本文にスキップ
AI News HubLIVE
サイト内リライト7 分で読了

DucoがAmazon Bedrock AgentCoreで金融データ自動化を変革する方法

記事の要約

DucoはAmazon BedrockとAgentCore上でエージェントAIスタックを再構築し、厳格なテナント分離、マルチモデル戦略、コンテキストオーバーヘッドを90%削減するMCPスキルアーキテクチャを実現。照合デプロイ時間を10倍短縮し、オンボーディングコストを70%削減しました。

ソースAWS Machine Learning Blog著者: Rob Gates
DucoがAmazon Bedrock AgentCoreで金融データ自動化を変革する方法
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

金融機関は、世界で最も厳しい規制の枠組みの下で、速度、正確性、コンプライアンスを維持しながら大量のデータを処理するという重大な課題に直面しています。Ducoは金融サービス向けのエージェント型オペレーションプラットフォームであり、一流銀行やその他の金融機関にサービスを提供しています。同社は200以上の顧客のために毎月200億件のトランザクションを処理しており、顧客にはトップ20銀行のうち7行、トップ20資産運用会社のうち10社が含まれます。データ処理需要の増大に合わせて、Ducoは従来の機械学習モデルからAmazon BedrockとAmazon Bedrock AgentCoreのエージェントAI機能へと進化しました。この記事では、Ducoがこれらのサービス上でエージェントAIスタックを再構築し、各銀行のデータを分離しながらデプロイ時間とオンボーディングコストを削減した方法を紹介します。

Ducoのプラットフォームは、AIとノーコードモデルを使用してミッションクリティカルなデータプロセスを自動化するチームを支援し、データ抽出から下流の公開まですべてを処理します。すでに従来の機械学習モデルを予測ラベリングとパターン認識に使用しており、銀行が2万以上のプロセスを統合および自動化するのを支援してきました。しかし、これらの古典的な機械学習アプローチには固有の限界がありました。トレーニングに大量の履歴データが必要で、新しいシナリオに苦戦し、新しいユースケースごとに大幅なカスタマイズが必要でした。最も重要なことは、現代の金融業務を特徴付ける多様で絶えず進化するデータ形式とビジネスルールに迅速に適応できなかったことです。Ducoのチーフアーキテクト兼イノベーションオフィサーであるRob Gates氏は次のように述べています。「古典的な予測モデルはある程度機能しましたが、十分に敏捷でも柔軟でもありませんでした。従来の機械学習モデルはすでに学習したことを増幅することしかできず、次のステップや新しい問題の発見には役立ちません。」

Ducoは、マネージドな基盤モデルへのアクセスのためにAmazon Bedrockを採用し、大規模にエージェントを実行するためにAmazon Bedrock AgentCoreを使用するという戦略的決定を下しました。これは単なる技術アップグレードではなく、システムが金融データを理解し、推論し、操作する方法の根本的な転換でした。Amazon Bedrockは、単一のAPIを通じて主要なAI企業の高性能基盤モデルを選択できる完全マネージドサービスであり、セキュリティ、プライバシー、責任あるAIを含む生成AIアプリケーションを構築するための幅広い機能を提供します。Amazon Bedrock AgentCoreは、大規模にAIエージェントを構築、接続、最適化するためのプラットフォームであり、任意のオープンソースフレームワークと任意のモデルで構築でき、認証とアクセス制御を組み込んでエージェントをツールやデータに接続し、トレースと評価で本番環境のエージェントを監視および改善します。AgentCoreはインフラストラクチャを処理するため、チームはバックエンドの配管ではなくエージェントロジックに集中でき、オープンソースの柔軟性を犠牲にすることなくエンタープライズグレードのセキュリティと信頼性を得ることができます。

Amazon Bedrockが規制された金融サービス業界(FSI)環境におけるDucoの理想的な選択となった理由はいくつかあります。第一に、セキュリティとコンプライアンスが最優先です。Amazon Bedrockでは、顧客データはAWS環境内に留まり、モデルのトレーニングには使用されません。仮想プライベートクラウド(VPC)内のプライベートエンドポイントにより、Ducoは内部システムを完全に分離したまま接続でき、機密性の高い金融データ処理にとって重要です。第二に、モデルの柔軟性です。Amazon Nova 2ファミリー、Anthropic、OpenAI、Cohere、Meta、Mistral AIの主要な基盤モデルに単一のAPIを通じてアクセスできるため、Ducoはタスクごとに適切なモデルを選択でき、設定パラメータを変更するだけでモデルを切り替えることができます。第三に、金融サービス向けに構築されていることです。Amazon Bedrockは金融サービスに必要な堅牢なガバナンス制御とコンプライアンスフレームワークを提供し、インフラストラクチャの複雑さを回避しながら、一流銀行が要求するセキュリティ基準を維持します。

