Okta Cross App Access と Amazon Bedrock AgentCore で AI エージェントのアクセスを統制(前編)
Okta Cross App Access(XAA)と Amazon Bedrock AgentCore を組み合わせ、どのエージェントがどのユーザーに代わってどのアプリにアクセスできるかを IdP 側で決める。
Okta Cross App Access(XAA)と Amazon Bedrock AgentCore を組み合わせ、どのエージェントがどのユーザーに代わってどのアプリにアクセスできるかを IdP 側で決める。
AWSはチュートリアル第2部を公開し、Amazon Bedrock AgentCore上でGatewayを統一エントリポイントとして導入し、Oktaの認可をGatewayが一括で交換する仕組みを示した。第1部で各MCPサーバーが個別に検証していた方式を置き換える。
AmazonのNASCチームは、AIエージェントが企業データレイクにアクセスするための集中ゲートウェイとして、Amazon ECS Fargate上にサーバーレスMCPサーバーを構築した。新しいデータセットの追加にはJSONメタデータファイルが1つあればよく、次回のパイプライン同期時にサービスが自動的に検出するため、データセットごとの統合コードを書く必要はない。このアーキテクチャでは、任意のMCP互換クライアントが同じツール群を呼び出せ、権限管理はMCPサーバー層で集中的に実施される。テストではエンドツーエンドの対話レイテンシーは15〜20秒に保たれた。
AWS Quickチームは、エージェントの作業をWhen、What、Who、Howの4つの問いで分解し、トリガー、エージェント、ケイパビリティの3層構造に対応させるエージェントプリミティブの分類体系を提案した。トリガーは人間による起動、エージェントによる委任、定時、イベント駆動の4種類に分かれる。エージェントは持続的に学習する実行者と定義され、指示、ケイパビリティ、学習コンテキストで構成される。ケイパビリティはツール、スキル、ワークフローを含み、エージェントの自律度と決定性の度合いに応じて並べられる。
Amazon Marketplaceは視覚言語モデル(VLM)を使い、商品詳細ページ全体を1枚のスナップショットとしてレンダリングして総合的な品質評価を行う。さらにVLMの意味的スコアとOCRの可読性シグナルを、専門家の注釈で学習したCatBoost分類器に入力し、SHAPでスコアを説明して改善提案を生成する。このマルチモデル融合の仕組みは、データ取り込みから注釈付け、モデルのホスティング、本番監視までをAmazon SageMaker AI上でエンドツーエンドに実現する。
AWSチームは、オープンソースのマルチエージェントデータ分析ソリューションDeep Insightを参照実装として、本番環境AIエージェントのコンテキストエンジニアリングを4層に分解した。マルチエージェント構成でコンテキストを分離し、プロンプトで出力を制限し、重い内容をファイルシステムに外部化し、独立したエージェントとフォールバック機構で検証する。
Amazon Bedrock AgentCore Evaluationsは、コードベースの評価器を通じて決定モデルを組み込める。評価入力を決定モデルへのリクエストに変換し、確率を評価結果に戻す仕組みだ。例としてTypeSafeのマネージド決定モデルJevと、Strands Agentsチームがオープンソース化した2BパラメータモデルStrands Decider 2Bを接続しており、両モデルはnoul、choice、scoreの3種類の質問に対応する。
EDB Postgres AI で AIDB 拡張機能を使ってセマンティックレイヤーを構築し、Amazon Bedrock AgentCore 上で動作する Strands Agents のエージェントが MCP エンドポイント経由でこのレイヤーに問い合わせ、顧客 360 の質問に答える方法を解説する。
Amazon Bedrock AgentCore Gateway に on-behalf-of(OBO)トークン交換を設定すると、AI エージェントが ServiceNow REST API を呼び出す際に、リクエストを開始したユーザーの ID を保持できる。
Simon Willison氏の実測によると、ローカルで動かすQwen 3.8 27Bは生の重みの数値だけでニューラルネットワークがどのゲームを学習したものか判別でき、論文でGPT-6 Astraが示したWeight-Space Programmingの能力と一致するという。
Hugging FaceはModel Integration Contracts(MIC)標準を提案した。実際のcheckpointを縮小したfixtureを安価なCPU上で実行して統合テストを行い、PR段階で回帰を検出する。
OpenAIは、Codexがもたらす開発規模を支えるため、Git互換バックエンドPandoを構築した。このバックエンドは大規模な開発シナリオ向けに設計されており、具体的な性能指標や公開状況は原文では明らかにされていない。
Circle KはAmazon Bedrockを基盤にエージェント型の自動トリアージシステムを構築し、DevOpsインシデントの平均トリアージ時間を45〜60分から15分以内に短縮した。社内指標での削減幅は67〜75%に達する。
Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings、オープンソースのStrands Agents SDKを基に、部品代替評価における文書横断検索と根拠の集約を自動で行うマルチエージェント型エンジニアリングアシスタントを構築できる。
AWS は、系列レベルの知識蒸留(SeqKD)を用いて Amazon SageMaker AI 上でショッピングエージェントをファインチューニングする方法を紹介した。フロンティアの教師モデルが多段階のツール呼び出し軌跡を生成し、タスクを解けるサンプルのみを残して、教師ありファインチューニングで小規模モデルを訓練する。SeqKD は教師モデルのテキスト出力のみを必要とし、logits や強化学習の基盤を要しないため、API のみを提供するクローズドソースの教師モデルにも適用でき、軌跡データを異なる生徒モデルの訓練とテストに再利用できる。
Amazon Bedrock Knowledge Basesで細かい制御が必要なウェブソースには、オープンソースのPythonクローラーCrawl4AIで前処理を行う。各ページをMarkdownとメタデータのサイドカーとしてAmazon S3にアップロードし、ナレッジベースのS3データソースから取り込む。
AI ネイティブの資産管理会社 Arca は、最長 10 日に及ぶ長期タスクをエージェントに担わせているが、取引と資金移動の最終判断は人間のアドバイザーが下す。同社のリード AI エンジニア、Aman Singh 氏は「エージェントが人間に促すことのほうが、人間がエージェントに促すことより多い」と語る。
AWS は、Amazon Bedrock のコストを帰属・可観測性・強制・最適化・運用の5ステップのループで管理する方法を提示した。Amazon Bedrock は IAM プリンシパル単位での推論コストの自動帰属に対応している。
NVIDIAの社員がNemotron Voice Agentでハロウィン向けのインタラクティブ投影MonsterHouseを制作した。Nemotron ASRが聞き取り、Nemotron 3.5 Bolt E4B 4GBが対話、Magpie TTS Zeroshotが発話、Audio2Face-3Dが口の動きを担い、すべて1台のワークステーション上で動く。
ChatGPT デスクトップアプリが AWS GovCloud (US) の Amazon Bedrock で利用可能になった。Work と Codex の 2 つのコンポーネントを通じて OpenAI のフロンティアモデルにアクセスできる。
マイクロソフトはIndustry Evaluation Data Generation Platformを構築し、O*NETや求人情報、SEC提出書類などの公開データをもとに生成した完全合成の企業環境でMicrosoft Copilotを評価している。顧客データは一切使用しない。
MoEngageはAmazon Bedrock AgentCore Gatewayを活用し、VPC内の非公開REST API約400個を権限管理されたエージェントツールに変換した。プラットフォームエンジニアリングの工数を約6カ月分削減し、新規APIの接続は数日から数時間に短縮。MCPサーバーのコードを書かず、公開エンドポイントも設けず、AIプラットフォームチームがMCP層を一元管理し、各エンジニアリングチームはOpenAPI specを提供するだけで済む。
Kiroは再現可能なPHPからJavaへの移行エンジンを提供する。元のPHPアプリを仕様とみなし、共有メソッド論、機械的な検出スキャナー、8段階のワークフローで移行を進め、parity harnessでJava移植版の動作が一致すると確認できて初めて正しいと判定する。同じskillファイルはKiro内でアプリごとにインタラクティブに実行できるほか、AWS Transformに渡して複数アプリをエージェント方式で並列処理することもできる。
Amazon Nova Act で構築した QA Studio に「アプリケーション」と「チームベースのユーザー管理」の2機能を追加し、組織内でテスト自動化を大規模に展開できるようにした。アプリケーションはテストのコンテナとして環境ごとに実行結果を記録し、0〜100のヘルススコアを生成する。不安定なテストは減点され、7日間は時間単位、30日間は日単位で推移を確認できる。権限は Admin、Team Lead、Editor、Executor、Viewer の5段階で、アプリケーションは単一のチームに属し、他のチームからは見えない。
AWS は Ray Train DLC イメージ(public.ecr.aws/deep-learning-containers/ray:train-ml-cuda-v1.1)を公開した。Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7、EFA と AWS OFI NCCL プラグインを統合済みで、自前でイメージを構築する必要はない。
AWSはAmazon Bedrock AgentCoreを基盤とする企業向けAgentic AIプラットフォームのブループリントを公開した。連邦型の運営モデルを採用し、中央のPlatformチームがガバナンスされた共有サービスを提供、各Workstreamチームがエージェント、ツール、データの所有権を保持する。
