Como a msg otimizou a transformação de RH com Amazon Bedrock e msg.ProfileMap

TL;DR

• O msg.ProfileMap utiliza o Amazon Bedrock para enriquecer semanticamente dados e alimentar fluxos de enriquecimento com LLM.
• A abordagem aumenta a precisão na correspondência de conceitos de RH e reduz consideravelmente o trabalho manual, além de melhorar a conformidade com o EU AI Act e GDPR.
• A arquitetura combina uma camada robusta de extração de texto, um motor de harmonização com IA e um método de recuperação híbrido (vetorial e por string) para alinhar dados entre fontes.
• O Bedrock fornece acesso a modelos de base gerenciados, permitindo inferência de baixa latência, escalabilidade e interações auditáveis, apoiando uso responsável em RH.
• Resultados de benchmarks: 95,5% de precisão em fusões de alta probabilidade em testes internos, redução de validação manual acima de 70% e desempenho de ponta no OAEI 2024 Bio-ML (NCIT-DOID F1 0,918; Hits@1 > 92%).

Contexto e antecedentes

O msg.ProfileMap é uma solução SaaS em nuvem para gestão de habilidades e competências, projetada para apoiar equipes de RH e estratégia no mapeamento de capacidades da força de trabalho, identificação de lacunas e implementação de programas de desenvolvimento direcionados. Com mais de 7.500 usuários e atuação em mais de 10.000 especialistas em 34 países, a msg atua como fornecedora de software independente e integradora em setores altamente regulados. A solução é qualificada como software de parceiro AWS e está disponível no AWS Marketplace. RH e equipes de estratégia dependem de uma visão centralizada de habilidades para orientar recrutamento, mobilidade interna, análise de lacunas de segurança de competências e planejamento de desenvolvimento da força de trabalho. Dados de RH costumam estar dispersos em fontes e formatos diferentes — bancos de dados relacionais, planilhas, documentos Word e PDFs — o que dificulta a qualidade dos dados e a tomada de decisão. Elementos como números de pessoal ou competências podem ter identificadores distintos e descrições textuais semelhantes, o que exige uma abordagem de harmonização eficaz. Para enfrentar esse desafio, a msg adotou uma arquitetura modular otimizada para cenários de força de trabalho de TI. No núcleo do msg.ProfileMap está uma camada de extração de texto que transforma entradas heterogêneas em dados estruturados, seguida por um motor de harmonização alimentado por IA que garante consistência entre as fontes, evita duplicações e alinha conceitos díspares. A abordagem de recuperação híbrida combina semelocidade semântica baseada em vetores com correspondência por string para vincular dados a entidades existentes. O Bedrock da AWS é usado para enriquecer semanticamente os dados, melhorando a compatibilidade entre fontes e a precisão das correspondências. Os dados extraídos e enriquecidos são indexados e armazenados no Amazon OpenSearch Service e no Amazon DynamoDB para facilitar recuperação rápida. A estrutura é projetada para ser não supervisionada e independente de domínio, com melhor desempenho em casos de uso de força de trabalho de TI, demonstrando boa generalização em outros domínios. A msg ProfileMap depende de vários serviços AWS, notadamente Amazon Neptune, Amazon DynamoDB e Amazon Bedrock. A arquitetura completa é descrita no diagrama da postagem original. A msg avaliou a eficácia do framework de harmonização de dados por meio de testes internos com conceitos de TI e benchmarking externo no Bio-ML Track do Ontology Alignment Evaluation Initiative (OAEI), uma iniciativa de pesquisa financiada pela UE que avalia tecnologias de casamento de ontologias desde 2004. Nos testes internos, o sistema processou 2.248 conceitos e tipos de sugestão. Recomendações de fusão de alta probabilidade atingiram 95,5% de exatidão, cobrindo quase 60% de todas as entradas, ajudando a reduzir o trabalho de validação manual em mais de 70% e melhorando significativamente o tempo para entregar valor às equipes de RH. No OAEI 2024, o msg.ProfileMap ficou no topo da trilha Bio-ML, superando outros sistemas em diversos conjuntos de dados biomédicos. No NCIT-DOID, atingiu F1 de 0,918 e Hits@1 superior a 92%, validando a generalização do motor além do domínio de RH. A msg utiliza modelos de linguagem grande (LLMs) para enriquimento semântico de dados em tempo quase real. Esses workloads exigem inferência de baixa latência, escalabilidade flexível e simplicidade operacional. O Amazon Bedrock atendeu a essas necessidades ao oferecer uma interface totalmente gerenciada e sem servidor para modelos de base, sem a necessidade de gerenciar infraestrutura ou implantar stacks de ML personalizados. Seu modelo de precificação baseado no consumo está alinhado ao modelo SaaS da msg, com recursos usados e cobrados apenas quando necessários. Além disso, o Bedrock ajudou a msg a cumprir metas de conformidade sob o EU AI Act e GDPR, ao possibilitar interações com APIs de modelos com escopo apertado e auditoráveis. A integração bem-sucedida do Bedrock no msg.ProfileMap demonstra que adoção de IA em larga escala não requer infraestrutura complexa nem treinamento de modelos do zero. Ao combinar design modular, harmonização baseada em ontologia e as capacidades gerenciadas do Bedrock, a msg entregou uma plataforma de inteligência de força de trabalho alimentada por IA, precisa, escalável e compatível com normas. A msg ProfileMap está disponível como SaaS no AWS Marketplace. Se você quiser saber mais, pode entrar em contato pelo email [email protected]. O conteúdo e as opiniões neste blog são do(s) autor(es) terceiro(s) e a AWS não se responsabiliza pela precisão do conteúdo. Stefan Walter, Vice-Presidente Sênior de Soluções de IA em SaaS na msg, lidera iniciativas de inovação SaaS escalável, com mais de 25 anos de experiência. Gianluca Vegetti é Arquiteto Sênior de Empresa na AWS Partner Organization, e Yuriy Bezsonov é um Arquiteto de Soluções Sênior na AWS.

