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

NateraがAmazon Bedrock AgentCoreでラボ運用向けエージェントAIシステムを設計した方法

記事の要約

NateraはAmazon Bedrock AgentCore上にSWARMを構築し、ラボ運用に関する組織知を大規模に展開しました。初回応答時間を約130倍高速化し、サポートチケットの96.2%を自動カバーしています。

ソースAWS Machine Learning Blog著者: Ariel Jirau
NateraがAmazon Bedrock AgentCoreでラボ運用向けエージェントAIシステムを設計した方法
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

Nateraは細胞フリーDNA(cfDNA)検査のリーディングカンパニーであり、ラボ機器の稼働維持が極めて重要です。装置のダウンタイムはサンプル処理を中断させるためです。NateraのラボエンジニアリングチームはAriel Jirauのリードの下、AWSと協力してSWARM(Systematic Workflow Analytics and Resolutions Manager)を構築しました。これはラボ運用向けのエージェントAIシステムで、Amazon Bedrock AgentCore上で動作し、組織知を捕捉して大規模に展開します。チケットが届いた瞬間にエンジニアが完全な診断情報にアクセスできる仕組みです。

SWARMの成果は顕著です。初回応答時間は約130倍高速化され、サポートチケットの自動カバー率は96.2%に達しました。この成果は、ラボ運用の根本的な課題への深い理解に基づいています。Nateraのラボは多様な精密機器に依存しており、各装置には固有の故障モード、ベンダー文書、解決パターンがあります。サービスエンジニアリングチームは標準化されたプレイブックではなく、個人の深い専門知識に依存してきました。特定の装置ファミリーの診断に長年従事したシニア技術者が退職すると、その組織知は事実上失われ、これを捕捉・整理・大規模展開するシステムは存在しませんでした。

当時、Nateraは3つのJiraキューで1日65件以上のチケットを処理し、平均初回応答時間は17.4時間でした。装置のダウンタイムはラボサンプルと患者レポートの遅延を引き起こしていました。エンジニアを増やすだけでは需要の増加に追いつけません。そのためSWARMには、数分以内の応答、幅広い機器タイプにわたる正確な診断、構造化された評価ループによる継続的改善が求められました。

技術選定において、NateraチームはAmazon Bedrock AgentCoreを基盤に選びました。AgentCoreはAIエージェントを大規模に構築、展開、接続、保護、運用するために設計された、フルマネージドで拡張可能なAWSサービスです。チームの核心的要件は、人手を介さずに大量のサポートチケットを自律処理すること、JiraやConfluenceなどの既存運用ツールと深く統合すること、そしてカスタムインフラを構築・維持せずに暗号化、AWS Identity and Access Management統合、分散トレーシングなどのセキュリティと可観測性を組み込むことでした。Jirau氏は次のように述べています。「私たちには、インフラの配管ではなく診断精度にエンジニアリングの労力を集中できるマネージドランタイムが必要でした。AgentCoreはそれを提供し、組み込みのID管理と、エージェントロジックを書き換えずにモデルを交換できる柔軟性も備えていました。」

SWARMのアーキテクチャは、単一のスキルライブラリを共有する2つの補完的なランタイムを中心に構成されています。swarm-agentはエンジニアがチケットを開く前に構造化された診断レポートを自律生成し、swarm-hiveはエンジニアがリアルタイムで対話し、画像をアップロードし、代替のトラブルシューティングパスを探索するために使用します。Jirau氏は「このシステムはエンジニアを置き換えるのではなく、チケットが届いた瞬間に組織知の深さ全体へのアクセスを提供します」と強調します。アーキテクチャは4つの層で接続されています。イベント層はAmazon EventBridgeとAmazon SQSを介してJiraチケットをルーティングします。エージェント層はswarm-agent、swarm-hive、スキルライブラリをホストし、診断レポートをエンジニアに返します。コンテキスト層はベンダーマニュアル、履歴チケット、運用データを統合します。可観測性とデリバリの層はトレース、ログ、メトリクスを捕捉します。

セキュリティアーキテクチャはNateraチームの最初の設計上の決定でした。SWARMは臨床環境で動作するため、認証情報の露出は許容できません。チームはキーレスデプロイモデルを選択しました。OpenID Connect(OIDC)とAWS Security Token Service(AWS STS)がデプロイごとにスコープされた一時的な認証情報を生成し、パイプラインに長期的なキーは保存されません。AWS IAMはコンポーネントレベルで最小権限を適用します。Amazon VPCとプライベートサブネット、VPCエンドポイントにより、トラフィックはパブリックインターネットを経由しません。AWS Secrets Managerは少数の必要な認証情報を30日周期で自動ローテーションします。GitLab CIランナーはIAM IDプロバイダーにOIDCトークンを提示して認証し、STSがトークンをデプロイロールにスコープされた短期認証情報と交換します。これらのインフラレベルのセキュリティ制御はSWARMのデータガバナンスポリシーと連携し、規制された臨床環境でAIシステムを運用するために必要な完全なコンプライアンス体制を形成します。

コンプライアンス面では、SWARMはHIPAA適格のAWSサービス上で業務提携契約(BAA)の下に動作しており、これは臨床検査機関運営者としてのNateraの義務を反映しています。すべてのエージェント呼び出しは監査ログに記録され、データアクセスの追跡可能性要件を満たします。ベクトルインデックスや言語モデルには患者識別情報は一切含まれず、チケットには機器とワークフローのメタデータのみが含まれます。HIPAAまたは類似の規制枠組みの下で構築するチームは、ナレッジベースパイプラインを設計する前にBAAの適用範囲とデータ分離要件を確認すべきです。