Ducoの既存のエージェントインフラストラクチャはLangChainとLangGraphに基づいて構築され、両方ともすでに本番環境で稼働していました。エージェントワークロードのランタイムオプションを評価する際、AgentCoreが3つの主要な理由で明確な選択肢となりました。既存のプリミティブとの完全な互換性により、既存のコードのほとんどが変更なしで動作し続けました。マネージドランタイムを提供し、エンジニアリングチームの運用オーバーヘッドを削減しました。規制された金融サービス環境でのデプロイに関する厳しい要件を満たし、セキュリティとコンプライアンスの制御が組み込まれていました。

Ducoのプラットフォームは、厳格なテナント分離を備えたマルチテナントSaaS offeringとして運用されています。これは規制対象機関にとって交渉の余地のない要件です。アーキテクチャは、基盤となるクラウドインフラストラクチャからAIエージェントランタイムに至るまで、すべての層でこれを反映しています。インフラストラクチャ層では、Amazon Elastic Kubernetes Service(Amazon EKS)クラスタがテナントごとの名前空間分離とネットワーク分離により、Kubernetes層でのワークロード分離を維持します。各テナントには専用のAmazon Aurora MySQLデータベース、Amazon Simple Storage Service(Amazon S3)ストレージバケット、AWS Key Management Service(AWS KMS)暗号化キー、Amazon Simple Email Service(Amazon SES)とAmazon Simple Queue Service(Amazon SQS)のメッセージングスタック、Amazon ElastiCache層、Amazon Cognitoユーザープールが提供され、クライアント間で共有されるデータインフラストラクチャはゼロです。テナントごとの自動スケーリングにより、あるクライアントの計算集約的なワークロードが別のテナントのパフォーマンスに与える影響を最小限に抑えます。

分離はアイデンティティとインフラストラクチャの両方を通じて実施され、ユーザーとそのデータの間のすべてのホップが認証されます。すべてのリクエストは、テナント専用のCognitoユーザープールによって発行されたJSON Web Token(JWT)を運び、エージェントロジックが実行される前にAgentCoreランタイムのインバウンドオーソライザーによって検証されます。エージェントはテナント専用のAgentCore Gatewayを介してのみツールにアクセスし、ゲートウェイは呼び出しをAmazon EKSで実行されているコンテナベースのModel Context Protocol(MCP)サービスに渡します。ユーザーのアイデンティティはダウンストリームサービスに渡され、各MCPサーバーはエージェントとユーザーの両方のアイデンティティをテナントのCognitoユーザープールに対して検証するため、すべてのツール呼び出しは呼び出し元ユーザーとして認可され、信頼されたエージェントによって実行されます。テナントはVPCとAmazon EKSクラスタを共有しますが、名前空間とネットワークポリシーによって分離され、プライベートエンドポイントによりAmazon BedrockとAgentCoreへのトラフィックがAWSネットワーク上に維持されます。各テナントのAgentCoreランタイムはVPCネットワークモードで実行され、ネットワークインターフェースはプライベートサブネット内にあるため、そのアウトバウンドトラフィックはVPCに入り、セキュリティグループによって管理されます。

分離の原則はエージェントアーキテクチャに完全に拡張されます。各テナントは専用のAgentCoreランタイムとGatewayによってサービスされ、そのテナント自身のCognitoユーザープールとAmazon EKS名前空間に対して構成されます。AgentCoreの組み込みセッション分離と組み合わせることで、クライアント間で共有されるメモリ、コンテキスト、ツールはありません。各銀行固有のスキーマ、命名規則、機関知識は他のテナントから完全に分離されたままです。各テナントは、サービス固有の機能を提供する独自のMCPサーバーセットを持ち、起動時に動的に検出されます。このアーキテクチャは、各エージェントが1つの銀行のデータ、コンテキスト、推論にのみアクセスできるモデルを維持するのに役立ち、銀行間のコンテキストの真の分離を促進します。

