MRH Trowe تُتيح 400 موظف وكلاء ذكاء اصطناعي آمنين ذاتياً في خدمات مالية
اعتمدت MRH Trowe إطاراً تقنياً يجمع بين وكلاء Strands Agents ومنصة Amazon Bedrock AgentCore وواجهة LibreChat لتلبية متطلبات الأمن والإقامة البيانات والامتثال في القطاع المالي الألماني.
رضوان عبدالهاديمحرر وكاتب تقني
نبذة عن MRH Trowe والإنجاز
MRH Trowe هو وسيط تأمين تجاري وصناعي مملوك لإدارته، يعمل أساساً في ألمانيا وسويسرا والنمسا، وينمو عبر التوسع العضوي والاستحواذات. كان من أوسط وسطاء التأمين الألمان الذين انتقلوا بالكامل إلى بنية سحابية، مع اعتماد AWS كشريك استراتيجي ووضع الذكاء الاصطناعي هدفاً مؤسسياً لتحسين العمليات الداخلية. في أول شهر إنتاج، منح الوكيل حوالي 400 موظف وصولاً ذاتياً آمناً لوكلاء الذكاء الاصطناعي بتكلفة أولية ~14 دولاراً لكل مقعد، مع مسار واضح لخفض التكاليف ~40%. المصدر: AWS Machine Learning Blog
التحدي: الذكاء الاصطناعي الذاتي دون فقدان السيطرة
في قطاع التأمين التجاري شديد التنظيم، تصاعد الطلب من الموظفين على استخدام الذكاء الاصطناعي التوليدي يومياً، لكن التجارب الفردية لكل فريق خطرت بتفتت الأدوات وتعرض بيانات العملاء الحساسة. احتاجت MRH Trowe إلى تمكين الموظفين من بناء واستخدام وكلاء AI بسرعة دون مهارات تقنية عميقة، مع بقاء كل شيء في بيئة محكومة مركزياً تفي بمتطلبات حماية البيانات والامتثال. التوتر الجوهري: موازنة الوصول الذاتي الواسع مع الأمن والشفافية المالية. الرؤية المؤسسية: "يجب أن يُجاب عن كل سؤال بالذكاء الاصطناعي قبل أي تدخل بشري، وأتمتة العمليات المتكررة من نفذها سابقاً".
الحل التقني: ثلاثية Strands Agents وBedrock AgentCore وLibreChat
يوفر Strands Agents إطاراً مفتوح المصدر لبناء وكلاء بعدة أسطر كود، ويتولى أنماط التنسيق والاستدلال، ويتوسع من جهاز المطور إلى الإنتاج. تُشغّل MRH Trowe الوكلاء على Amazon Bedrock AgentCore كمنصة لبناء وربط وتحسين الوكلاء بأي إطار أو نموذج، وكان العامل الحاسم دعم AgentCore الأصلي للأطر مفتوحة المصدر مثل Strands، وعزل كل جلسة على مستوى الحوسبة والملفات، ونموذج الاستهلاك الذي يمنح الشفافية التكلفة مع النمو. تُضيف LibreChat واجهة دردشة مفتوحة المصدر قابلة للعلامة التجارية، مع إدارة مستخدمين قوية عبر Microsoft Entra ID، وميزانية رموز مدمجة تتجنب التكاليف غير المتوقعة، ودعم نماذج متعددة لتجنب الاعتماد على بائع واحد، وإدارة محادثات منظمة. المصدر: AWS Machine Learning Blog
التنفيذ العملي: من اجتماع Teams إلى بروتوكول منظم في دقائق
الوكيل الأول في الإنتاج يحوّل اجتماع Microsoft Teams إلى محضر جاهز. يطلب الموظف بلغته الألمانية اجتماعاً حديثاً بمشارك محدد، فيسترجع الوكيل الاجتماع من التقويم والنسخة الصوتية، ويُعد ملخصاً منظماً بالتاريخ والمشاركين والجدول والمواضيع والمهام. تصميمان يجعلان ذلك آمناً لوسيط خاضع للتنظيم: كل طلب يُنفذ باسم الموظف المُسجّل، حيث تُوثق LibreChat عبر Microsoft Entra ID وتمرر الهوية للوكيل من الخادم، فلا يمكن للوكيل الوصول إلا لبيانات هذا الموظف، ولا يمكن تغيير الهوية من مربع الدردشة. ثانياً، المعالجة تبقى داخل المنطقة: الوكلاء والنماذج والبيانات في منطقة AWS Europe (Frankfurt) eu-central-1، مما يبقي بيانات العملاء والاجتماعات في ألمانيا. المصدر: AWS Machine Learning Blog
البنية الأمنية والتكلفة
تُنشر الحل في حساب AWS واحد داخل VPC، مع اتصال الموظفين من الشبكة المؤسسية عبر Transit Gateway مزوداً بمزود Zero Trust، بحيث يبقى المرور على اتصال خاص مخصص بدل الإنترنت العام. يوازن موازن حمل داخلي (ALB) الطلبات على طبقة التطبيق في الشبكة الخاصة. التكلفة الأولية ~14 دولاراً لكل مقعد في الشهر الأول، مع مسار خفض ~40% عبر إعادة القياس والتوسيع المجدول. يبقى التمييز مهماً: ما أعلنته الشركة من أرقام وتصريحات استراتيجية يختلف عن التحقق المستقل، ويُستحسن مراجعة المصدر الأصلي قبل الاعتماد الكمي. المصدر: AWS Machine Learning Blog
المصادر
- AWS Machine Learning BlogHow MRH Trowe enabled secure self-service AI agents in financial services