A carregar...
Publicação
Design e implementação de um conector seguro e escalável compatível com MCP para acesso de agentes de IA a dados de Business Intelligence
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.33 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The increasing adoption of Large Language Models (LLMs) and agent-based systems in enterprise
environments has intensified the need for secure, scalable, and standardized mechanisms
that allow Artificial Intelligence (AI) to interact with structured business data. In
the retail domain, Business Intelligence (BI) systems play a central role in supporting operational
and strategic decision-making, yet their integration with autonomous AI agents
remains fragmented and largely ad hoc.
This dissertation addresses this gap by designing, implementing, and evaluating a secure
and scalable integration layer that enables AI agents within Watson (the AI decision-support
platform developed by Omnium:retail) to access enterprise data through declarative tools
and governed enterprise services. The solution is MCP-compatible in contract and architecture:
enterprise capabilities are exposed with JSON Schema contracts and validated before
execution, following the declarative tool-integration model promoted by the Model Context
Protocol (MCP). Watson does not implement an MCP server or client; interoperability is
achieved through an internal registry-based connector and OpenAI function calling rather
than MCP transport.
The work combines a systematic literature review (PICOCS and PRISMA) with architectural
modeling and an empirical consistency study. Across 390 independent executions covering
menu navigation, stock lookup, and product-information scenarios, 98.2% of responses were
semantically correct and grounded in tool outputs. Mean end-to-end latency (∼9 s), however,
remained well above the two-to-three-second interactive target envisaged at project
ideation, reflecting the cost of multi-stage LLM orchestration in a planner–executor pipeline.
The state-of-the-art analysis and evaluation demonstrate that an MCP-compatible integration
layer can support reliable agent access to enterprise data in a multi-tenant setting when
complemented with appropriate architectural patterns, access control, and action validation.
This work contributes to the practical understanding of MCP-aligned integration in
enterprise contexts and provides an empirically grounded foundation for future optimization
within production retail environments.
A crescente adoção de sistemas baseados em Inteligência Artificial (IA), em particular de modelos de linguagem de grande dimensão (Large Language Models – LLMs), tem impulsionado o desenvolvimento de plataformas capazes de interpretar pedidos em linguagem natural, executar raciocínio contextual e interagir autonomamente com sistemas externos. No setor do retalho, estes avanços têm vindo a potenciar novas formas de apoio à decisão, otimização de operações e acesso a informação estratégica, fortemente dependentes de dados provenientes de sistemas de Business Intelligence (BI). Apesar deste potencial, muitas organizações ainda não dispõem de mecanismos padronizados, escaláveis e seguros que permitam a integração eficaz entre agentes baseados em LLMs e sistemas empresariais. Em particular, a exposição direta de dados a agentes autónomos levanta desafios significativos ao nível da segurança, isolamento de clientes (multi-tenancy ), desempenho, gestão de dados e auditabilidade. A inexistência de uma camada de integração adequada pode comprometer tanto a fiabilidade dos resultados gerados pelos agentes como a conformidade com requisitos organizacionais e regulatórios. Neste contexto, esta dissertação propõe, desenha, implementa e avalia um conector seguro e escalável, compatível com o Model Context Protocol (MCP), que permite a agentes de IA aceder de forma controlada a dados de BI no contexto da plataforma Watson da Omnium:retail. O MCP surge como um protocolo emergente que define uma interface padronizada para a interação entre modelos de linguagem e sistemas externos, permitindo a exposição de recursos, ferramentas e esquemas de dados de forma estruturada e interoperável. No entanto, a sua aplicação em ambientes empresariais multi-tenant permanece pouco explorada na literatura, e Watson adota o modelo arquitectural do MCP (contratos declarativos, separação entre definição de tools e orquestração) sem implementar um servidor ou cliente MCP propriamente dito. A interoperabilidade assenta num registry interno de tools, validação pré-execução e function calling, e não na camada de transporte JSON-RPC do protocolo. O trabalho iniciou-se com a formulação de questões de investigação centradas nos principais desafios associados ao acesso frequente e concorrente de agentes de IA a dados empresariais, nomeadamente ao nível do desempenho e escalabilidade, do desenho de APIs adequadas ao consumo por agentes LLM e da garantia de comportamento controlado, auditável e recuperável em sistemas empresariais. Para responder a estas questões, foi realizada uma revisão sistemática da literatura, suportada pelos frameworks PICOCS e PRISMA, abrangendo estudos relacionados com arquiteturas de APIs, sistemas multi-tenant, segurança em ambientes cloud e integração de agentes inteligentes com dados estruturados. Com base na análise do estado da arte e do contexto organizacional, foi definida e implementada uma arquitetura MCP-compatível que atua como camada intermédia entre os sistemas de BI e os agentes de IA. Esta arquitetura contempla princípios fundamentais como a separação entre planeamento e execução, a exposição estruturada de capacidades empresariais através de tools declarativas com esquemas tipados, a validação de ações antes de efeitos secundários, a aplicação de mecanismos de autenticação e autorização com âmbito por tenant, e a adopção de práticas de segurança alinhadas com normas reconhecidas, como as recomendações da OWASP e os princípios do RGPD. A implementação materializou-se num pipeline planner–executor com rastreio por sessão, suporte a interação textual e por voz, e encaminhamento de execuções para serviços HTTP governados e executores internos. A validação empírica consistiu num estudo de consistência com 390 execuções independentes, cobrindo cinco cenários representativos de navegação de menu, consulta de stock e informação de produto, em modos textual e áudio. Os resultados mostraram que 98,2% das execuções produziram respostas semanticamente correctas, fundamentadas nos outputs das tools, sem fugas entre domínios. A latência média end-to-end (∼9 s), contudo, permaneceu significativamente acima do objetivo interativo de 2–3 s definido na ideia inicial do projeto, refletindo o custo da orquestração multi-etapa com múltiplas invocações de LLM por pedido. A escalabilidade sob carga concorrente não foi medida neste estudo. Em síntese, esta dissertação demonstra que uma camada de integração MCP-compatível pode atuar como mecanismo eficaz de interoperabilidade entre agentes de IA e sistemas empresariais, desde que complementada com padrões arquiteturais adequados ao contexto multi-tenant e a requisitos rigorosos de segurança, validação e controlo de acesso. O trabalho contribui para a compreensão prática da adopção de integração alinhada com o MCP em ambientes empresariais de retalho e estabelece uma base empiricamente fundamentada para otimizações futuras em desempenho, tratamento de referências de produto em modo áudio e validação sob carga de produção.
