Voor een AI-agent die tijdens een query gegevens uit verschillende cloud- en on-premisesystemen moet combineren, past het Denodo-patroon uit de AWS-walkthrough beter. AtScale’s voorbeeld past bij een omgeving waarin analytische data al in één datawarehouse staat en operationele data daarheen wordt gerepliceerd. AWS publiceerde beide technische walkthroughs op 20 oktober 2026.
Beide voorbeelden verbinden een Strands-agent op Amazon Bedrock AgentCore via het Model Context Protocol (MCP) met een semantische laag. Die laag legt bedrijfsbegrippen, relaties en toegangsregels vast, zodat de agent niet alleen op aanwijzingen in een prompt hoeft te vertrouwen. De verschillen zitten vooral in de plaats waar de data wordt gecombineerd en in de manier waarop het model is ingericht.
Verspreide bronnen of één datawarehouse?
De AWS-walkthrough voor Denodo laat Amazon Aurora, Amazon Redshift en PostgreSQL op locatie op het moment van de query samenkomen. Denodo Virtual DataPort plant de federatieve query, stuurt werk naar de bronnen en combineert de resultaten. De voorbeeldopzet hoeft daarvoor geen vooraf samengestelde tabel met alle gegevens te maken.
In de AtScale-walkthrough staat de analytische Customer 360-data in Amazon Redshift Serverless. Elke query wordt door één datawarehouse-engine afgehandeld. Operationele gegevens uit Aurora worden vooraf naar Redshift gerepliceerd. Dat maakt de bestaande inrichting van belang: het voorbeeld veronderstelt een warehouse en een datastroom die dat warehouse bijwerkt.
| Onderdeel | Denodo in de AWS-walkthrough | AtScale in de AWS-walkthrough | Betekenis voor de architectuurkeuze |
| Databronnen en querypad | Aurora, Redshift en PostgreSQL op locatie worden tijdens de query gefedereerd via Virtual DataPort. | Analytische gegevens staan in Redshift Serverless; operationele gegevens uit Aurora worden vooraf gerepliceerd. Queries draaien op één warehouse-engine. | Kies het getoonde Denodo-patroon voor queries die gegevens uit verspreide bronnen moeten combineren. Het AtScale-patroon sluit aan op een bestaande warehouse- en replicatieopzet. |
| Semantisch model | Basisviews, afgeleide views en metricviews in Virtual DataPort; queries gebruiken VQL. | YAML-objecten in Semantic Modeling Language (SML), waaronder datasets, dimensies, feiten, metingen, berekeningen, perspectieven en rijbeveiliging. De objecten worden in Git beheerd. | De modellen leggen bedrijfsdefinities vast in de semantische laag, maar gebruiken verschillende modelstructuren. |
| Toegangsbeheer in het voorbeeld | Een Global Security Policy maskeert getagde SSN- en kaartnummervelden voor marketing_user; hr_user ziet ze ongemaskeerd. | Rolgebaseerde toegang, rijbeveiliging en perspectieven. Het marketingperspectief verbergt de voorbeeldvelden voor SSN en kaartnummers. | Beide walkthroughs plaatsen toegangsregels in de semantische laag, met verschillende manieren om gevoelige gegevens af te schermen. |
| Verbinding met de agent | De Denodo MCP Server verbindt de agent met Virtual DataPort. AgentCore Gateway en Identity geven de gebruikersidentiteit door via een On-Behalf-Of-tokenuitwisseling. | De AtScale MCP-server verbindt de agent met het model. AgentCore Gateway en Identity beheren de verbinding; de AtScale-engine bepaalt de rol van de aanroeper. | De agent gebruikt in beide voorbeelden MCP, maar de identiteit en bevoegdheden lopen via verschillende implementaties. |
| Andere aansluitingen en inrichting | De walkthrough noemt JDBC, ODBC, ADBC, GraphQL, OData en MCP, plus Denodo Agora of zelfbeheer op EC2 of EKS. | De walkthrough noemt SQL, XMLA en MCP. De beschreven referentieopzet gebruikt zelfbeheer op EKS. | De genoemde protocollen en deploymentopties kunnen meewegen als ze passen bij de bestaande omgeving. |
Hoe de modellen bedrijfsbegrippen vastleggen
Denodo bouwt de semantische laag in het voorbeeld op uit zes basisviews, een afgeleide klantview en een aparte, herbruikbare metricview. VQL is de querytaal waarmee de agent de gemodelleerde gegevens benadert. Die indeling scheidt de koppelingen met afzonderlijke bronnen van klantgerichte relaties en gedeelde bedrijfsmetingen.
AtScale gebruikt SML-objecten in YAML voor onder meer dimensies, hiërarchieën, feiten en berekeningen. Ook perspectieven en rijbeveiliging horen bij het model. Omdat de objecten in Git worden beheerd, ligt de definitie van het model in versieerbare bestanden. De AWS-walkthrough beschrijft hiermee een dimensionale modellering rond data die al in het warehouse staat.
Toegang en audit in de voorbeelden
De governancevoorbeelden verschillen in wat de marketingrol te zien krijgt. Denodo maskeert in de walkthrough getagde SSN- en kaartnummervelden voor marketing_user, terwijl hr_user die velden ongemaskeerd ziet. In AtScale verbergt het marketingperspectief die velden uit het voorbeeldmodel; daarnaast beschrijft de walkthrough rijbeveiliging en rolgebaseerde toegang. Dit zijn configuraties uit de voorbeelden, geen algemene uitspraak over de geschiktheid van een inrichting voor een specifieke organisatie.
Het illustratieve auditrecord van AtScale bevat zowel de dimensionale SQL die de LLM opstelt als de SQL die voor Amazon Redshift wordt gegenereerd. Het record bevat ook identiteit, toegepaste beleidsregels, gebruik van aggregaties en het aantal geretourneerde rijen. De Denodo-walkthrough beschrijft een auditspoor met het VQL-verzoek, de toegewezen rol, het federatieplan en de uitkomsten van beleidsregels. Zo legt elk voorbeeld andere details van de query en de toegangsbeslissing vast.
De AWS-artikelen rapporteren querydemonstraties en een herhaling met governance-instellingen. Die voorbeelden vormen geen onderling vergelijkbare prestatiebenchmark. Ze geven wel een concrete keuze op basis van dataplacement: verspreide bronnen tijdens de query combineren, of analytische data vooraf naar één warehouse repliceren en daar bevragen.
