本文にスキップ
AI News HubLIVE
サイト内リライト6 分で読了

CrossnoKayeがAmazon Bedrock AgentCoreで物理AIをどのように根拠づけるか

記事の要約

CrossnoKayeはATLASプラットフォームとAURAエージェントシステムをAWS上に構築し、Amazon Bedrock AgentCoreのコードインタープリタを使用して隔離されたサンドボックスでPythonを実行することで、AI推論をライブのプラントデータに基づかせ、プラントエンジニアに検証可能で数学的に裏付けられた回答を提供します。

ソースAWS Machine Learning Blog著者: Raphael Simon
CrossnoKayeがAmazon Bedrock AgentCoreで物理AIをどのように根拠づけるか
誤りを報告

訂正窓口はまだ利用できません。記事情報をコピーして保存できます。

訂正案内
本文へ

産業運用は、一般的なエンタープライズソフトウェアでは見られないAIの課題を提示します。ほとんどの施設では、プラントデータと制御ロジックが異なるベンダーの別々のシステムに分散しています。プログラマブルロジックコントローラ(PLC)と分散制御システム(DCS)が機器ロジックを実行し、ヒストリアンがサイト固有の命名規則で時系列タグを記録し、SCADAシステムがオペレーター画面を駆動し、スタンドアロンの最適化ツールやアラームロガーが傍らに置かれています。そのスタックに外部AIエージェントをボルトオンで接続することは、実際にはほとんど機能しません。各システムは独自の命名規則を使用しています。機器の動作を実際に支配するロジック(制御シーケンス、ステートマシン、安全インターロック)はプロプライエタリなコントローラコード内に閉じ込められており、外部ツールは検査できません。また、ボルトオンエージェントに複数のOTシステムへのアクセスを許可することは、プラントネットワーク全体に認証情報を分散させることを意味します。

CrossnoKayeは、Amazon Bedrock AgentCoreを使用して物理AIを重工業に導入するために異なるアプローチをとりました。ソフトウェア定義の自動化プラットフォームであるATLASは、ライブのプラントデータとAI推論を、食品飲料工場、工業冷凍施設、骨材採石場、製造現場で稼働する機器の閉ループ制御に接続します。100以上の産業施設と13,000の制御資産にわたり、CrossnoKayeは22兆以上の機械データポイントを保存し、毎日500億以上の新しい測定値を取り込み、1,000以上のライブ高度プロセス制御(APC)アプリケーションを実行しています。CrossnoKayeの報告によると、これらのアプリケーションは生産スループットを11〜17%向上させ、施設の総エネルギーコストを平均21%削減します。ATLASはすでにAWS上の単一プラットフォームで施設モデル、基本制御ソフトウェア、ヒストリアン、最適化アプリケーションを管理しているため、CrossnoKayeのエージェントインテリジェンスシステムであるAURAは、単一のセキュリティ境界内でプラントの完全な運用状態にネイティブにアクセスできます。

しかし、プラントコンテキストを持つことは問題の半分に過ぎません。大規模言語モデル(LLM)はエンジニアリングコンテキストの解釈と調査の計画に優れていますが、プロンプト内で数百万のセンサー読み取り値にわたる統計や物理バランスを確実に計算することはできません。すべての数値回答を実際の数学で裏付けるために、AURAはAmazon Bedrock AgentCoreのコードインタープリタ機能を使用して、隔離されたAWS管理のマイクロVMサンドボックス内で実行時にPythonワークロードを書き込みおよび実行します。これにはAmazon Bedrock Guardrailsとローカルエッジの安全制御が伴います。

ATLASは、窯、破砕機、乾燥室、オーブン、スパイラルフリーザーからチラー、タービン、バルブ、コンプレッサーに至るまで、既存のPLCおよびDCSインフラストラクチャ全体で産業プロセスを制御し、顧客にプラントハードウェアの rip and replace を要求しません。アーキテクチャは3つのコアレイヤーを中心に構築されています。

