كشفت أمازون عن نظام KnowledgeForge الذي يعالج مشكلة أساسية في إدارة خدمات تقنية المؤسسات: فقدان الآلاف من حلول المشاكل التقنية في أرشيفات التذاكر. النظام يتعامل مع جانبين من المشكلة: استخراج المعرفة من التذاكر المحلولة وتحسين جودة قواعد البيانات المعرفية الموجودة التي تعاني من تكرار المحتوى والمعلومات القديمة.

النظام يعمل بآليتين متكاملتين. الأولى تحول مجموعات التذاكر ذات الصلة إلى مقالات جديدة باستخدام نموذج Anthropic Claude Sonnet 4.5 عبر Amazon Bedrock. الثانية تنقح المقالات الموجودة والجديدة من خلال تصنيفها والبحث عن النسخ المكررة وتقييم جودتها وتحسين الضعيف منها. يراجع مسؤول المعرفة النتائج قبل نشرها في نظام ServiceNow.

اختارت أمازون Amazon S3 Vectors لكشف المقالات المكررة بدلًا من الاعتماد على المطابقة النصية البسيطة. يحول النظام كل مقالة إلى متجه رياضي بـ 1024 بعد باستخدام Amazon Titan Text Embeddings V2، ثم يقارن المتجهات الجديدة مع الموجودة لاكتشاف النسخ المعاد صياغتها أو المتشابهة جدًا. هذا الأسلوب يقلل التكاليف بتخزين المتجهات مباشرة في Amazon S3 بدون قاعدة بيانات منفصلة.

تستخدم عملية التنقية AWS Step Functions لتنسيق معالجة آلاف المقالات بكفاءة عبر موارد متعددة. النظام ينقسم إلى مرحلتين موازيتين: الأولى لكشف النسخ المكررة بتسلسل، والثانية لتقييم الجودة والتحسين بالتوازي. جدولة يومية على Amazon EventBridge تشغل العملية، وقائمة انتظار FIFO تضمن معالجة التحديثات بالترتيب الصحيح لكل عميل.

قدمت أمازون هذه الحل كنموذج يمكن إعادة استخدامه لمشاريع معالجة المستندات الكبيرة باستخدام الذكاء الاصطناعي التوليدي. الأسلوب يجمع بين سهولة الصيانة من خلال المراجعة البشرية وقابلية التوسع الضرورية للتعامل مع ملايين التذاكر والمقالات.