Ducoは単一の基盤モデルにコミットするのではなく、各ジョブに適したモデルを使用し、エージェント設計の各役割を最も適したモデルに割り当てています。このアプローチは、適切なモデル機能を特定のワークロードに一致させることで、品質とコスト効率の両方を実現します。Anthropic Claude Opusは計画エージェントに使用され、複雑な推論と理解を担当し、他のエージェントが実行するための事前計画を策定します。Anthropic Claude Sonnetは主要な推論と複雑な意思決定に使用され、例外調査、照合ロジック、ルール解釈を含みます。Anthropic Claude Haikuは軽量なツールルーティング決定に使用され、迅速なルーティング選択、低遅延分類、コスト効率の高い第一パストリアージを含みます。Amazon Nova 2 Proはツール出力の要約に使用され、MCPツールの応答を圧縮し、アナリスト向けの読みやすい要約を生成します。このマルチモデルアプローチは、モデル機能が急速に進化する状況で重要な、スタックを中断することなくモデルを交換できるようにアーキテクチャ上設計されています。

Ducoの最も重要な技術革新の1つは、本番エージェントシステムを構築する誰もが知っている課題に対処しています。それはコンテキストウィンドウの管理です。問題は、各テナントがAgentCore Gatewayを通じて300〜400のツールを公開し(ゲートウェイは各基盤となるDucoサービスのために別々のMCPサーバーを前面に配置)、作業を開始する前に約20万トークンのツール記述がコンテキストにロードされることでした。これはコンテキストの過負荷を引き起こし、会話が長くなるにつれて応答品質が低下し、モデルは以前の推論の糸を見失いました。チームは、エージェントの能力が低下していると感じるだけでは証拠として不十分であり、エンジニアリングの決定を行う前に評価を実行する必要があると強調しました。

DucoはMCPリソースタイプを使用してスキルアーキテクチャを作成し、ツール記述を静的コンテキストから移動し、必要な場合にのみロードするようにしました。skill://リソースはオンデマンドのツール記述で、スキルが必要な場合にのみロードされます。system://リソースは実行時に構成される動的なシステムプロンプトセクションで、基本システムプロンプトを簡潔に保ちます。ui://リソースはUI固有のリソースで、運用ツールから分離されています。Ducoのエージェントハーネスに実装された3つの新しいメタツールが、肥大化したツール記述ペイロードを置き換えました。load_skillはエージェントがスキルが必要と判断した場合にのみオンデマンドでスキル記述を取得します。find_toolはすべてのスキーマをコンテキストにロードせずに関連ツールを特定します。invoke_toolは特定された後に選択されたツールを実行します。

結果は顕著でした。メインコンテキストは20万トークンから約2万トークンに減少し、90%の削減となりました。これはツール記述を静的コンテキストから移動し、ツール応答のサイズを制限することで実現しました。プロンプトキャッシュは保持されます。静的プロンプトプレフィックス(システムプロンプトと3つのメタツール)は小さく安定しており、スキルはツールリストではなく会話にロードされるため、スキルのロードがキャッシュを無効にすることはありません。厳格な評価フレームワークを通じて検証され、エージェントの応答品質が測定可能なほど向上しました。インフラストラクチャの変更は不要です。同じ基盤モデル、同じツール、同じタスクで、測定可能なほど優れた結果が得られました。

もう1つの重要なアーキテクチャ上の決定は、起動時のMCPツール検出の実装でした。新しいサービスがデプロイされると、そのMCPサーバーはデプロイの一部としてテナントのAgentCore Gateway上のターゲットとして登録されます。エージェントが起動すると、ハーネスはゲートウェイが公開するすべてのツールのレジストリを構築し、新しくデプロイされたサービスを手動構成なしで即座にエージェントが利用できるようにします。これにより「サービスをデプロイすれば機能が得られる」というパターンが実現し、拡張と保守が簡素化されます。

全体として、DucoはAmazon BedrockとAgentCoreを採用することで、AI機能を向上させるだけでなく、デプロイ時間を10倍短縮し、オンボーディングコストを70%削減するという大幅な運用改善を達成し、金融サービスの厳格なコンプライアンスと分離要件を満たしています。この事例は、マネージドAIサービスと慎重に設計されたアーキテクチャを活用して、規制された業界でエージェントAIを正常に展開する方法を示しています。

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

  • マルチテナントアーキテクチャにより、テナントごとに専用のAWSリソース(Aurora、S3、KMS、Cognitoなど)を提供し、データインフラの共有をゼロに。
  • MCPスキルアーキテクチャはツール記述を静的コンテキストからオンデマンドロードに移行し、コンテキストを20万トークンから約2万トークンに削減(90%減)。
  • マルチモデル戦略はタスクに最適なモデルを割り当て(計画にClaude Opus、推論にSonnet、ルーティングにHaiku、要約にNova 2 Pro)、品質とコスト効率を向上。
  • デプロイ時間を10倍短縮し、オンボーディングコストを70%削減しながら、銀行データの厳格な分離を維持。

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。