Vertiefende Analyse · Etwa 3 Min. Lesezeit
Orca verkleinert den Schemakontext für bessere Discovery-AI-Abfragen
Der Fall vom 13. Oktober kombiniert Regeln, abgerufene Beispiele und Validierung; über 900 Modelle sind Ressourcentypen, keine Sprachmodelle.
- Datum der Quelle
- Hier veröffentlicht
- Quelle geprüft
Orca Security und AWS beschreiben Discovery AI, das natürlichsprachige Fragen in Sonar-Filter übersetzt. Laut Fallbericht vom 13. Oktober läuft es seit März 2026 produktiv. Die Lehre ist gezielte Auswahl und Prüfung von Kontext statt des vollständigen Schemas in jedem Prompt.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Sonar umfasst über 900 Ressourcen- und Anwendungstypen sowie 18 Operatoren, nicht 900 Foundation-Modelle.
- Gegenüber dem ersten Prototyp meldet Orca 93 % weniger Eingabetokens, 90 % geringere Kosten und 75 % weniger Latenz bei vergleichbaren Workloads.
Ein fachspezifischer Abfragevertrag
Sonar verlangt JSON mit genauen Namen, Beziehungen und 18 Operatoren. Der Prototyp lud über 900 Definitionen und Beispiele in ein großes Modell. Er benötigte etwa zwei Millionen Eingabetokens und 60 Sekunden je Workload; komplexe Beziehungen brauchten weiterhin Korrekturen. Diese Modelle stehen für Instanzen oder Speicher-Buckets. Sie als Sprachmodelle zu lesen verfälscht sowohl die Aufgabe als auch den tatsächlichen Funktionsumfang.
Regeln und Beispiele vor der Generierung
Die neunstufige Pipeline ergänzt Organisations- und Cloud-Kontext. Ein deterministischer Abgleich verarbeitet erkannte Kennungen ohne Inferenz; Guardrails weisen nicht unterstützte Eingaben ab. Titan ruft 20 Beispiele ab, Cohere Rerank 3.5 wählt fünf. Ein verlässlicher Filter kann wiederverwendet werden; sonst werden nur passende Schemata ausgewählt. Claude Haiku 4.5 übernimmt Auswahl und Generierung, Nova 2 Lite Guardrails und Validierung. Das erfordert keine getrennten Verbraucherabos.
Prüfung und Expertenkorrekturen
Der werkzeuggestützte Generator nutzt ausgewählte Schemata und Beispiele, danach folgen statische und Sonar-API-Prüfungen. Konkrete Feld-, Operator- oder Beziehungsfehler gehen zur Korrektur zurück. Wiederholungen sind begrenzt und können in einer Ungültig-Antwort enden. Kuratierte Fragen und Referenzen prüfen Änderungen nach Komplexitätsgruppen. Fachleute korrigieren Ausgaben und schwache Beispiele in einem internen Werkzeug. Das ist laufende Qualitätsarbeit, kein automatisches Verschwinden aller Fehler.
Die ursprüngliche Vergleichsbasis erhalten
Orca nennt einen Rückgang von etwa zwei Millionen auf 140.000 Eingabetokens je vergleichbarem Workload, also 93 %. Gesamtkosten sinken um 90 %, die Ende-zu-Ende-Zeit von ungefähr 60 auf 15 Sekunden, also 75 %. Das sind verschiedene Kennzahlen. Produktiv laufen Tausende Anfragen täglich, begleitet von Bewertungen und Kundenfeedback. Übertragbar ist das gemeinsame Prüfen von Relevanz, Schemagroße und Modellaufteilung, keine Zusage gleicher Einsparungen in anderen Organisationen.
Warum es wichtig ist
Fachspezifische Abfrageassistenten können wenige relevante Beispiele mit validierten Schemata verbinden. Das bestehende Abfragesystem bleibt der Ausführungsvertrag; plausibler Text genügt nicht.
Grenzen und Verfügbarkeit
AISubHub hat die Unternehmensangaben nicht reproduziert. Verglichen wird der neue Ablauf mit dem früheren Prototyp, nicht mit allen Bedrock-Modellen oder Sicherheitsaufgaben; eine allgemeine Genauigkeitsgarantie oder ein persönliches Abo folgt daraus nicht.
Quellen und Belege
Datum der Quelle: 13.10.2026 · Quelle geprüft: 20.10.2026
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.