Amazon Web Services ブログ

Category: Artificial Intelligence

【開催報告】ファッション・アパレル業界向け 第一回ナレッジ共有会 〜 SMART から始まる業界共通課題への挑戦と学びの場

店舗業務支援 AI エージェント SMART を起点に、ファッション・アパレル業界 6 社 20 名が集まった第一回ナレッジ共有会の開催報告です。週報作成 15 分が 0 分に、IT 未経験の店舗出身メンバーが 2 週間で Web アプリ開発、ベテランの経験に依存していた在庫消化業務のエージェント化——SMART の合同ブートキャンプから活動を始めた 3 社が、実際に手を動かし、現場との対話を重ねて得た実践ナレッジを発表しました。作って終わりにしない AI エージェント開発のヒントが詰まった当日の模様をレポートします。

Kiro Web の自律モードで技術的負債に大規模に立ち向かう

技術的負債への従来のアプローチは、開発者の時間を保守に割り当てて機能提供を遅らせるか、負債が複利で膨らむのを放置するかの二択を強います。対話型の AI コーディングアシスタントは個々のタスクを速くしてくれますが、それでもすべてのステップで開発者がループの中にいる必要があります。私たちが欲しかったのは第三の選択肢、つまり issue を読むところからプルリクエストを開くところまで保守タスクを一気通貫で引き受け、エンジニアは判断が最も価値を持つコードレビューでだけ関わる、という形です。それが Web の Kiro の autonomy モードです。保守を含む幅広いタスクをこなせるエージェンティックなソフトウェアエンジニアリングツールで、エンジニアはより価値の高い仕事に集中できます。実際にどうなったかというと、2 か月のあいだに Kiro は私たちのリポジトリ群で 87 件のオープン issue に対応するプルリクエストを提出しました。これは、それまでの 22 か月（約 2 年）でチームが対応してきた量に迫る数です。本記事では、どのようにセットアップしたか、2 つのケーススタディの詳細、そして自分のリポジトリで Kiro を自律的に使う方法を紹介します

Kiro の GPT‑5.6 モデルが 100 万トークンのコンテキストウィンドウに対応

Kiro の IDE、CLI、Web のすべてで、GPT‑5.6 Sol、Terra、Luna が 100 万トークンのコンテキストウィンドウに対応します。これにより、コードベース全体、長文ドキュメント、長く続いたマルチターンのエージェント履歴を、チャンク分割や要約を挟まず、細部を失わないまま 1 回のリクエストで処理できるようになります。

AWS Weekly Roundup: Amazon Bedrock 上の OpenAI GPT-6 Astra、Amazon Quick デスクトップ GA、学生向け Kiro など (2026 年 9 月 14 日)

ニューヨークの 9 月中旬には、特別なエネルギーがあります。パンプキンスパイスラテがたっぷりとあり、気温も下が […]

エージェント型 AI による ERP ビジネスプロセス運用の変革

大量のトランザクションを扱う企業にとって、ERP システムにおける手作業の例外処理は、重要なビジネスプロセスの遅延やお客様満足度・収益認識への影響を招くボトルネックとなります。本記事では、Accenture が Amazon Bedrock や Amazon Bedrock AgentCore、Strands Agents SDK、AWS Lambda、Amazon RDS、AWS Step Functions といった AWS サービスを用いて構築した、エージェント型 AI ソリューションをご紹介します。このソリューションは、Direct Ship（直送）請求業務の例外管理を、手作業から自律的でエージェント主導の解決へと転換し、展開からわずか 5 週間で業務上の摩擦の軽減、課題解決の加速、売上の実現の向上を実現しました。SAP S/4HANA との統合により、対話型の Digital Assistant がリアルタイムの運用データへのアクセスと文脈に沿った解決策の推奨を提供します。

自動推論に立ちはだかる 3 つの難題

自動推論の分野に 30 年以上携わってきた著者が、生成 AI で正しい推論を実現するうえで最も厄介だと考える 3 つの難題を紹介します。あいまいな自然言語から構造化された論理への変換、絶えず変化し、時には矛盾するルールのもとでの真理の定義、そして SAT (充足可能性問題) ソルバーでも越えられない計算量の壁やゲーデルの不完全性定理が示す確定的な推論の限界です。これらは単なる技術的ハードルにとどまらず、技術の限界と人間が作る仕組みの複雑さの両方に根ざした問題です。Amazon Bedrock Guardrails の自動推論チェックがこれらにどのように取り組んでいるかを解説します。

セキュリティにおける AI の現在地: 信頼構築に最も重要な指標の測定

セキュリティ業務で AI を活用する際、脆弱性を発見できるかだけでなく、安全なコードを誤検出しないかが信頼の鍵になります。本記事では、実際の脆弱性と誤検出を見分ける能力を測る初のベンチマーク Deception Benchmark を紹介します。16 のプログラミング言語、70 を超える CWE カテゴリの 14,822 サンプルで 12 モデルを評価した結果、FPR (偽陽性率) と FNR (偽陰性率) の両方を 10% 未満に抑えられた構成はありませんでした。設計手法と結果、実務への示唆を詳しく解説します。

← Older posts