A DigitalOcean anunciou a disponibilização em preview pública de Learning Services e Agent Data Services, permitindo que desenvolvedores construam, avaliem e melhorem continuamente agentes de IA dentro de uma plataforma em nuvem unificada e nativa para IA.
Os novos serviços expandem as ofertas existentes da DigitalOcean — Inference Engine e Managed Agents — agregando capacidades para que agentes de IA aprendam com interações do mundo real, identifiquem fraquezas, testem melhorias e aproveitem dados proprietários dos clientes.
Learning Services: três pilares de melhoria contínua
O Learning Services integra três componentes principais. Insights registra a atividade completa do agente. Signals identifica falhas e lacunas de performance nos agentes. Simulations testa potenciais melhorias através de conversas realistas simuladas antes do deployment em produção.
O Inference Router aprimorado complementa essa abordagem, otimizando a seleção de modelos com base nos requisitos específicos de cada tarefa, balanceando custo versus qualidade de resposta e reaplicando as mesmas avaliações em novas versões de modelos para garantir progresso consistente.
Agent Data Services: fundação segura para dados de agentes
O Agent Data Services oferece uma fundação gerenciada e segura para dados de agentes de IA. O serviço processa e indexa documentos, vídeos, áudios, logs e sessões de agentes, tornando essas informações buscáveis e acessíveis por meio de um catálogo unificado que inclui governança integrada e controles de acesso nativos.
A integração entre os dois serviços é profunda: Signals escreve sessões de agentes no Agent Data Services, enquanto o otimizador extrai dados de treinamento e teste exclusivamente quando o cliente opta explicitamente por essa funcionalidade.
Estado atual e implicações
Insights, Signals e Evaluations (incluindo Simulations) encontram-se disponíveis em preview pública. A otimização do Inference Router e o Agent Data Services estão em preview privada.
Segundo Jonathan Saring, co-founder da LakeOps, o loop de write-back representa o aspecto mais interessante do anúncio. Uma vez que rastreamentos, chamadas de ferramentas e resultados alimentam avaliação ou aprendizado contínuo, deixam de ser "apenas logs" para se tornarem dados de produção estruturados.
Deepanshu Udhwani, senior engineer, destacou que a maioria das equipes constrói excelentes camadas de recuperação de dados, mas negligencia o logging adequado de resultados — deixando equipes incapazes de distinguir, meses depois, quais chamadas de ferramentas realmente funcionaram versus quais apenas pareciam funcionar no momento.
Keith Zhai, co-founder da TinyFish, ressaltou como Signals e Simulations convertem uma sessão falhada de usuário em uma correção antes que centenas de outros usuários encontrem o mesmo problema, abordando um gargalo crítico em stacks de agentes: a capacidade de ler e aprender com a sessão que o usuário realmente vivenciou.
