Democratizando o Conhecimento Institucional: Como Construir um Sistema de Gestão do Conhecimento com IA na AWS

O problema do conhecimento que some

Toda organização acumula, ao longo dos anos, um tipo de conhecimento que não está em nenhum manual: são os processos que “todo mundo sabe como funciona”, as decisões que dependem da experiência de alguém específico, os atalhos que só os veteranos conhecem. Esse conjunto é chamado de conhecimento tribal — e ele some quando as pessoas saem da empresa.

A AWS publicou uma solução detalhada para enfrentar exatamente esse desafio: um sistema de gestão do conhecimento institucional alimentado por IA, construído sobre serviços AWS e capaz de entregar informações por voz ou texto através de um avatar interativo. O objetivo é transformar documentos acumulados em uma fonte de consulta acessível para qualquer colaborador, mesmo os sem perfil técnico.

Para quem essa solução é indicada

A proposta atende organizações de diversos setores. Indústrias manufatureiras podem usar o sistema para preservar procedimentos de produção e protocolos de manutenção antes que técnicos experientes se aposentem. Hospitais, empresas financeiras, companhias de energia e órgãos governamentais também são casos de uso listados explicitamente.

Do ponto de vista dos usuários finais, o sistema foi desenhado para ser acessado de três formas:

• Via navegador desktop para pesquisas mais detalhadas
• Por interação de voz, ideal para operações com as mãos ocupadas
• Por consultas em texto para referências rápidas

Arquitetura da solução

A solução combina uma série de serviços AWS em uma arquitetura modular e escalável. A interface principal é baseada em navegador e suporta tanto texto quanto voz, conectando-se a um sistema de avatar configurável — o que dá às organizações a liberdade de escolher ou trocar a tecnologia de avatar conforme necessário.

Nos bastidores, o Amazon Cognito cuida do gerenciamento de acesso e autenticação. O Amazon API Gateway controla e monitora o acesso aos componentes do sistema. O núcleo de processamento usa o Amazon Bedrock Knowledge Bases para Geração Aumentada por Recuperação (RAG — Retrieval Augmented Generation) gerenciada: os documentos ficam armazenados no Amazon S3, e o Bedrock cuida do fatiamento, da geração de embeddings (usando o Amazon Titan Text Embeddings) e da recuperação das informações relevantes. O armazenamento vetorial é feito pelo Amazon OpenSearch Serverless.

O Amazon DynamoDB atua como camada de cache de respostas, e funções AWS Lambda orquestram todo o fluxo de trabalho.

Atenção ao custo fixo: o vetor store do Amazon OpenSearch Serverless é criado na conta do cliente e cobrado por Unidade de Computação OpenSearch (OCU — OpenSearch Compute Unit), com um mínimo sempre ativo, independente do volume de consultas. Esse custo fixo fica na ordem de algumas centenas de dólares por mês e é o maior componente de custo base da solução. O cache inteligente reduz os custos variáveis de inferência em cima desse valor.

Por que essa solução se diferencia

A AWS aponta três diferenciais principais em relação a outras abordagens disponíveis:

1. Interação por voz com avatar

Em vez de um chatbot de texto, o sistema usa um avatar com IA e interação por voz. O usuário fala com o avatar e recebe respostas faladas — como perguntaria a um colega. Isso elimina praticamente toda a curva de aprendizado para usuários não técnicos. Ambientes como salas de treinamento, laboratórios de qualidade, salas de controle e escritórios de planejamento de manutenção se beneficiam especialmente da operação sem as mãos.

2. Simplicidade para quem produz conteúdo

Gerenciar o conteúdo não exige nenhuma expertise técnica. Os responsáveis pelo conhecimento simplesmente fazem upload dos documentos existentes no Amazon S3 — Word, PDF, texto simples, Markdown ou JSON. A sincronização de ingestão fragmenta e gera os embeddings de cada documento automaticamente, tornando-o consultável em seguida. Não é necessário reestruturar conteúdo, adicionar metadados ou construir pipelines de recuperação manualmente.

