Amazon Nova Multimodal EmbeddingsとBedrock AgentCoreで構築する、証跡重視の設計判断支援エージェント
生成AIに判断を委ねず、レビュー可能な証拠を組み立てる
AWSの記事は、航空宇宙部品の代替評価を支援するマルチエージェント構成を紹介している。対象は、供給終了や長いリードタイムに直面した適格部品の置き換えである。設計者がベンダーのデータシート、インターフェース管理文書(ICD)、認定記録を横断して根拠を集める作業を支援するが、代替部品の推奨・承認は行わず、最終判断はエンジニアに残す。
中核となる設計原則は、自然言語モデルと決定論的処理の役割を分けることだ。候補探索、文書検索、差異の説明、評価メモの下書きにはエージェントを使う。一方、部品仕様の適合判定は、Pythonで実装した許容差ルールに基づいて実行する。同じ入力に対して再現可能な pass/flag の結果を生成し、個別仕様の判定、件数、許容範囲外項目、ライフサイクル上の懸念を構造化して返す。LLMの説明文が判定結果を書き換えないようにし、出力にも「証拠であり、推奨・承認ではない」という免責を含める。
この境界は監査にも及ぶ。評価後の監査記録は、モデルに記録を「覚えておく」よう依存せず、オーケストレーション層が専門エージェントのツール呼び出し履歴を読み取って書き込む。記事は、監査証跡をAS9100の8.4節および8.5.6節に沿う形で作成すると説明している。これは記事に記載された設計上の位置づけであり、認証取得や規格適合を保証する主張ではない。
3専門エージェントとルーティングで処理を分担
システムは、Strands Agents SDKを用いたCatalog、Evaluation、Knowledgeの3専門エージェントと、問い合わせを振り分けるplannerで構成される。複数の専門エージェントが動いた場合に限り、supervisorが結果を統合する。単独エージェントの回答はそのまま返すため、既に完結している応答に不要な統合処理を重ねない。
- Catalogは、知識ベース検索、仕様による候補絞り込み、仕様取得、置換要件の確認を行う。
- Evaluationは、決定論的な仕様比較、部品間比較、画像類似度の算出、認定状態の確認、代替評価メモの生成を担う。
- Knowledgeは、データシートやICDに基づく回答、Web検索による終息情報の確認、図表などの視覚情報取得を担当する。
問い合わせの複雑さに応じて、たとえば「このホイールの生産終了状況を確認し、代替候補を探して評価する」という依頼は、Knowledge、Catalog、Evaluationの順に連携できる。記事中の実装例では、plannerがルーティング計画を作り、専門エージェントを順に実行し、それぞれの結果を後続処理のコンテキストに加える。複数の専門家の結果がある場合だけsupervisorを呼び出す。
モデルの使い分けは、処理の責務に対応している。記事ではplannerにClaude Haiku 5.5、専門エージェントにClaude Sonnet 5.5、統合時のsupervisorにClaude Opus 5.5を割り当てている。また、plannerはツール呼び出しを伴わない分類処理であり、supervisorは複数エージェントの結果がある場合に限定する設計としている。記事によれば、単独エージェントの回答にsupervisorを通すと約8秒の遅延が加わる一方、品質向上は得られなかったという。これらのモデル名と遅延値は、記事に記載された構成・観測値であり、提供状況や他環境での性能を一般化するものではない。
テキスト・図表・画像を分けて検索し、評価に接続する
知識ベースのサンプルは、架空メーカーAnyCompanyのリアクションホイール7種類で構成され、運動量蓄積量は0.003〜5.0 Nmsの範囲である。各部品のフォルダーには、機械可読なspecs.json、説明文、ICD、レンダリング済みデータシート、製品写真、図表のクロップ画像を置く。構造化仕様は決定論的評価に使い、文書・画像は仕様表だけでは表現しきれない説明や形状、性能曲線を検索するために使う。
Amazon Nova Multimodal Embeddingsの利用方法は主に二つある。第一は、テキストと文書・図表を共通の意味空間で検索するマルチモーダル検索である。たとえば「0.06 Nmsホイールのトルク曲線」というテキスト検索や、図表画像をクエリにする検索から、該当する図と出典を取得する。第二は、候補部品の写真をベクトル化し、コサイン類似度を補助的な証拠として算出する使い方だ。記事の例では、同一製品系列のホイール同士で約0.84、異なるクラスのホイール同士で約0.40となった。さらにClaudeが、筐体のおおよその直径や取付穴の数など、観察できる差異を説明する。ただし、画像類似度は仕様適合判定そのものではなく、最終的なfit判定は決定論的な仕様比較に基づく。
検索経路は入力形式に合わせて分ける。テキストと文書の検索は、Amazon Bedrock Managed Knowledge BasesとNova Multimodal Embeddingsを用いた管理型知識ベースを通す。一方、画像そのものをクエリとして受け取る経路では、画像入力を受け付けない管理型知識ベースの検索APIを避け、Nova Multimodal Embeddingsで画像をベクトル化してAmazon S3 Vectorsのインデックスを直接検索する。記事の実装例はIMAGE_RETRIEVAL目的、1,024次元の埋め込みを使用し、部品ごとに製品写真、データシート全体、複数の図表クロップが存在するため、取得結果を部品ID単位で重複排除して最良スコアのベクトルを残す。
図表検索では、データシート全体をそのまま索引化するだけでは、共通のヘッダー、仕様表、フッターが検索信号を弱める。記事では、ページの約90%が複数部品で共通する内容であるケースを踏まえて、図表領域を切り出して全ページと併せて索引化した。その結果、チャート画像を使った照合は、全ページのみの索引で7部品中3件正解だったものが、チャート帯のクロップを使う構成で7部品中7件正解になったと報告している。これは記事のサンプルデータとテスト条件における結果であり、他の文書群への一般化を示すものではない。
開発者・エンジニア視点での考察
-
判定ロジックと説明生成を別の契約として設計する。
仕様の評価は、フィールド、単位、許容差、未入力時の扱いを明示したスキーマと通常のコードで実行し、モデルには結果の説明と根拠の整理を任せる。評価結果を構造化データとして保持すれば、文章の生成・変更と判定ロジックの変更を独立にテストできる。記事の構成は、再現性が必要な判断をLLMの自然言語出力から切り離す実装例として有用である。 -
マルチモーダル検索は、クエリ形式ごとの経路と粒度を検証する。
テキスト検索と画像クエリを一つのAPI経路に押し込まず、利用可能な入力形式に合わせて管理型知識ベースとS3 Vectorsを使い分ける。さらに、ページ全体と図表クロップの双方を索引化し、実際の問い合わせに近い評価セットで比較する。記事の3/7から7/7への改善は、埋め込みモデルの選択だけでなく、検索単位の設計が結果を左右することを示す具体例である。 -
フォールバックと出典情報を、検索品質の運用指標にする。
画像検索でエラーが起きたときにテキスト検索へフォールバックする設計は可用性を高めるが、フォールバックが見えなければ、画像経路の障害が検索品質の低下として埋もれる。記事は画像検索のエラー時にNoneを返してテキスト検索へ移る方針を記載しているため、実装では経路、失敗理由、フォールバック有無、最終的な出典を記録し、通常成功と縮退動作を区別して評価するのが重要となる。これは監査だけでなく、インデックスや画像入力処理の不具合を切り分ける運用設計にもつながる。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。