O que há de novo

A principal novidade é a integração do Amazon Bedrock para alimentar os fluxos de enriquecimento de dados com LLM no msg.ProfileMap. O Bedrock oferece acesso a modelos de base gerenciados e sem servidor, eliminando a necessidade de gerenciar infraestrutura ou implantar stacks de ML personalizados. Isso também facilita a conformidade, pois permite interações com APIs de modelos com escopo definido e auditáveis, atendendo aos requisitos de conformidade do EU AI Act e GDPR para cenários de RH. A arquitetura continua modular, com o Bedrock potencializando o enriquecimento semântico de dados para melhorar a precisão de correspondência entre fontes. O resultado é uma plataforma de inteligência de força de trabalho alimentada por IA, capaz de crescer conforme a demanda dos clientes, sem sacrificar qualidade ou conformidade.

Por que isso importa (impacto para desenvolvedores/empresas)

• A qualidade dos dados é essencial para recrutamento, mobilidade interna, análise de lacunas de competências e planejamento de desenvolvimento da força de trabalho. A automação da harmonização reduz erros, aumenta a confiabilidade das decisões e acelera os fluxos de trabalho de RH.
• A arquitetura modular demonstra como soluções independentes de domínio podem escalar com a demanda do cliente, com Bedrock oferecendo inferência de baixa latência e escalabilidade elástica, enquanto o modelo SaaS facilita cobrança com base no uso.
• A conformidade é fortalecida por meio de interações auditáveis com APIs de modelos, o que é crucial para organizações sujeitas ao EU AI Act e GDPR ao lidar com dados sensíveis.
• Os resultados de benchmarks indicam robustez e capacidade de generalização para domínios diferentes de RH, abrindo possibilidades para aplicações de harmonização de dados em outros contextos empresariais.

Detalhes técnicos ou Implementação

| Componente | Finalidade | Serviço AWS |---|---|---| | Camada de extração de texto | Converter entradas heterogêneas em dados estruturados | — | Motor de harmonização com IA | Garantir consistência, evitar duplicação, alinhar conceitos | — | Recuperação híbrida | Combina semântica baseada em vetores com correspondência por string | — | Enriquecimento de dados | Enriquecimento semântico com LLMs | Amazon Bedrock |Armazenamento/Indexação | Recuperação rápida e armazenamento durável | Amazon OpenSearch Service; Amazon DynamoDB |Grafos e relacionamentos | Gerenciar entidades e vínculos complexos | Amazon Neptune | O msg.ProfileMap é concebido como uma solução SaaS com foco em usabilidade e demanda do cliente, mantendo a possibilidade de generalizar para além de RH e TI. O fluxo de dados informa que as entradas passam pela camada de extração de texto, passam pela harmonização IA com recuperação híbrida, recebem enriquecimento por Bedrock, e resultam em dados indexados para busca rápida e uso downstream.

Desempenho e benchmarks

• Testes internos em conceitos de TI: 2.248 conceitos processados; fusões de alta probabilidade atingiram 95,5% de exatidão, cobrindo cerca de 60% das entradas; redução de mais de 70% no trabalho de validação manual.
• Benchmark externo: OAEI 2024 Bio-ML Track, posição de destaque entre conjuntos de dados biomédicos; NCIT-DOID F1 de 0,918; Hits@1 acima de 92%, demonstrando robustez além do domínio de RH.

Principais aprendizados

• Automatizar a harmonização de dados com enriquecimento por LLM com Bedrock melhora a correspondência de conceitos de RH e reduz o esforço manual.
• Uma abordagem de recuperação híbrida que combina semântica e correspondência textual sustenta a consistência entre fontes e reduz duplicações.
• Acesso gerenciado e sem servidor ao Bedrock simplifica a integração, escalabilidade e compliance, alinhando-se a um modelo SaaS baseado no uso.
• A arquitetura é projetada para independência de domínio e pode ser adaptada a casos de uso adicionais em dados corporativos.
• Os benchmarks indicam desempenho sólido tanto em testes internos quanto em benchmarks externos de alinhamento de ontologias, reforçando a robustez da plataforma.

Referências

• https://aws.amazon.com/blogs/machine-learning/how-msg-enhanced-hr-workforce-transformation-with-amazon-bedrock-and-msg-profilemap/