Como a Skello usa Amazon Bedrock para consultar dados em multitenant com limites lógicos

TL;DR

• A Skello criou um assistente com IA usando Amazon Bedrock e AWS Lambda para consultar dados em um ambiente multitenant, mantendo limites lógicos estritos.
• A solução se baseia em esquemas de dados padronizados, nomenclatura consistente e visões pré-agregadas para entregar respostas rápidas e confiáveis.
• A segurança é em várias camadas: RBAC, autenticação JWT/SAML, Bedrock SessionParameters e Bedrock Guardrails para evitar injeção de prompts e conteúdo inadequado, alinhado com OWASP LLM06.
• Os limites de dados são aplicados tanto no nível de banco de dados quanto de API, com logs de auditoria imutáveis para proteger dados dos clientes e conformidade com GDPR.
• As visualizações são geradas automaticamente a partir de consultas, facilitando a narrativa de dados para usuários com diferentes níveis de habilidade.

Contexto e antecedentes

A Skello é uma plataforma HR SaaS voltada para agendamento de funcionários e gestão de força de trabalho, atendendo setores como hospitalidade, varejo, saúde, construção e outros. Até 2024, a Skello suportava aproximadamente 20.000 clientes e 400.000 usuários diários na Europa. Com o crescimento da plataforma, surgiu a necessidade de acesso mais fácil aos dados da força de trabalho. Ferramentas de consultas tradicionais estavam técnicas e demoradas para muitos usuários de RH e operações. Isso levou a empresa a explorar como modelos de linguagem grandes (LLMs) e IA generativa poderiam traduzir perguntas em linguagem natural para consultas estruturadas, mantendo-se em conformidade com privacidade e GDPR. A abordagem da Skello concentra-se na transformação de consultas em linguagem natural em consultas de banco de dados estruturadas. A arquitetura prioriza manter limites de dados em um ambiente multitenant, para que clientes possam fazer perguntas em linguagem natural e receber saídas precisas sem expor dados de outros clientes. A implementação usa uma pilha sem servidor baseada em AWS Lambda e Amazon Bedrock, um serviço gerenciado que oferece modelos de base por meio de uma única API, com segurança, privacidade e IA responsável. Este post de blog explica os desafios de aplicar LLMs à consulta de dados, descreve como a Skello equilibra capacidades de IA com requisitos rigorosos de proteção de dados e mostra como Bedrock e Lambda foram orquestrados para fornecer um assistente de IA pronto para empresas.

O que é novo

A inovação central é o assistente de IA da Skello, que permite aos usuários finais consultar seus próprios dados em um ambiente multitenant mantendo limites lógicos claros e conformidade com GDPR. A arquitetura demonstra como traduzir perguntas em linguagem natural para consultas estruturadas, assegurando que o contexto do usuário e permissões permaneçam fora do processamento do LLM. Pontos-chave:

• Arquitetura de alto nível com AWS Lambda e Amazon Bedrock para transformar perguntas em linguagem natural em consultas de banco de dados.
• Modelo de dados e estratégia de organização com esquemas padronizados, formatos consistentes para campos de data e nomes de campo claros (por exemplo, employee_type).
• Otimização de busca e visões: indexação com base no uso e visões pré-agregadas para relatórios comuns, permitindo respostas quase instantâneas a perguntas como “Quem está trabalhando hoje?”
• Controles de segurança alinhados ao OWASP (LLM06) com sessão de contexto do usuário via Bedrock e Guardrails para evitar injeção de prompts e conteúdo inadequado.
• Limites de dados por meio de compartmentalização no banco de dados e verificações de API, garantindo que gerentes de departamento acessem apenas os dados de suas equipes, com logs de auditoria imutáveis para proteção de integridade.
• Geração automática de visualizações profissionais a partir de consultas, tornando a exploração de dados acessível mesmo para usuários sem experiência avançada em visualização. Por exemplo, a Skello demonstra como um usuário pode pedir por análises como “paridade de gênero” ou consultas mais complexas como “horas trabalhadas por semana por posição nos últimos 3 meses”, com a solução traduzindo para saídas estruturadas e visualizações.