第一に、プラントはエッジからソフトウェアで定義されます。各施設では、冗長なコンピューター、電源、ネットワークスイッチを備えたオンプレミスのATLAS制御パネル(故障したハードウェアコンポーネントの交換中もローカル制御が中断されないようにするため)が、コントラクトファーストのマイクロサービスを使用するローカルKubernetesクラスターを実行し、AWS上のATLASクラウドプラットフォームを工場現場に拡張します。クラウドでは、ATLASが施設の基本制御ナラティブ(機器のステートマシン、シーケンス、動作範囲、インターロック、アラームルールを定義)を作成、検証、バージョン管理し、これらはエッジアプライアンスにダウンロードされ、既存の機器とコントローラに対してローカルで実行されます。CrossnoKayeは年間9,000以上の制御ソフトウェア展開と100万時間以上の稼働時間を報告しており、安全事故はゼロです。各エッジアプライアンスは、プラント内でインバウンドファイアウォールポートを開かないアウトバウンド専用のIT/OTゲートウェイとしても機能し、Amazon VPC LatticeとAmazon Managed Streaming for Apache Kafka(Amazon MSK)を介して高頻度テレメトリをAWSにストリーミングします。クラウド接続が切断された場合、プラントはローカルエッジクラスター上の基本制御ナラティブで安全に稼働し続けます。

第二に、派生エンジニアリング信号と閉ループ最適化アプリケーションは、同じ共有プラントモデルを使用して基本制御の上で実行されます。クラウドでは、CrossnoKayeのスケジューリングシステムがAmazon S3のバージョン管理されたPythonパッケージから2つの連続パイプラインを実行し、設定可能なインスタンスごとのケイデンスとプラント設定変更時のイベント駆動トリガーで動作します。合成読み取りアルゴリズムは、熱流分布、資産健全性指数、エネルギー強度、物質収支偏差などの派生エンジニアリング指標を計算し、物理I/Oとともにヒストリアンに書き戻します。閉ループ最適化アプリケーションは基本制御層の上で実行され、これらの派生合成読み取り値を物理モデル、モデル予測制御(MPC)、強化学習、ユーティリティ料金、天気予報と組み合わせて最適な設定点スケジュールを計算します。Amazon SQS FIFOキューは、設定点をエッジクラスター上のローカル基本制御ナラティブにディスパッチする前に、施設ごとにすべてのスケジュールと状態更新を順序付けします。CrossnoKayeは毎日650,000の閉ループ制御アクションを実行していると報告しています。

第三に、AURAはAmazon EKS上のプラットフォーム境界内でマイクロサービスおよび耐久性のあるTemporalワークフローとして実行されます。呼び出し元のエンタープライズ権限の下で、AURAエージェントは内部のAtlas Dataゲートウェイにクエリを実行し、施設またはフリートの運用状態を単一の一貫したモデルで読み取ります。上流および下流の機器トポロジ、展開された基本制御ナラティブとインターロック、物理I/Oと合成読み取り値、設定変更とアラーム履歴、アクティブな最適化スケジュール、Amazon Bedrock Knowledge Basesでインデックスされたプラントドキュメントです。

機器レイアウト、基本制御ロジック、センサーデータを同じシステムに持つことは、プラントの問題を診断する際に具体的な違いを生みます。一次、二次、三次の岩石破砕機を稼働する骨材採石場で、プラントの後半部分が1シフトで2回トリップしました。制御室からは、オペレーターは二次破砕機の故障を確認し、アラームをクリアしてラインを再起動しましたが、数時間後に再びトリップしました。ヒストリアンのタイムスタンプだけを見ると、二次破砕機は三次破砕機の数秒後に故障しており、破砕機の問題のように見えました。しかしAURAはコンベヤレイアウトと展開された基本制御インターロックも読み取るため、その調査は実際の制御ロジックに従いました。三次破砕機の下にある循環ベルトが滑っており、三次破砕機の過負荷インターロックをトリップさせました。そのインターロックの上流安全インターロックは、停止した下流破砕機を石で埋めるのを防ぐために二次破砕機を直ちに停止しました。プラントマネージャーは幻の破砕機故障を追う代わりに、オペレーターを循環ベルトの検査に送り、数分で滑りを確認して修正しました。