3. Deploy rápido com otimização de custo embutida

O protótipo completo pode ser implantado em horas via AWS CloudFormation. O cache DynamoDB reutiliza respostas para perguntas repetidas, reduzindo o custo variável de inferência de IA. Nos testes realizados, taxas de acerto do cache entre 50% e 70% foram alcançadas em cargas de trabalho com muitas perguntas repetidas — o que é exatamente o perfil de sistemas de conhecimento institucional.

Comparação com alternativas

Construir uma solução customizada no Amazon Bedrock oferece controle total da arquitetura, mas exige projetar e integrar independentemente o processamento de voz, renderização de avatar, cache e pipelines de recuperação — um trabalho que tipicamente leva semanas ou meses e demanda expertise profunda em múltiplos serviços AWS.

Agentes de chat baseados em texto, como o Amazon Q e interfaces customizadas de chat com Bedrock, oferecem um caminho mais rápido para recuperação de conhecimento digitado. Esta solução adiciona interação por voz e engajamento via avatar, o que melhora a adoção entre trabalhadores de linha de frente que se beneficiam do acesso sem as mãos.

Jornada de implementação

A implementação é dividida em três fases:

Fase 1: Organização da base de conhecimento

O processo começa com a organização do conhecimento institucional. Os documentos são enviados para o repositório Amazon S3, e o Amazon Bedrock Knowledge Bases os ingere a partir daí. Se os documentos de origem estiverem em outros sistemas ou formatos, é possível adicionar um job AWS Glue de ETL (Extração, Transformação e Carga) para convertê-los em um formato otimizado para IA antes do upload. Esse passo de ETL é uma integração opcional e separada — não é criado pelo deploy do CloudFormation.

Os formatos suportados são: Word, PDF, texto simples, Markdown e JSON. Para melhor desempenho de recuperação pela IA, os formatos recomendados são Markdown (.md) ou JSON estruturado. Para mais detalhes sobre transformação de dados com AWS Glue, consulte a documentação de ETL do AWS Glue.

Fase 2: Deploy da infraestrutura

O deploy central é feito via templates AWS CloudFormation, garantindo implantações consistentes e repetíveis. Essa fase inclui:

• Configuração do Amazon Cognito para autenticação e controle de acesso
• Configuração dos endpoints do API Gateway para comunicação entre componentes
• Criação dos repositórios S3 para armazenamento do conhecimento
• Implementação do DynamoDB para cache de respostas

Fase 3: Integração da IA

A fase final integra as capacidades de IA e o pipeline de processamento:

• Configuração do Amazon Bedrock para processamento do conhecimento e compreensão de consultas
• Configuração das funções Lambda para orquestração de requisições e tratamento de respostas
• Pipeline de processamento de áudio: Amazon Transcribe para converter voz em texto, e Amazon Polly para converter respostas em fala natural
• Integração do sistema de avatar para interações humanizadas

Modelos de fundação utilizados

A solução usa o Amazon Titan Text Embeddings (amazon.titan-embed-text-v1) para gerar os embeddings dos documentos no vetor store. Para geração de respostas, os modelos disponíveis são o Amazon Nova Pro (amazon.nova-pro-v1:0) e o Anthropic Claude 3 Sonnet (anthropic.claude-3-sonnet-20240229-v1:0).

O Amazon Bedrock oferece acesso automático aos modelos serverless da Amazon, então o Nova Pro e o Titan Text Embeddings estão disponíveis por padrão. Já os modelos Anthropic Claude não têm acesso automático em todas as regiões: antes da primeira requisição, é necessário completar o pedido de acesso ao modelo na console do Amazon Bedrock. Para mais informações, veja como o Amazon Bedrock fornece acesso automático a modelos de fundação serverless.

Passos para o deploy

A solução foi testada na região us-east-1, escolhida por ter a maior disponibilidade dos modelos de fundação e do streaming de avatar. Se o deploy for feito em outra região, é necessário confirmar a disponibilidade dos modelos e do provedor de avatar, e atualizar a região no código-fonte antes de começar.

O código-fonte da aplicação está disponível para clonagem no repositório público no GitHub. A aplicação fica na pasta bedkbauto/, nas subpastas src e web.

