AWSはBayer Crop ScienceのADEを紹介しました。既存のML運用基盤へ自然言語の入口を設け、初期段階で質問の約80％を技術者なしで解決したと報告しています。 業務知識だけでなく実行履歴やログへ接続する事例です。認証、担当範囲、回答の根拠をサービス間で揃えることが焦点です。 分析を動かす基盤から結果を理解する入口へ AWSは10月23日、Bayer Crop Scienceが構築したAgentic Decision Engineを紹介しました。同社の育種判断には、ゲノム、圃場試験、画像、環境条件、モデル出力などが関わります。既存のConnected Decision EngineはMLの手順を再利用し、実行履歴と運用管理を保つ基盤でした。利用が広がると、処理を動かすことより結果を理解することが負担になりました。失敗原因や出所を調べるには、APIや資料、メタデータ、ログを行き来する必要がありました。ADEは、その基盤の上に自然言語の入口を加えます。記事は新しい汎用製品ではなく、業務の運用情報をエージェントへ接続した導入事例として、設計と本番運用の経緯を説明しています。 監督役が専門エージェントへ質問を振り分ける ADEはBedrock AgentCoreで動き、LangGraphによる監督役が質問を分類して専門エージェントへ渡します。本番では22の専門エージェントを使います。資料を検索する役割、実行状況を取得する役割、ログから問題を調べる役割などに分けています。モデルのコードや資料をスキルとして登録する仕組みもあり、一般的な知識ではなく実装に即して回答します。Entra IDで利用者を認証し、AgentCore Gatewayがツールへの認証と認可を扱います。初期段階で約80％の質問を技術者なしで解決したと報告しています。問題の診断も、以前は1時間超だった作業が10分未満になったという事例です。これらは同社の用途での結果です。育種担当者、分析者、研究者に加え、問い合わせを受ける技術者の作業を変える構成になります。 問い合わせ削減と根拠の追跡を一緒に評価 実務で参考になるのは、質問を受ける窓口と、根拠を持つ運用システムを切り分けた点です。専門エージェントを増やせば自動的に品質が上がるわけではなく、担当範囲と接続先を管理する必要があります。ログの閲覧や実行状態の取得に必要な権限を、利用者の所属と整合させることも論点になります。AWS Unified Operationsの担当者と専門技術者が設計から運用まで参加しており、成果をモデルだけに帰属することはできません。導入では、質問の解決率だけでなく、誤った診断から生じる手戻りや確認時間を測ることが考えられます。キャッシュで古い状態を返さないか、回答から実行履歴へ戻れるかも評価点です。既存のML基盤の記録を整える作業と合わせて、人が引き取る問い合わせの条件を決めることが重要と見られます。