Por que isso importa (impacto para desenvolvedores/empresas)

Essa abordagem importa para desenvolvedores e empresas que buscam liberar acesso assistido por IA a dados em plataformas multitenant sem comprometer a segurança ou a conformidade. Implicações-chave:

• Acesso a dados facilitado: usuários podem consultar seus dados em linguagem natural, reduzindo a necessidade de SQL ou ferramentas BI especializadas e acelerando decisões.
• Privacidade e conformidade regulatória: a arquitetura impõe limites rigorosos entre dados de clientes, suporta GDPR e mantém logs auditáveis para demonstrar conformidade.
• Integração IA segura: ao separar controles de segurança do LLM, usando Bedrock SessionParameters e Guardrails, a solução mitiga riscos comuns de IA e promove uso responsável.
• Modelos de dados escaláveis e fáceis de manter: esquemas padronizados, nomenclaturas claras e visões pré- agregadas otimizam desempenho conforme cresce o número de clientes.
• Visualizações rápidas e acessíveis: geração automática de gráficos facilita a narrativa de dados para mais usuários. Esses resultados mostram como uma abordagem sem servidor aliada à IA pode oferecer acesso a dados seguro e prático em ambientes multitenant, equilibrando capacidades de IA com governança e privacidade.

Detalhes técnicos ou Implementação

A implementação envolve uma pilha sem servidor e uma camada de dados cuidadosamente projetada, complementada por controles de segurança e governança. Componentes centrais:

• Arquitetura sem servidor: a solução usa AWS Lambda para conectar solicitações de usuários ao Bedrock e retornar consultas estruturadas, oferecendo escalabilidade sob demanda.
• Bedrock como base de IA: Amazon Bedrock oferece acesso a modelos de base através de uma única API, habilitando capacidades de IA generativa com salvaguardas de segurança e privacidade.
• Modelo de dados padronizado: esquemas padronizados com formatos consistentes para campos de data e nomes de campos amigáveis, como employee_type, reduzem ambiguidades.
• Indexação e visões: indexação baseada em padrões de uso e visões pré- agregadas para acelerar relatórios comuns.
• Relacionamentos e contexto: relações claras conectam funcionários a departamentos, turnos e gerentes, permitindo consultas complexas.
• Visualização automatizada: resultados são convertidos em visualizações profissionais que integram relatórios e apresentações.
• Segurança e controles de acesso: alinhamento com OWASP LLM06, autenticação via JWT/SAML, e autorização granular para determinar permissões de dados.
• Guardrails e segurança de prompts: Bedrock Guardrails protegem contra injeção de prompts, conteúdo inadequado e tópicos proibidos.
• Limites de dados e auditoria: isolamento entre clientes, com logs de auditoria imutáveis que registram ações com carimbos de data/hora e identificadores de usuário, mantendo integridade.
• Considerações GDPR: equilíbrio entre capacidades de IA e proteção de dados, mantendo isolamento entre inquilinos.

Tabela de dados de segurança

Considerações finais

• Interfaces em linguagem natural podem converter perguntas em consultas estruturadas sem expor dados de outros clientes, mantendo limites de multitenant.
• Modelos de dados padronizados e visões pré- agregadas elevam desempenho e precisão para perguntas de RH comuns.
• Controles de segurança em várias camadas, incluindo Guardrails e separação entre controles de segurança e IA, ajudam a gerenciar riscos de IA.
• Auditoria imutável e RBAC promovem responsabilidade e conformidade com GDPR em ambientes multitenant.
• Visualizações automáticas democratizam insights, ampliando a participação na tomada de decisões com base em dados.

Referências

• https://aws.amazon.com/blogs/machine-learning/how-skello-uses-amazon-bedrock-to-query-data-in-a-multi-tenant-environment-while-keeping-logical-boundaries/