Análise aprofundada · Cerca de 3 min de leitura
Orca reduz o contexto de esquemas para melhorar consultas do Discovery AI
O caso de 13 de outubro combina regras, exemplos recuperados e validação; seus mais de 900 modelos são tipos de recursos, não modelos de linguagem.
- Data da fonte
- Publicado aqui
- Fonte verificada
Orca Security e AWS descrevem o Discovery AI, que transforma perguntas em linguagem natural em filtros Sonar. Segundo o caso de 13 de outubro, ele opera em produção desde março de 2026. O aprendizado é selecionar e validar contexto, em vez de sempre enviar todo o esquema.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- O Sonar cobre mais de 900 tipos de recursos e aplicações e 18 operadores; não são 900 modelos fundacionais.
- Contra o protótipo inicial, a Orca relata 93% menos tokens de entrada, custo 90% menor e latência 75% menor em cargas comparáveis.
Um contrato de consulta específico
O Sonar exige JSON com nomes exatos, relações e 18 operadores. O protótipo carregava mais de 900 definições e exemplos em um modelo grande; consumia cerca de dois milhões de tokens de entrada e 60 segundos por carga, com relações complexas ainda exigindo correções. Esses modelos representam recursos como instâncias e buckets. Confundi-los com modelos de linguagem altera o problema e o que o produto realmente oferece.
Regras e exemplos antes da geração
O fluxo de nove etapas acrescenta contexto da organização e das nuvens conectadas. Um comparador determinístico trata identificadores reconhecidos sem inferência; guardrails rejeitam entradas não suportadas. O Titan recupera 20 exemplos e o Cohere Rerank 3.5 seleciona cinco. Um filtro confiável pode ser reutilizado; caso contrário, apenas esquemas relevantes seguem para geração. Claude Haiku 4.5 seleciona e gera; Nova 2 Lite atende guardrails e validação. Isso não exige assinaturas pessoais separadas.
Validação e correção especializada
O gerador com ferramentas usa esquemas e exemplos selecionados, passando por validação estática e da API Sonar. Erros concretos de campos, operadores ou relações retornam ao gerador; as tentativas têm limite e podem terminar em resposta de filtro inválido. Perguntas e referências curadas avaliam alterações por faixas de complexidade. Especialistas corrigem saídas e exemplos fracos em ferramenta interna. É trabalho contínuo de qualidade, não eliminação automática dos erros.
Preservar a comparação original
A Orca relata redução de aproximadamente dois milhões para 140.000 tokens de entrada por carga comparável, ou 93%. O custo total cai 90%; a latência ponta a ponta passa de cerca de 60 para 15 segundos, queda de 75%. São métricas diferentes. A produção processa milhares de consultas diárias e usa avaliações e feedback para verificar qualidade. A lição é testar relevância, tamanho do esquema e divisão de modelos em conjunto, não prometer igual economia a outras organizações.
Por que importa
Assistentes de consultas especializadas podem combinar poucos exemplos relevantes e esquemas validados. O sistema original continua definindo o contrato executável; uma resposta plausível não basta.
Limites e disponibilidade
A AISubHub não reproduziu os resultados empresariais. A comparação é com o protótipo anterior, não com todos os modelos Bedrock ou tarefas de segurança; não há garantia universal de precisão ou assinatura pessoal incluída.
Fontes e evidências
Data da fonte: 13 de out. de 2026 · Fonte verificada: 20 de out. de 2026
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.