Capas de marco intercambiables, desde escenarios de prueba hasta el cuadro de mando final
Industrias probadas con flujos de trabajo de agentes reales: salud y finanzas
Reconstrucciones necesarias para añadir un nuevo proveedor o flujo de trabajo, realizadas mediante configuración
Cortega.ai
Maryland, EE. UU.
Gobernanza de IA / Seguridad Agéntica
Amazon Bedrock, Amazon EKS, Amazon Aurora (PostgreSQL), Amazon VPC, OpenTelemetry
Cortega.ai construye una plataforma de gobernanza de IA que autentica, inspecciona, bloquea, redacta y enruta el tráfico de IA, incluyendo llamadas a LLM, tráfico de agentes y llamadas a herramientas MCP, antes de que salga del límite de infraestructura de un cliente. Antes de una implementación en el sector de la salud, Cortega necesitaba una forma rigurosa y basada en evidencia para validar el comportamiento de su propia plataforma frente a flujos de trabajo agénticos reales, en lugar de depender de verificaciones manuales puntuales. Avahi diseñó y entregó un marco de evaluación reutilizable que instala Cortega frente a un flujo de trabajo de agente de IA real, de estilo de producción, dirige tráfico realista a través de él y captura los resultados como evidencia estructurada y rastreable, proporcionando a Cortega una herramienta que puede seguir ejecutando a medida que su plataforma crece.
Cortega.ai es una plataforma de gobernanza de IA y seguridad agéntica construida para industrias reguladas como la salud y los servicios financieros, donde los sistemas de IA que manejan datos sensibles necesitan autenticación consistente, aplicación de políticas y observabilidad en cada modelo y llamada a herramienta que realizan.
A medida que la plataforma de Cortega maduraba, expandiéndose a más proveedores de LLM, marcos de agentes y entornos de implementación, la empresa necesitaba una forma de validar esa creciente conectividad con evidencia, no con pruebas manuales puntuales que tendrían que rehacerse a mano cada vez que se lanzara una nueva capacidad. Con una implementación en el sector de la salud en el horizonte, Cortega necesitaba demostrar, con datos, que su capa de gobernanza aplica correctamente las políticas y captura la evidencia adecuada en condiciones reales, y necesitaba una forma de seguir probándolo a medida que la plataforma cambiaba.
Tanto el marco de evaluación como los flujos de trabajo de agentes del mundo real contra los que se prueba están construidos en AWS. Amazon Bedrock aloja los modelos de lenguaje subyacentes que llaman los flujos de trabajo de prueba, Amazon EKS ejecuta el propio gateway y plano de control de Cortega dentro del entorno aislado de evaluación, y Amazon Aurora respalda los datos estructurados utilizados por los flujos de trabajo de referencia bajo prueba. Ejecutar toda la evaluación, desde el agente hasta el gateway de Cortega y las llamadas a modelos y herramientas subyacentes, dentro de la infraestructura gestionada por AWS, proporcionó al marco un entorno consistente y controlado para generar resultados repetibles y confiables.
Como socio premier de AWS con experiencia en la construcción y evaluación de sistemas de IA agénticos de producción, Avahi aportó tanto la experiencia en infraestructura de AWS como la fluidez en marcos de agentes necesaria para establecer condiciones de prueba realistas en lugar de un benchmark sintético. Cortega necesitaba un socio que pudiera construir sobre flujos de trabajo agénticos de código abierto reales y activamente mantenidos en lugar de un andamiaje de prueba a medida, y que pudiera entregar un marco que su propio equipo pudiera operar de forma independiente una vez finalizado el compromiso.
En lugar de construir un entorno de prueba sintético desde cero, Avahi instaló flujos de trabajo de agentes de IA de código abierto reales y activamente mantenidos, que abarcan casos de uso de servicios financieros y de salud, como base para un tráfico de evaluación realista. Avahi primero implementó el flujo de trabajo de referencia sin modificar para establecer una línea de base conocida y validada, luego instaló el gateway y el plano de control de Cortega frente a su modelo de lenguaje y tráfico de herramientas.
