Análisis en profundidad · Unos 3 min de lectura
Orca reduce el contexto de esquemas para mejorar las consultas de Discovery AI
El caso del 13 de octubre combina reglas, ejemplos recuperados y validación; sus más de 900 modelos son tipos de recursos, no modelos de lenguaje.
- Fecha de la fuente
- Publicado aquí
- Fuente revisada
Orca Security y AWS detallan Discovery AI, que transforma preguntas en lenguaje natural en filtros Sonar. Según el caso del 13 de octubre, opera en producción desde marzo de 2026. La lección es seleccionar y validar contexto en vez de enviar siempre todo el esquema.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- Sonar cubre más de 900 tipos de recursos y aplicaciones y 18 operadores; no son 900 modelos fundacionales.
- Frente al prototipo inicial, Orca declara un 93% menos de tokens de entrada, un 90% menos de coste y un 75% menos de latencia en cargas comparables.
Un contrato de consultas especializado
Sonar exige JSON con nombres precisos, relaciones y 18 operadores. El prototipo cargaba más de 900 definiciones y ejemplos en un modelo grande; consumía aproximadamente dos millones de tokens de entrada y 60 segundos por carga, y las relaciones complejas requerían correcciones. Esos modelos representan recursos como instancias o buckets. Confundirlos con modelos de lenguaje altera tanto el problema como las prestaciones reales.
Reglas y ejemplos antes de generar
La canalización de nueve etapas añade contexto de organización y nubes conectadas. Un comparador determinista atiende identificadores reconocidos sin inferencia, y las barreras rechazan entradas no admitidas. Titan recupera 20 ejemplos y Cohere Rerank 3.5 selecciona cinco. Puede reutilizarse un filtro fiable; de lo contrario se seleccionan solo los esquemas pertinentes. Claude Haiku 4.5 selecciona y genera; Nova 2 Lite atiende barreras y validación. Esta distribución no obliga a contratar suscripciones de consumo separadas.
Validación y correcciones de expertos
La generación con herramientas usa los esquemas y ejemplos seleccionados, seguida de comprobaciones estáticas y de la API Sonar. Los errores concretos de campos, operadores o relaciones vuelven al generador; los reintentos tienen límite y pueden acabar en respuesta de filtro inválido. Un conjunto curado de preguntas y referencias evalúa cambios por niveles de complejidad. Expertos corrigen salidas y ejemplos débiles con una herramienta interna: es trabajo continuo de calidad, no eliminación automática de errores.
Mantener la comparación original
Orca declara pasar de unos dos millones a 140.000 tokens de entrada por carga comparable, un 93% menos. El coste total cae un 90% y el tiempo de extremo a extremo pasa de unos 60 a 15 segundos, un 75% menos. Son medidas distintas. La plataforma procesa miles de consultas diarias y comprueba calidad con evaluaciones y comentarios. La enseñanza es probar conjuntamente relevancia, tamaño del esquema y reparto entre modelos, no prometer el mismo ahorro a otra organización.
Por qué importa
Los asistentes de consultas especializadas pueden combinar pocos ejemplos relevantes con esquemas validados. El sistema original de consultas sigue definiendo lo ejecutable; una respuesta plausible no basta.
Límites y disponibilidad
AISubHub no reprodujo estos resultados empresariales. Comparan una canalización rediseñada con su prototipo, no todos los modelos Bedrock ni todas las tareas de seguridad, y no incluyen garantías de exactitud o suscripciones personales.
Fuentes y pruebas
Fecha de la fuente: 13 oct 2026 · Fuente revisada: 20 oct 2026
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.