AURAは、Amazon Bedrock上の基盤モデルと、Amazon Bedrock AgentCore Code Interpreterの隔離されたPythonサンドボックスを組み合わせ、3つの運用モードで動作します。チャット(単一ユニット、プロセスライン、または最大200施設のマルチサイトポートフォリオにわたるインタラクティブなマルチターンエンジニアリング会話)、タスク(不変のバージョンスナップショットにバインドされた再現可能なパラメータ化調査で、引用された証拠表とグラフを含む構造化技術ブリーフを生成)、ルーチン(スケジュール、センサーしきい値、変化率ウィンドウ、アラーム、または機器モード遷移によってトリガーされる自動バックグラウンドウォッチャー)です。

これらのワークフローの背後には4つのアーキテクチャ上の決定があります。第一に、ウォームな会話型サンドボックスとクリーンな単一実行パイプラインの比較です。インタラクティブなチャットでは、エンジニアは仮説を段階的に探索します。94施設の24時間のクリティカルアラームを読み込み、1サイトでのチャタリングするタンクレベルセンサーをフィルタリングし、コンプレッサーのトリップを環境湿球温度と相関させます。毎ターンコールドサンドボックスを起動すると、インメモリテーブルが消去され、レイテンシが増加します。チャットの場合、サンドボックスオーケストレーターはAmazon ElastiCache for Valkeyで会話に1つのウォームなAmazon Bedrock AgentCoreセッションをバインドし、15分のスライディングTTLを設定します。エンジニアがアイドルタイムアウト後に戻った場合、透過的に交換セッションをプロビジョニングします。スケジュールされたタスクや午前2時のルーチンでは、再現性が優先されます。すべての実行は、以前の実行からの残留状態がないクリーンな環境で開始する必要があります。タスクとルーチンの場合、サンドボックスオーケストレーターは実行ごとに新しい単一使用のAgentCoreマイクロVMをプロビジョニングし、計算が完了するとすぐにStopCodeInterpreterSessionでセッションを停止し、実行間の汚染とアイドルサンドボックス料金の両方を防ぎます。

このウォームセッション設計により、フリート全体のトリアージが単一の会話で実用的になります。運用ディレクターがAURAに過去24時間の94施設すべてのクリティカルアラームをレビューし、主要な機械的リスクを特定するよう依頼すると、エージェントはAtlas DataゲートウェイからフリートアラームサマリーをAgentCoreサンドボックスに読み込み、施設、ルール、到着間隔時間でアクティベーションをグループ化します。Python分析は、生のアラーム数でサイトをランク付けするのではなく、103のクリティカルアクティベーションが2つの繰り返しダンプタンクレベルルールから来たプラントと、58のアクティベーションが1秒以内にアンモニア検出、エバポレーター故障、ホットガスバルブにまたがったプラントを区別し、真の機械的リスクを指摘します。

CrossnoKayeがAmazon Bedrock AgentCoreで物理AIを構築した経験は、AI推論をライブのプラントデータに基づかせ、隔離されたサンドボックスで検証可能なPythonを実行することで、モデルの推測ではなく、プラントエンジニアに検査可能で数学的に裏付けられた回答を提供できることを示しています。

要点と分析を開く

記事インテリジェンス

エンジニア中級

要点

  • CrossnoKayeのATLASプラットフォームは100以上の産業施設で13,000以上の制御資産を管理し、毎日500億以上の新しい測定値を取り込んでいます。
  • AURAエージェントはAmazon Bedrock AgentCoreを使用して隔離されたマイクロVMサンドボックスでPythonを実行し、数値回答が実際の計算に基づいていることを保証します。
  • アーキテクチャはエッジ制御、クラウド最適化、エージェント層にわたり、チャット、タスク、ルーチンをサポートします。
  • 骨材採石場の事例では、AURAが制御ロジックとインターロックを読み取ることで、再発するトリップを滑るコンベヤベルトに特定し、誤診を回避しました。

要点と分析は自動生成され、誤りを含む場合があります。原典をご確認ください。