ナレッジベースと文書パイプラインの構築はSWARMの精度の基盤です。機器固有のメタデータなしで汎用検索を使用した初期のプロトタイプは一貫性のない結果を生んだため、Nateraチームは技術機器文書に特化したカスタム文書処理パイプラインを構築しました。Amazon Titan Text Embeddingsがセマンティック検索用のベクトル表現を生成し、Amazon Bedrock Knowledge Basesがフルマネージドの検索拡張生成(RAG)を提供します。文書はエンベディングに変換され、インデックススループットとAPIレート制限のバランスを取るため100件ずつのバッチで保存されます。表や図を含む高度に構造化されたソース文書では、デフォルトのチャンキングに頼るのではなくカスタム解析パイプラインに投資することが、各診断で精度の向上を積み重ねます。チームはtiktokenトークナイザーとcl100k_baseエンコーディングを使用してチャンク境界を測定し、チャンクサイズを1000トークン、オーバーラップを150トークンに設定しています。

Jirau氏は「診断精度はまずデータ品質の問題です。最もスコアの低い機器ファミリーの不足していたベンダーマニュアルを追加すると、モデルを変更せずに精度が71%から75%に向上しました」と指摘します。この発見がチームの改善アプローチを形作りました。精度が停滞した場合、モデル調整の前にデータカバレッジを確認するのです。ベンダー文書のギャップが診断漏れの最も一般的な原因だからです。パイプラインは新規または更新された文書を再処理し、運用を中断せずにベクトルインデックスを更新します。

スキルライブラリアーキテクチャはもう一つの重要な決定です。チームはロジックをエージェントのプロンプトに直接埋め込むか、独立したバージョン管理されたスキルライブラリを構築するかの選択に直面しました。Nateraは後者を選びました。これによりSWARMが監査可能で改善可能になるからです。Jirau氏は「診断が間違っている場合、システム全体をデバッグするのではなく特定のスキルを指し示す必要があります。だからこそ最初からバージョン管理されたスキルライブラリを構築したのです」と説明します。ライブラリには33のスキルが含まれます。Nateraがサポートする全機器ファミリーをカバーする24の機器固有スキルと、多様なチケットタイプに広く適用される9の横断的ワークフロースキルです。各スキルは定義されたインターフェースを持ち、独立してテスト可能で、システム全体と同じ基準で評価され、埋め込みプロンプトロジックではなく本番ソフトウェアとして扱われます。スキルアーキテクチャは明確な分業に従います。PythonはJiraフィールドの解析やHTMLレポートのフォーマットなどの決定論的タスクを処理し、大規模言語モデル(LLM)スキルは症状の解釈、ベンダー文書の照合、診断ナラティブの生成などの言語推論を処理します。マルチスキルエージェントを構築するチームにとって、決定論的PythonスキルとLLM推論スキルのこの分離は最も影響の大きい決定の一つです。

ランタイムデプロイにおいて、Nateraは診断作業を2つの異なるランタイムに分割しました。自律的なバックグラウンド分析とインタラクティブなエンジニアリング協働では、レイテンシとコンテキストの要件が根本的に異なるからです。swarm-agentはスループット向けに設計されています。機器タイプと症状に基づいてスキルを選択し、ナレッジベースを照会し、主要原因仮説、優先順位付けされたトラブルシューティング手順、信頼度ラベルを含む構造化HTMLレポートを生成します。レポートはAmazon S3に配信され、数分以内にJiraチケットにリンクされます。swarm-hiveは深さのために設計されています。エンジニアはインタラクティブなフォローアップを行い、画像をアップロードし、代替パスを探索できます。AgentCore memory機能がセッションを超えてエンジニアごとの会話コンテキストを保持します。swarm-hiveはエンジニアの自由入力を接受するため、プロンプトはAmazon Bedrock Guardrailsを通じてコンテンツフィルタリングされます。

SWARMはAmazon EventBridge SchedulerとポーリングAWS Lambda関数を介してJiraと統合され、webhook設定を回避します。検証済みのチケットはAmazon SQSキューに入り、信頼性の高い配信を実現します。DynamoDBはチケットIDをパーティションキーとし、TTLベースの有効期限で重複排除を処理し、ステータス、コスト、トークン使用量などの実行ごとのメタデータを保存して評価ループに供給します。このEventBridgeからSQSへのパターンは、エージェントランタイムをチケットシステムの可用性から分離します。全体としてSWARMは、マネージドエージェントランタイム、カスタマイズされたRAGパイプライン、バージョン管理されたスキルライブラリ、厳格なセキュリティとコンプライアンス制御を組み合わせることで、規制されたラボ運用環境において測定可能な効率改善と知識の継続性を実現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

投資家上級

要点

  • SWARMは2つのランタイムと単一のスキルライブラリで構成され、自律診断とエンジニアとの対話を両立。
  • 33のバージョン管理されたスキルにより、監査可能で独立してテスト可能な診断を実現。
  • キーレスOIDCデプロイ、HIPAA準拠サービス、データ分離により臨床環境のセキュリティとコンプライアンスを確保。
  • カスタム文書パイプラインとRAGナレッジベースが精度を向上させ、モデル調整よりデータカバレッジを優先。

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。