Sobre esa base, Avahi construyó un marco de evaluación compuesto por capas intercambiables de forma independiente: una biblioteca de escenarios de prueba que cubren la aplicación de políticas, el tráfico benigno y la observabilidad a nivel de herramienta; una capa de ejecución de tráfico que dirige ese tráfico a través del flujo de trabajo; una capa de correlación de evidencia que mapea cada escenario a los propios registros de telemetría de Cortega; y un generador de cuadro de mando y matriz de cobertura que convierte los resultados en un informe revisable. Debido a que cada capa tiene versiones y es intercambiable, Cortega puede extender el marco a nuevos flujos de trabajo, proveedores o integraciones de herramientas más adelante a través de la configuración en lugar de reconstruirlo.
El marco también produjo un conjunto de benchmarks que caracterizan el rendimiento y la latencia del gateway, la sobrecarga adicional de enrutar las llamadas a herramientas y los controles de protección a través de Cortega, y la sobrecarga de extremo a extremo en una ejecución completa de agente de varios pasos, junto con una guía práctica para escalar la plataforma bajo carga de producción. Avahi entregó el marco completo como un repositorio en contenedores y guio al equipo técnico de Cortega para que lo volviera a ejecutar y lo extendiera a un nuevo escenario de prueba de forma independiente.
Cortega salió de este compromiso con una capacidad de evaluación que no tenía antes: una forma repetible y basada en evidencia para validar su propia plataforma de gobernanza frente a tráfico de agentes realista que abarca escenarios tanto de salud como de servicios financieros, con cada resultado rastreable hasta la propia telemetría de Cortega en lugar de depender de verificaciones manuales puntuales. El diseño modular del marco significa que el equipo de Cortega puede extenderlo a nuevos proveedores, marcos de agentes o flujos de trabajo en el futuro sin reconstruirlo, y los resultados del benchmark proporcionan a Cortega una base documentada para la planificación de escalado y capacidad a medida que avanza hacia la implementación en producción.
Cortega.ai
Maryland, EE. UU.
Gobernanza de IA / Seguridad Agéntica
Amazon Bedrock, Amazon EKS, Amazon Aurora (PostgreSQL), Amazon VPC, OpenTelemetry
Cortega.ai construye una plataforma de gobernanza de IA que autentica, inspecciona, bloquea, redacta y enruta el tráfico de IA, incluyendo llamadas a LLM, tráfico de agentes y llamadas a herramientas MCP, antes de que salga del límite de infraestructura de un cliente. Antes de una implementación en el sector de la salud, Cortega necesitaba una forma rigurosa y basada en evidencia para validar el comportamiento de su propia plataforma frente a flujos de trabajo agénticos reales, en lugar de depender de verificaciones manuales puntuales. Avahi diseñó y entregó un marco de evaluación reutilizable que instala Cortega frente a un flujo de trabajo de agente de IA real, de estilo de producción, dirige tráfico realista a través de él y captura los resultados como evidencia estructurada y rastreable, proporcionando a Cortega una herramienta que puede seguir ejecutando a medida que su plataforma crece.
Cortega.ai es una plataforma de gobernanza de IA y seguridad agéntica construida para industrias reguladas como la salud y los servicios financieros, donde los sistemas de IA que manejan datos sensibles necesitan autenticación consistente, aplicación de políticas y observabilidad en cada modelo y llamada a herramienta que realizan.
A medida que la plataforma de Cortega maduraba, expandiéndose a más proveedores de LLM, marcos de agentes y entornos de implementación, la empresa necesitaba una forma de validar esa creciente conectividad con evidencia, no con pruebas manuales puntuales que tendrían que rehacerse a mano cada vez que se lanzara una nueva capacidad. Con una implementación en el sector de la salud en el horizonte, Cortega necesitaba demostrar, con datos, que su capa de gobernanza aplica correctamente las políticas y captura la evidencia adecuada en condiciones reales, y necesitaba una forma de seguir probándolo a medida que la plataforma cambiaba.
