چه چیزی معرفی شد

طبق پست وبلاگ AWS، بایر کراپ‌ساینس سیستمی به نام Agentic Decision Engine یا ADE ساخته است. این سیستم یک رابط زبان طبیعی چندعاملی روی Connected Decision Engine (CDE) است؛ CDE همان سامانه‌ای است که بایر برای استقرار، هماهنگی، پایش و استفاده مجدد از جریان‌های کاری یادگیری ماشین به کار می‌برد.

در ADE یک عامل ناظر هر پرسش را به یک عامل تخصصی می‌دهد، عامل تخصصی زمینه را از سامانه مربوط می‌گیرد و پاسخ به کاربر برمی‌گردد. هدف این است که اصلاح‌نژادگر، تحلیلگر یا پژوهشگر مجبور نباشد بداند برای فهمیدن علت شکست یک جریان کاری باید کدام سیستم را بررسی کند. ADE جایگزین CDE نیست؛ لایه‌ای برای پرسیدن و عملیاتی‌کردن آن است.

برای بررسی:How Bayer Crop Science built an agentic decision engine on Amazon Bedrock AgentCore with AWS Unified Operations

معماری و تصمیم‌های طراحی

ADE روی AgentCore Runtime اجرا می‌شود و تیم از LangGraph برای هماهنگی استفاده کرده است. طبق گزارش، ۲۲ عامل تخصصی در محیط تولید فعال‌اند و هر کدام ابزار و منبع داده خاص خود را دارند. AgentCore Gateway هم APIهای پشت‌صحنه را به شکل ابزار MCP در اختیار عامل‌ها می‌گذارد و احراز هویت و مجوزدهی را بیرون از کد عامل نگه می‌دارد.

از پنج تصمیم طراحی ذکرشده، چند مورد کاربردی‌اند: ذخیره چک‌پوینت‌های LangGraph در DynamoDB به جای تکیه بر نشست زمان اجرا؛ جداکردن سازوکار هویت و مجوز در هر مرز اعتماد؛ حفظ مدل فعلی چون نسخه جدیدتر با حالت استدلال با ترکیب فراخوانی ابزار و خروجی ساختاریافته در پیاده‌سازی آنها سازگار نبود؛ محدودکردن فهرست ابزار برای هر عامل؛ و تبدیل مصورسازی از یک ابزار به عامل مستقل.

برای بررسی:How Bayer Crop Science built an agentic decision engine on Amazon Bedrock AgentCore with AWS Unified Operations

نتایج ادعاشده

این اعداد از گزارش AWS و بایر آمده‌اند. ADE در فاز اول حدود ۸۰ درصد پرسش‌ها را بدون دخالت مهندس پاسخ داده است. در مثال عیب‌یابی، تشخیصی که پیش‌تر بیش از یک ساعت جست‌وجوی دستی لاگ و انتظار برای مهندس لازم داشت، اکنون زیر ۱۰ دقیقه انجام می‌شود. کش کردن پیشوند ثابت پرامپت هزینه توکن ورودی را ۲۰ تا ۳۰ درصد کاهش داده، و ارائه APIها از طریق Gateway به جای یک سرور اختصاصی برای هر API، سربار یکپارچه‌سازی هر API را بیش از ۹۹ درصد کم کرده است.

بیش از ۱۰۰ کاربر در بایر کراپ‌ساینس از ADE استفاده کرده‌اند و عرضه ابتدا برای گروهی محدود انجام شد. متن مبنای مقایسه یا روش اندازه‌گیری دقیق این اعداد را شرح نمی‌دهد.

برای بررسی:How Bayer Crop Science built an agentic decision engine on Amazon Bedrock AgentCore with AWS Unified Operations

عملیات، امنیت و محدودیت‌ها

بایر برای آماده‌سازی از AWS Unified Operations با یک مدیر حساب فنی و یک مهندس تخصصی هوش مصنوعی مولد استفاده کرد. یافته‌های بازبینی پیش از عرضه شامل کمبود دید نسبت به خطاهای عامل‌ها، برچسب‌های تغییرپذیر تصویر کانتینر و نبود اسکن آسیب‌پذیری بود. تیم هشدارهای مخصوص عامل، تصاویر نسخه‌دار ثابت و اسکن هنگام push در ECR را افزود. همچنین پاسخ‌های خالی ناشی از یک خطای شبکه در تست بار کشف و رفع شد.

از نظر امنیتی، دسترسی ابزارها فقط‌خواندنی و محدود به نقش هر عامل است؛ مثلاً عامل عیب‌یابی نمی‌تواند جریان‌های کاری را تغییر دهد. بایر قصد دارد Amazon Bedrock Guardrails را به‌عنوان لایه‌ای دیگر ارزیابی کند، یعنی هنوز بخشی از سامانه فعلی نیست. نکته مهم برای خوانندگان: این روایت یک مورد مشتری از سوی AWS است و آزمون مستقل در این منبع ارائه نشده است. منبع درباره دسترسی در ایران یا کاربرد در ابزارهایی مانند نخود چیزی نمی‌گوید. بخشی از نتایج به همراهی تیم AWS Unified Operations وابسته بوده و تکرار آن در سازمان‌های دیگر تضمین‌شده نیست.

برای بررسی:How Bayer Crop Science built an agentic decision engine on Amazon Bedrock AgentCore with AWS Unified Operations

پشت این نوشته

منابع و جزئیات

این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.

این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.

  1. How Bayer Crop Science built an agentic decision engine on Amazon Bedrock AgentCore with AWS Unified Operations
    aws.amazon.comبررسی:

نخستین انتشار:

روش تهیه و بازبینی نوشته‌ها