Confluent Intelligence rafforza la strategia di Confluent sul data streaming in tempo reale, introducendo nuove funzionalità per collegare agenti AI e migliorare l’analisi dei dati in ambienti enterprise. L’obiettivo è chiaro: trasformare i flussi di dati in un’infrastruttura attiva, capace di alimentare sistemi di intelligenza artificiale che collaborano, apprendono e agiscono in modo coordinato .
Al centro dell’annuncio c’è il supporto al protocollo Agent2Agent (A2A), che consente agli agenti di streaming di Confluent di attivare e coordinare agenti AI esterni tramite flussi di dati in tempo reale. In parallelo, il nuovo Multivariate Anomaly Detection amplia le capacità di rilevamento delle anomalie, analizzando metriche correlate per identificare pattern complessi e prevenire interruzioni prima che generino impatti a valle .
Agent2Agent e Streaming Agents: dall’insight all’azione
La crescente adozione di AI agent per automatizzare decisioni e processi operativi porta con sé un limite strutturale: la frammentazione. Molti agenti operano in silos, senza condividere contesto o informazioni a livello aziendale.
Streaming Agents di Confluent affronta questo problema collegando gli agenti AI ai dati in tempo reale tramite il Model Context Protocol (MCP) di Anthropic e ad altri agenti attraverso il protocollo A2A. In questo modo, le informazioni provenienti da framework come LangChain e piattaforme dati come BigQuery, Snowflake e Databricks possono essere trasformate in insight immediati, attivando piattaforme enterprise come ServiceNow e Salesforce per azioni operative automatiche .
“Se vuoi essere competitivo, la tua AI non può limitarsi a guardare nello specchietto retrovisore”, ha dichiarato Sean Falconer, Head of AI di Confluent. “Hai bisogno di un sistema di agenti AI che lavorino insieme e che apprendano e condividano costantemente insight in tempo reale. Confluent Intelligence connette gli investimenti e i sistemi di AI dei team, indipendentemente da dove siano stati sviluppati, così che l’AI possa reagire automaticamente ai dati in tempo reale, intraprendere azioni, coordinare i sistemi ed effettuare l’escalation ai membri del team quando necessario” .
Il supporto A2A, ora disponibile in Open Preview, consente inoltre di registrare le azioni degli agenti in log immutabili per audit e replay, orchestrando la comunicazione tramite Apache Kafka e centralizzando governance, sicurezza e osservabilità in un unico layer .
Multivariate Anomaly Detection: meno falsi positivi, più contesto
La seconda direttrice strategica riguarda il rilevamento delle anomalie. I sistemi tradizionali si basano spesso su analisi batch e metriche isolate, risultando sensibili al rumore e generando falsi positivi.
Multivariate Anomaly Detection di Confluent analizza metriche correlate – ad esempio CPU, memoria e latenza – come un insieme unificato, riducendo gli errori e migliorando la capacità di individuare problemi reali. Il sistema apprende automaticamente dai dati in tempo reale, senza richiedere la costruzione o l’aggiornamento manuale di modelli .
L’approccio consente di comprendere con maggiore precisione lo stato di salute dei sistemi, riconoscere pattern complessi e segnalare immediatamente deviazioni rispetto al “normale reale”, favorendo interventi tempestivi e automatizzati .
Data in Motion: il posizionamento di Confluent
Le nuove funzionalità si inseriscono nella visione più ampia di Confluent, che promuove il paradigma del “Data in Motion”: una piattaforma cloud-native progettata come tessuto connettivo intelligente per l’analisi in tempo reale e lo streaming continuo di informazioni attraverso l’organizzazione .
Confluent Intelligence consolida così il ruolo della piattaforma come layer abilitante per AI contestuali e reattive, capaci di trasformare segnali di flusso in azioni operative. In uno scenario in cui la competitività dipende dalla velocità di reazione ai dati, l’integrazione tra agenti, streaming e anomaly detection diventa un elemento infrastrutturale, non più opzionale.