A crescente adoção de sistemas baseados em Inteligência Artificial (IA), em particular de modelos de linguagem de grande dimensão (Large Language Models – LLMs), tem impulsionado o desenvolvimento de plataformas capazes de interpretar pedidos em linguagem natural, executar raciocínio contextual e interagir autonomamente com sistemas externos. No setor do retalho, estes avanços têm vindo a potenciar novas formas de apoio à decisão, otimização de operações e acesso a informação estratégica, fortemente dependentes de dados provenientes de sistemas de Business Intelligence (BI). Apesar deste potencial, muitas organizações ainda não dispõem de mecanismos padronizados, escaláveis e seguros que permitam a integração eficaz entre agentes baseados em LLMs e sistemas empresariais. Em particular, a exposição direta de dados a agentes autónomos levanta desafios significativos ao nível da segurança, isolamento de clientes (multi-tenancy ), desempenho, gestão de dados e auditabilidade. A inexistência de uma camada de integração adequada pode comprometer tanto a fiabilidade dos resultados gerados pelos agentes como a conformidade com requisitos organizacionais e regulatórios. Neste contexto, esta dissertação propõe, desenha, implementa e avalia um conector seguro e escalável, compatível com o Model Context Protocol (MCP), que permite a agentes de IA aceder de forma controlada a dados de BI no contexto da plataforma Watson da Omnium:retail. O MCP surge como um protocolo emergente que define uma interface padronizada para a interação entre modelos de linguagem e sistemas externos, permitindo a exposição de recursos, ferramentas e esquemas de dados de forma estruturada e interoperável. No entanto, a sua aplicação em ambientes empresariais multi-tenant permanece pouco explorada na literatura, e Watson adota o modelo arquitectural do MCP (contratos declarativos, separação entre definição de tools e orquestração) sem implementar um servidor ou cliente MCP propriamente dito. A interoperabilidade assenta num registry interno de tools, validação pré-execução e function calling, e não na camada de transporte JSON-RPC do protocolo. O trabalho iniciou-se com a formulação de questões de investigação centradas nos principais desafios associados ao acesso frequente e concorrente de agentes de IA a dados empresariais, nomeadamente ao nível do desempenho e escalabilidade, do desenho de APIs adequadas ao consumo por agentes LLM e da garantia de comportamento controlado, auditável e recuperável em sistemas empresariais. Para responder a estas questões, foi realizada uma revisão sistemática da literatura, suportada pelos frameworks PICOCS e PRISMA, abrangendo estudos relacionados com arquiteturas de APIs, sistemas multi-tenant, segurança em ambientes cloud e integração de agentes inteligentes com dados estruturados. Com base na análise do estado da arte e do contexto organizacional, foi definida e implementada uma arquitetura MCP-compatível que atua como camada intermédia entre os sistemas de BI e os agentes de IA. Esta arquitetura contempla princípios fundamentais como a separação entre planeamento e execução, a exposição estruturada de capacidades empresariais através de tools declarativas com esquemas tipados, a validação de ações antes de efeitos secundários, a aplicação de mecanismos de autenticação e autorização com âmbito por tenant, e a adopção de práticas de segurança alinhadas com normas reconhecidas, como as recomendações da OWASP e os princípios do RGPD. A implementação materializou-se num pipeline planner–executor com rastreio por sessão, suporte a interação textual e por voz, e encaminhamento de execuções para serviços HTTP governados e executores internos. A validação empírica consistiu num estudo de consistência com 390 execuções independentes, cobrindo cinco cenários representativos de navegação de menu, consulta de stock e informação de produto, em modos textual e áudio. Os resultados mostraram que 98,2% das execuções produziram respostas semanticamente correctas, fundamentadas nos outputs das tools, sem fugas entre domínios. A latência média end-to-end (∼9 s), contudo, permaneceu significativamente acima do objetivo interativo de 2–3 s definido na ideia inicial do projeto, refletindo o custo da orquestração multi-etapa com múltiplas invocações de LLM por pedido. A escalabilidade sob carga concorrente não foi medida neste estudo. Em síntese, esta dissertação demonstra que uma camada de integração MCP-compatível pode atuar como mecanismo eficaz de interoperabilidade entre agentes de IA e sistemas empresariais, desde que complementada com padrões arquiteturais adequados ao contexto multi-tenant e a requisitos rigorosos de segurança, validação e controlo de acesso. O trabalho contribui para a compreensão prática da adopção de integração alinhada com o MCP em ambientes empresariais de retalho e estabelece uma base empiricamente fundamentada para otimizações futuras em desempenho, tratamento de referências de produto em modo áudio e validação sob carga de produção.
Descrição
Palavras-chave
Large Language Models Function Calling Model Context Protocol Multi-tenant Systems AI Agents Enterprise Integration