AWSがビジョン、推論、アクションを統合フレームワークで連携

AWSは見て、推論して、行動することを統一体として実行できるAIシステムの構築に向けた新しいアプローチを発表した。発表の中心は3つの主要テクノロジーの統合である：Computer Vision（写真や動画などの視覚情報の処理）、Strands Agents（複数のモデルプロバイダーとデプロイメントターゲットに対応し、本番環境レベルの可観測性とトレーシングを備えたAIエージェントフレームワーク）、Model Context Protocol（AIシステムがツールとデータソースを統合する方法を簡素化するために設計された標準プロトコル）。

ソリューションはStreamlitチャットインターフェースを通じて公開されており、ユーザーは推論機能付きのClaude 4 Sonnetがデフォルトで選択され、Claude 3.7 Sonnetも利用可能な基盤モデルを選択できる。ユーザーは視覚コンテンツ（PNG、JPG、JPEG、GIF、またはWEBP形式の画像、MP4、AVI、MOV、MKV、WEBM、またはMPEG4形式の動画）を最大200MBでアップロードし、メッセージ入力フィールドで分析をリクエストする。システムは物体クロップ、ラベル検出、詳細なコンテンツ分析、背景除去を実行できる。

インターフェースの背後にあるアーキテクチャは2つのMCPサーバーを使用している。Computer Vision（CV）サーバーはAmazon Bedrock、Amazon Rekognition、Amazon S3を標準化プロトコルに統合している。describe_imageツール（特定の監視指示に基づいてAmazon Bedrock内のClaudeで画像を分析）、analyze_videoツール（Amazon Nova動画分析機能を使用してS3のコンテンツを処理）、detect_labelsツール（Amazon Rekognitionと統合して物体、シーン、活動を空間的ローカライゼーション用のバウンディングボックス情報で特定）という3つの主要ツールを提供している。2番目のOpenSearchサーバーはインデックス化されたデータを対象としたサーチクエリを処理する。すべてのアクセスは中央集約されたAWS Identity and Access Management（IAM）ロールを通じてフローし、これがパーミッション管理のセキュリティゲートウェイとして機能し、クライアント内の埋め込み認証情報の必要性を排除している。

示されているワークフロー例では、ユーザーが画像をアップロードして分析をリクエストすると、エージェントがリクエストを確認し、論理的順序で適切なコンピュータビジョンツールを実行し、UIツールを使用して結果を表示する。例えば、草地の羊を99.07％の信頼度で特定し、シーンの詳細な説明を提供する。動画については、ユーザーが動画をアップロードするとanalyze_videoツールが特定の指示に従って処理し、詳細な分析結果を返す（例えば、フィールドの雪に覆われた植物のクローズアップを自然な被写界深度で特定）。システムはエラーを適切に処理し、受け取ったメッセージをそのまま報告するように設計されている。

AWSが解決しようとしているのは、AI開発における根深い断片化の問題である。見ることができるシステム（コンピュータビジョン）、推論できるシステム（大規模言語モデルとエージェント）、行動できるシステム（APIとツール）は従来、開発者がカスタムブリッジを構築し、複数のAPI接続を管理し、複雑なパーミッションとデータフロー論理を処理する必要があった。その結果、実装は非効率で高額かつ失敗しやすくなっていた。

AWSの解決策は3つのテクノロジー—Computer Vision（画像と動画分析）、Strands Agents（カスタマイズ可能なAIエージェントフレームワークで本番環境向けの可観測性とトレーシング機能を備える）、Model Context Protocol（ツールとデータソースの統合を簡素化するための標準）—を単一の統合インターフェースに統合している。これは単なるマーケティング的な再パッケージングではなく、Amazon Bedrock（生成AIモデル用）、Amazon Rekognition（画像分析用）、Amazon S3（データストレージ用）、Amazon OpenSearch（クエリ実行用）を単一のIAMセキュリティモデルで統合し、埋め込み認証情報の不要性とサービス間のパーミッション管理の簡素化を実現している。これにより、AWSは開発者が支払うべき根本的な統合コストを排除している。

まだコメントがありません。最初のコメントを投稿しましょう！