problemas arquiteturais estão causando isso?”

O agente de IA orquestra chamadas a múltiplas ferramentas MCP — get_health_summary, get_event_categories, get_estimated_blast_radius e get_event_type_stats — para produzir uma resposta abrangente. No exemplo com dados de amostra, o resultado revela que o ElastiCache representa 45% de todos os eventos (2.145 eventos em 140 contas), com um backlog de patches acumulado desde setembro de 2024. O VPN representa 14% dos eventos, todos relacionados a perda de redundância de túnel. O EC2 representa 7%, dominado por aposentadorias e manutenções de instâncias.

Com base nesses padrões, o Chaplin recomenda ações arquiteturais concretas: habilitar atualização automática de versão menor no ElastiCache, corrigir arquiteturas VPN com túnel único migrando para o AWS Transit Gateway, e mover cargas de trabalho sem estado para ECS no AWS Fargate ou EKS para eliminar uma classe inteira de eventos de manutenção.

Otimização de custos de IA

O Chaplin implementa otimização inteligente de custos por meio de uma abordagem de processamento que prioriza padrões: a classificação baseada em regras processa a maioria dos eventos sem incorrer em custos de IA. Visões pré-construídas e resumidas para janelas de 30, 60 e 120 dias ajudam equipes a identificar rapidamente alertas críticos. O cache inteligente reduz o processamento redundante de IA, e a precisão de consultas estruturadas usa o esquema da API do AWS Health para análise numérica exata sem custos de inferência de LLM.

Opções de implantação

O Chaplin oferece duas opções de implantação. A Opção A (instalação local) executa o servidor MCP na máquina do desenvolvedor, conectando-se diretamente ao DynamoDB e ao Bedrock usando credenciais AWS locais — ideal para avaliação individual ou rápida. Botões de instalação com um clique estão disponíveis no repositório para Kiro IDE, Cursor e VS Code. A Opção B (deploy remoto via Lambda) implanta o servidor MCP como uma função Lambda na conta AWS, com membros da equipe conectando-se via um proxy local leve — ideal para adoção em toda a equipe.

As instruções passo a passo de implantação e configuração do pipeline de dados estão disponíveis no repositório GitHub do Chaplin.

Visão de futuro: de análises autônomas a operações autônomas

A visão de longo prazo do Chaplin vai além das análises conversacionais. Como a solução é construída sobre MCP, ela se integra naturalmente com o AWS DevOps Agent — um agente de fronteira que investiga incidentes de forma autônoma, identifica causas raiz e fornece planos detalhados de mitigação. Ao registrar o servidor MCP do Chaplin como provedor de capacidades em um AWS DevOps Agent Space, as equipes de operações ganham inteligência de eventos de saúde diretamente nos fluxos de resposta a incidentes.

Essa integração cria um ciclo de feedback poderoso: quando o AWS DevOps Agent investiga um incidente, pode consultar o Chaplin para determinar se um evento de saúde relacionado — como uma aposentadoria de instância ou depreciação de serviço — está contribuindo para o problema. Melhorias futuras incluem manutenção preditiva por análise de padrões de eventos e fluxos de remediação guiada com capacidades de rollback.

Benefícios e impacto

Organizações que implementam o Chaplin podem esperar melhorias em três dimensões. Em eficiência operacional, a identificação antecipada de migrações e depreciações com 60 a 90 dias de antecedência reduz o combate a incêndios de emergência, e a categorização automatizada reduz a carga de triagem manual. Em otimização de custos, manter-se atualizado com mudanças de ciclo de vida evita migrações de emergência caras e taxas de suporte estendido. Em mitigação de riscos, a identificação proativa de patches de segurança e vulnerabilidades antes de serem explorados, combinada com análise contextual de impacto em sistemas de produção, previne interrupções.

Próximos passos

• Implante o Chaplin no seu ambiente AWS usando o repositório GitHub
• Explore o framework Strands Agents para construir agentes de IA customizados
• Leia sobre agentes de IA unificando dados estruturados e não estruturados
• Conheça mais sobre as capacidades do Amazon Bedrock
• Consulte a documentação do Amazon Bedrock e a documentação da API do AWS Health
• Saiba mais sobre a estratégia multi-conta do AWS Organizations e a especificação do Model Context Protocol (MCP)

Fonte

Build self-service AWS Health analytics to find actionable health insights with AI agents powered by Amazon Bedrock (https://aws.amazon.com/blogs/machine-learning/build-self-service-aws-health-analytics-to-find-actionable-health-insights-with-ai-agents-powered-by-amazon-bedrock/)