ExowattはAmazon SageMaker AIのサーバーレスモデルカスタマイズを活用し、エッジとクラウドの2つの展開先向けにタスク特化モデルをファインチューニングした。精度はフロンティアモデルを上回り、コストは最大49分の1に抑えられる。エッジのアラームトリアージにはQwen3-1.7B、クラウドのエネルギー市場分析にはQwen3-14Bを基にし、後者はAmazon Bedrock Custom Model Importでホストされる。このプロセスにより、生の運用データから評価済みの展開成果物までの道のりが数カ月から数日に短縮された。
Property Finderは、評価ラベルの96.8%が人手による検証ではなく既存の視覚言語モデルの予測に由来しており、代替モデルが比較で構造的に不利になっていたことを突き止めた。チームはUAEの画像356枚を再び人手でラベリングし、マルチラベル分類に切り替え、v0からv27までのプロンプト反復最適化を組み合わせてAmazon Bedrock上で新モデルを選定。精度は向上し、コストは86%削減された。
Thomson Reutersのプリンシパルエンジニアが、ヒマラヤ山麓のネットワーク遮断環境で、OpenCode 1.19.4とOllamaを組み合わせてノートPC上でQwen3.5 9Bをローカル実行し、オフラインでのコーディングの実現可能性を検証した。
Jeff Lindsay の webframe を評価したところ、Go と glaze ライブラリをベースにした軽量なブラウザ JavaScript 実行ツールで、スクレイピング性能は shot-scraper と同等だった。一方で CSP の失敗、0×0 のビューポート、読み込みのハング、HTTP メタデータの欠落、ブラウザ制御の限定といった問題も見つかった。
OpenAIのエンジニアはCodex Ultrafastを使い、インシデント調査の時間を数時間から数分に短縮した。このツールは迅速なセキュリティ分析やコードのリファクタリングにも活用され、日常の開発ワークフローに組み込まれている。
AWS CDKを使ってマネージドAmazon Bedrock Knowledge Base上に企業向けエージェント検索システムをデプロイし、AgenticRetrieveStream APIで複数ターンの計画、ツール駆動の検索、引用付き回答生成を実現する方法を解説する記事。
Amazon BedrockでOpenAIモデルを使う場合、プロンプトキャッシュにより、AIエージェントが毎ターン、ツール定義や指示、履歴を再送信するのを避けられ、入力コストを抑えられる。キャッシュには、Bedrockが再利用可能なプレフィックスを自動選択する暗黙的キャッシュと、prompt_cache_breakpointで境界を指定する明示的キャッシュの2種類があり、併用が推奨される。
AWSはSageMaker Python SDK v3に基づくフリート全体のコンピュータビジョンモデルのライフサイクル管理ソリューションを発表した。非推奨となったSageMaker Edge Managerに代わり、SageMaker Neoでエッジ最適化を行う。
Battledrones v14で初の4人用マップ「Compass Rose」を追加。Claude Opus 4.5が生成し、最大4人でのプレイに対応するようWebSocketのマルチプレイ用ネットワークコードを改修した。新マップは4方向の回転対称性を持ち、最大4体のAIプレイヤーに対応。空き枠はAIが補い、プレイヤーは共有リンクかQRコードで参加できる。紫と緑のロボットチームが新たに加わり、従来の青と赤の2チームと共存する。
Claude Opus 5.5 Highにプロンプトを入力し、写真を開くと数秒でcanvas要素と模擬筆でその写真の版を描くartifactの構築を依頼した。以前にはClaude FableにP5.jsで水彩イラスト風の効果を模擬させたこともある。
Bayer Crop ScienceはAmazon Bedrock AgentCoreを基盤にマルチエージェント型の自然言語インターフェース「Agentic Decision Engine(ADE)」を構築した。第1フェーズでは、ユーザーの質問の約80%がエンジニアの介入なしで解決される。
SageMaker AIのリアルタイムエンドポイントを更新する際、自動スケーリングが登録済みだとデプロイが失敗する問題について、AWSは再利用可能なCDK constructを提示した。3つのCloudFormationカスタムリソースを使い、エンドポイント更新の前後でスケーリングターゲットを自動的に登録解除・再登録する。
AWSはAmazon SageMaker AIで多ターン強化学習(MTRL)を行うためのエンドツーエンドの実践ガイドを公開した。訓練ジョブはAgentCoreでホストされるエージェントが複数ターンの対話をこなし、エピソード全体の結果に対してのみ報酬を与える。
OpenAIは信頼性の高いマルチテナント構成、グローバルキャッシュ、Azure Cosmos DBを用いてHabitatストレージシステムを拡張し、ChatGPTの読み取り速度を12倍に向上させた。このシステムは10億人を超えるChatGPTユーザーの規模を支える必要がある。