Tanto el marco de evaluación como los flujos de trabajo de agentes del mundo real contra los que se prueba están construidos en AWS. Amazon Bedrock aloja los modelos de lenguaje subyacentes que llaman los flujos de trabajo de prueba, Amazon EKS ejecuta el propio gateway y plano de control de Cortega dentro del entorno aislado de evaluación, y Amazon Aurora respalda los datos estructurados utilizados por los flujos de trabajo de referencia bajo prueba. Ejecutar toda la evaluación, desde el agente hasta el gateway de Cortega y las llamadas a modelos y herramientas subyacentes, dentro de la infraestructura gestionada por AWS, proporcionó al marco un entorno consistente y controlado para generar resultados repetibles y confiables.
Como socio premier de AWS con experiencia en la construcción y evaluación de sistemas de IA agénticos de producción, Avahi aportó tanto la experiencia en infraestructura de AWS como la fluidez en marcos de agentes necesaria para establecer condiciones de prueba realistas en lugar de un benchmark sintético. Cortega necesitaba un socio que pudiera construir sobre flujos de trabajo agénticos de código abierto reales y activamente mantenidos en lugar de un andamiaje de prueba a medida, y que pudiera entregar un marco que su propio equipo pudiera operar de forma independiente una vez finalizado el compromiso.
En lugar de construir un entorno de prueba sintético desde cero, Avahi instaló flujos de trabajo de agentes de IA de código abierto reales y activamente mantenidos, que abarcan casos de uso de servicios financieros y de salud, como base para un tráfico de evaluación realista. Avahi primero implementó el flujo de trabajo de referencia sin modificar para establecer una línea de base conocida y validada, luego instaló el gateway y el plano de control de Cortega frente a su modelo de lenguaje y tráfico de herramientas.
Sobre esa base, Avahi construyó un marco de evaluación compuesto por capas intercambiables de forma independiente: una biblioteca de escenarios de prueba que cubren la aplicación de políticas, el tráfico benigno y la observabilidad a nivel de herramienta; una capa de ejecución de tráfico que dirige ese tráfico a través del flujo de trabajo; una capa de correlación de evidencia que mapea cada escenario a los propios registros de telemetría de Cortega; y un generador de cuadro de mando y matriz de cobertura que convierte los resultados en un informe revisable. Debido a que cada capa tiene versiones y es intercambiable, Cortega puede extender el marco a nuevos flujos de trabajo, proveedores o integraciones de herramientas más adelante a través de la configuración en lugar de reconstruirlo.
El marco también produjo un conjunto de benchmarks que caracterizan el rendimiento y la latencia del gateway, la sobrecarga adicional de enrutar las llamadas a herramientas y los controles de protección a través de Cortega, y la sobrecarga de extremo a extremo en una ejecución completa de agente de varios pasos, junto con una guía práctica para escalar la plataforma bajo carga de producción. Avahi entregó el marco completo como un repositorio en contenedores y guio al equipo técnico de Cortega para que lo volviera a ejecutar y lo extendiera a un nuevo escenario de prueba de forma independiente.
Cortega salió de este compromiso con una capacidad de evaluación que no tenía antes: una forma repetible y basada en evidencia para validar su propia plataforma de gobernanza frente a tráfico de agentes realista que abarca escenarios tanto de salud como de servicios financieros, con cada resultado rastreable hasta la propia telemetría de Cortega en lugar de depender de verificaciones manuales puntuales. El diseño modular del marco significa que el equipo de Cortega puede extenderlo a nuevos proveedores, marcos de agentes o flujos de trabajo en el futuro sin reconstruirlo, y los resultados del benchmark proporcionan a Cortega una base documentada para la planificación de escalado y capacidad a medida que avanza hacia la implementación en producción.
Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita
