Atos が400人のエンジニアをエージェントAIの理論から実践へと育成しようとした際、チームは馴染みのある課題に直面しました。それは、理論的な知識だけでなく、実際の現場で通用する能力をどう構築するかというものです。オンラインコースや教室での指導は基礎を築きますが、AI をビジネス課題に効果的に適用するために必要な自信や実践経験を常に与えるとは限りません。
Atos と AWS のパートナーシップを通じて、私たちは実践的な学習が効果的な AI 導入に欠けている要素であることを既に認識していました。以前、AWS DeepRacer を通じて強化学習、2025年には AI League を通じてモデル微調整の実践的なスキル向上を提供しました。
2026年、Atos は AWS と提携し、400人のエンジニアを対象としたエージェント AI League イベントを開催しました。3日間で、エンジニアは限られた実務経験から、経路探索、ガードレール、メモリ、微調整モデルを備えたマルチエージェントシステムの構築へと進みました。パフォーマンスと効率の両方をスコアリングするライブリーダーボードで競い合いました。
参加者のスキルレベルは大きく異なりました。既に AWS 経験のある開発者もいれば、初めて AWS を使用する人や、プロダクトオーナーやプロジェクトマネージャーなど技術的な役割が薄い人もいました。
5% はエージェントAIに関する予備知識がありませんでした。25% はトピックについて基本的な認識がありました。50% はトピックを理解しているものの、実践経験はありませんでした。20% はエージェントAIサービスに関する実践経験がありました。
この記事では、AI League 形式を選択した理由、エンジニアが構築した内容と学んだこと、使用した AWS サービス、および同様のイベントを開催する際に他の企業が考慮すべきことを説明します。
AWS AI League を選んだ理由
Atos はエージェントAIへの戦略的コミットメントを持っており、世界中の複数の拠点で主権型エージェントAIスタジオを開発しています。当社は、エンジニアリングチームをエージェントAIのパターンで急速にスキルアップさせる方法を必要としていました。受動的なトレーニングではなく、実践的な提供を通じてです。従来のワークショップはコンセプトを教えます。AI League は、実際の提供条件をより反映した状況下での実践的な作業を通じて能力を構築しました。
AI League 形式には、従来のトレーニングに比べていくつかの利点がありました：
- 即時の実践応用 – エンジニアは単に読むのではなく、動作するエージェントシステムを構築しました。
- 競争意欲 – リーダーボードは、受動的な学習ではほとんど達成されない緊迫感と関与を生み出しました。
- 実際の AWS サービス – イベント中に構築されたすべてのものは、エンジニアがクライアント提供に適用できるネイティブ AWS サービスを使用しました。これには Amazon Bedrock、Amazon Bedrock AgentCore、AWS Lambda、Kiro、Amazon SageMaker が含まれます。
- 測定可能な成果 – AI League リーダーボードスコアは、機能的な完全性とソリューションの効率を反映しました。
時間コミットメントと形式
AWS AI League はターンキーソリューションであるため、セットアップは簡単でした。セットアップには、ロジスティクスとイベント詳細を合意するための AWS との数回の電話と、イベントを宣伝し参加者情報を収集するためのメカニズムだけが必要でした。
AWS AI League は AWS Workshop Studio を通じて提供されるため、イベントは1日から3日で実施可能でした。エンジニアに最大限の柔軟性を与えるため、当社は3日間の形式を選択しました。参加者の時間コミットメントは以下の通りです：
- 開始キックオフワークショップ（2時間）– AI League、使用される AWS サービス、チャレンジの形式を紹介。
- 毎日のオフィスアワー電話会議（1時間）– 支援が必要なエンジニアやアイデアを共有したい人のためのサポートを提供。
- 上位3名の決勝（1時間）– 2026年のチャンピオンを祝いました。
これらの定例セッション以外では、エンジニアは既存の業務に応じてエージェントAIソリューションを自由に反復開発できました。
AI League チャレンジ
エンジニアはダンジョン迷路をナビゲートする自律AIエージェントを構築しました。エージェントはマップ内の経路を見つけ、さまざまなタイルのチャレンジを解決し、罠を回避し、宝物に到達する必要がありました。これらすべてを時間制限と限られたライフ数以内に完了する必要がありました。
スコアリングモデルは以下を評価しました：
- チャレンジの成功完了 – 正解でポイント獲得、誤答でライフを失う。
- コイン収集 – チャレンジとは異なり、コインはリスクがなく、収集に追加時間を要しません。
- マップ完了 – 時間内に宝物に到達すると宝物ボーナスを獲得。
- ライフ維持 – チャレンジ終了時に残っているライフごとに追加ポイント。
- 効率 – 簡潔なエージェント応答が冗長なものより高得点。
- 微調整 – 専門的な小規模言語モデルの開発でボーナスポイント。
チャレンジタイプは異なる AI エンジニアリングスキルをテストしました：
- バイオレットバイオレット：AI 安全性とコンテンツフィルタリング、Amazon Bedrock Guardrails を使用。
- ブルーブレイン：コード生成と実行、AWS Lambda と AgentCore Code Interpreter（Amazon Bedrock AgentCore の機能）を使用。
- メメント：インタラクション間のコンテキスト保持、AgentCore メモリ（Amazon Bedrock AgentCore の機能）を使用。
- ダークプロフェット：ウェブソースからの情報検索、AWS Lambda と AgentCore Code Interpreter を使用。
- ボーンヘッド：トークン効率を伴う一般的な知識、Amazon Bedrock（プロンプトエンジニアリング）を使用。
- ヘルスケア API：構造化データ抽出、Amazon Bedrock（プロンプトエンジニアリング）を使用。
- キーズ＆ドア：インタラクション間のコンテキスト保持、AgentCore メモリを使用。
- スパイクス＆コインズ：経路探索とリスク評価、AWS Lambda を使用。
ソリューションアーキテクチャ
以下の図は、ソリューションアーキテクチャの概要を示しています。
Amazon Bedrock
Amazon Bedrock を使用することで、エンジニアはエージェントの推論を支えるモデルにアクセスできました。リージョンごとのモデル可用性については、Amazon Bedrock の「リージョンでサポートされるモデル」を参照してください：
- 異なるタスクに適したモデルを選択し、よく知られたモデルから始め、自分たちで微調整したモデルに対して推論を行います。
- 効果的なシステムプロンプトを設計して、質問に効率的に答えたり、サブエージェントやツールに委任したりします。
- トークン使用量とコストを管理します。
（本文は文字数制限で省略されましたが、主要な内容をカバーしています）