Bayer Crop Science、Amazon Bedrockでエージェント型意思決定エンジンを構築

Bayer Crop Scienceは、機械学習ワークフローの運用管理システム「Connected Decision Engine（CDE）」を補完する「Agentic Decision Engine（ADE）」を構築した。Amazon Bedrock AgentCore上で動作するマルチエージェント型の自然言語インターフェースだ。

ADEは、ユーザーからの質問を「スーパーバイザーエージェント」が分類し、適切な「スペシャリストエージェント」にルーティングする。現在、22のスペシャリストエージェントが稼働しており、導入初期段階でユーザーからの質問の約80%をエンジニアの介入なしで解決している。

トラブルシューティングの効率も大幅に向上した。従来は手動でログを確認し、1時間以上かかっていた診断が10分未満に短縮されている。現在、100名以上のユーザーが利用中だ。

CDEは、ゲノミクスやフィールド試験などのデータを扱うMLモデルのデプロイや監視を行う。ADE導入前は、ワークフローの失敗理由や結果の由来を特定するために、APIやログを個別に確認する必要があった。

システム構成にはLangGraphを採用した。データストアにはAmazon DynamoDBでチェックポイントを管理し、Amazon Aurora PostgreSQLでセッションを記録、Amazon OpenSearch ServerlessでRAGを実現している。

開発にあたってはAWS Unified Operationsの支援を受け、設計から本番稼働までTAMやDSEが関与した。設計上の主な判断は以下の5点だ。

1. オーケストレーション状態の外部化：DynamoDBへの書き出しにより、実行環境の再起動後も状態を保持する。

2. ID管理と認可の分離：Microsoft Entra IDとIAMを使い分け、各境界で適切な認証を行う。

3. モデル選択の制約：ツール呼び出しや構造化出力の互換性を重視してモデルを選定した。

4. ツールカタログのスコープ管理：エージェントごとに必要なツールのみを割り当て、トークン消費を抑制する。

5. 複雑な機能のAgent化：可視化機能などを独立したエージェントとして実装した。

運用面では、タスクの成功・失敗を測定する監視体制を構築している。コスト管理にはAmazon Bedrockの推論プロファイルやリクエストメタデータを用い、エージェントごとのトークン消費量を可視化。プロンプトキャッシュの活用により、入力トークンコストを20〜30%削減した。

開発者にとっての意味

この発表で手元の実装は変えない。記事にある「80%の解決率」や「1時間から10分への短縮」は、比較対象や測定条件が不明であり、性能の向上とは断定できないからだ。

実装者にとって重要なのは、エージェントの設計思想だ。状態をDynamoDBへ外部化し、ツールをエージェントごとに限定する手法は、LangGraphを用いた既存の運用でも再現可能である。

経営者にとって、この事例は「既存のML基盤をAIで補完する」という構成の有効性を示す。ただし、コスト削減の根拠であるプロンプトキャッシュの活用や、エージェントごとのトークン消費可視化が、自社のワークフローでも同様に機能するかは未確定だ。まずは自社の推論コストと、エージェントの失敗率を正確に計測し直す必要がある。