Em linhas gerais, o fluxo de deploy é:

• Criar um bucket S3 e fazer upload das pastas src e web
• Copiar a URL do arquivo setup.json na pasta src
• Acessar o console do CloudFormation e criar uma nova stack usando a URL do template
• Informar os parâmetros: nome da stack, e-mail (que receberá a senha temporária), nome de usuário e nome do bucket S3 criado
• Após a criação da stack, acessar a aba Outputs para obter a URL do frontend

O deploy requer conhecimento básico de navegação no Console AWS, entendimento de infraestrutura como código e familiaridade com gerenciamento de identidades — apenas para a equipe de TI ou DevOps na configuração inicial. Os usuários finais não precisam de nenhuma habilidade técnica.

Performance, escalabilidade e limitações

A arquitetura serverless escala horizontalmente de forma automática. Nos testes realizados, a configuração padrão suportou cerca de 50 a 100 usuários simultâneos com respostas em menos de um segundo para consultas em cache. Com aumento das cotas de serviço, a estimativa chega a 500–1.000 usuários simultâneos. Para uso enterprise acima de 5.000 usuários simultâneos, a mesma arquitetura funciona, mas exige solicitação proativa de aumento de cotas.

Respostas em cache retornam em menos de um segundo. Consultas novas à base de conhecimento levam cerca de 2 a 4 segundos, dependendo do modelo e do tamanho dos documentos. A interação por voz adiciona o tempo de processamento de fala.

Limitação importante: este é um design dependente de conectividade de nuvem. Cada consulta faz uma ida e volta até a AWS, e o avatar depende de streaming WebRTC/WebSocket em tempo real. Não há modo offline, operação em borda ou degradação gradual neste protótipo. Ele se encaixa em ambientes conectados (salas de treinamento, escritórios de engenharia, laboratórios, salas de controle, estações kiosk) — não em ambientes de chão de fábrica desconectados ou com conectividade intermitente.

Otimização de custos com cache inteligente

O cache DynamoDB é o principal mecanismo de redução de custos variáveis: perguntas já respondidas não acionam uma nova chamada ao modelo de fundação. Nos testes, para cargas onde 50–70% das perguntas eram repetidas, o custo de inferência caiu proporcionalmente. Esse ganho variável se soma ao custo fixo do OpenSearch Serverless — portanto, o planejamento de orçamento deve considerar ambos.

O cache atual faz correspondência exata do texto da consulta. Correspondência semântica baseada em embeddings seria uma melhoria natural, mas não está incluída neste protótipo.

Manutenção e evolução do sistema

O sistema foi projetado para crescer com a organização. O Amazon S3 é configurado com notificações de eventos: quando um documento é adicionado ou removido, uma função Lambda é acionada automaticamente para iniciar um job de ingestão no Bedrock Knowledge Bases, re-gerando os embeddings sem nenhuma intervenção manual. O conteúdo atualizado fica disponível para consulta logo após a conclusão dessa sincronização.

As respostas são geradas com base nos documentos verificados da organização, não no conhecimento geral de treinamento do modelo — o que reduz (mas não elimina) o risco de respostas incorretas. Para decisões de alta consequência ou segurança crítica, a recomendação é manter um humano no processo e tratar o sistema como suporte à decisão, não como fonte autoritativa.

Conclusão

A solução apresentada pela AWS endereça um problema real e custoso para organizações: o conhecimento institucional que se perde com a saída de colaboradores experientes. Ao combinar Amazon Bedrock, avatar interativo, processamento de voz e cache inteligente em uma arquitetura deployável em horas, a proposta reduz significativamente a barreira de entrada para organizações que precisam preservar e democratizar esse conhecimento.

Para quem quiser explorar na prática, o código está disponível no repositório de exemplo no GitHub para deploy em conta AWS própria.

Fonte

Democratizing institutional knowledge: Building an AI-powered knowledge management system with AWS (https://aws.amazon.com/blogs/machine-learning/democratizing-institutional-knowledge-building-an-ai-powered-knowledge-management-system-with-aws/)