Amazon Web Services ブログ

攻撃者視点で考える AWS セキュリティ ― 富士通 × AWS 共催セミナーレポート

RYOTARO MATSUI — Tue, 28 Apr 2026 04:31:02 +0000

こんにちは。AWS ソリューションアーキテクトの松井です。

2026 年 3 月 18 日、富士通株式会社様(以下、同社)と AWS の戦略協業組織「Business Creation Lab(BC Lab)」の取り組みとして、「セキュリティ対策セミナー～ホワイトハッカー登壇！攻撃者視点×クラウド設計で実現する実践的サイバー防衛～」を開催しました。本セミナーでは、AWS のセキュリティサービスの紹介に加え、同社 Uvance Wayfinders のホワイトハッカーチーム(Red Team)による日本企業のセキュリティ実態の共有、そしてライブハッキングデモンストレーションを実施しました。

本記事では、セミナーの内容をご紹介します。

Business Creation Lab (BC Lab) について

本セミナーは、同社と AWS の戦略協業組織「Business Creation Lab (BC Lab)」の活動の一環として開催されました。BC Lab は、同社の業界知見・テクノロジーソリューションと AWS の生成 AI・クラウドサービスを融合し、お客様の経営課題解決を支援する拠点です。詳細については、同社のプレスリリースをご覧ください。

当日はお客様約 30 名にご参加いただき、同社社員含め最大 100 名が視聴しました。

サイバー脅威の加速と AI が変えた攻撃の現実

最初のセッションでは、AWS ソリューションアーキテクトの松井より、サイバー攻撃の最新動向を共有しました。

ランサムウェア、サプライチェーン攻撃、不正送金 ― サイバー脅威はあらゆる面で拡大を続けています。IPA「情報セキュリティ 10 大脅威 2026」では、ランサムウェアが 11 年連続で 1 位となる一方、「AI の利用をめぐるサイバーリスク」が初めて 3 位に選出されました。AI の登場により、脅威の質そのものが変わりつつあると考えられます。

実際、RSAC 2025 のキーノートセッション「The Five Most Dangerous New Attack Techniques」において、SANS Institute の Rob Lee 氏は MIT の研究を引用し、AI エージェントによる攻撃シーケンスは人間オペレーターの 47 倍の速度で実行され、権限昇格の成功率は 93% に到達していると指摘しています。

こうした脅威の加速を踏まえ、本セミナーでは「攻撃者の視点」と「クラウド設計」の両面からセキュリティを考えるアプローチを取りました。まずは、約 200 社へのハッキング実績を持つホワイトハッカーの知見から紹介します。

ハッカー視点で見る日本企業のセキュリティ

本セッションでは、同社 Uvance Wayfinders の佐藤丈師氏（Red Team テストを専門とし、200社以上のハッキング実績を持つホワイトハッカー）が登壇しました。佐藤氏の知見は、Uvance Wayfinders のインサイト記事「ホワイトハッカーが解き明かすセキュリティ再設計」でも詳しく紹介されていますので、あわせてご覧ください。

約 200 社への Red Team テストから見えた傾向

Red Teamテストの流れ

佐藤氏は、これまでに約 200 社に対して実施した Red Team テストの結果から、日本企業のセキュリティの実態を共有しました。

佐藤氏によると、傾向として 「境界防御は強い一方、侵入後は弱い」 とのことです。

境界防御の面では、脆弱性も設定不備もほとんどなく、EDR / NDR / CASB などで多層防御を構築し、SOC による 24/365 の監視体制を整え、定期診断・監査・CSIRT 体制も整備されている企業が多いとのことです。

しかし、一度境界を突破されると状況は変わります。侵入を前提とした訓練・体制が不十分で、アクセス制限が甘く横展開が容易、製品導入で満足しベンダに丸投げしている ― という傾向が見られるとのことでした。

Red Team テストの数字

佐藤氏が共有した Red Team テストの結果は、以下の通りです：

物理侵入の成功率：ほぼ 100%
フィッシングメールのファイル開封率：約 60%
重大インシデントとなる大穴の検出率：ほぼ 100%
侵入後ドメイン管理者取得まで：約 7 割の組織で 1 日
Red Team テストを検知して対応できた組織：約 10%

まずはリスクの可視化、順番が重要

佐藤氏は、セキュリティ対策の優先順位として以下の 3 ステップを提示しました：

リスクの可視化(Red Team テスト等) ― 攻撃者の視点でリスクを可視化し、重大インシデントの原因となる大穴をなくす
検知・防御力の整備 ― 大穴がなければ攻撃者は攻めあぐねる。その間に検知・防御する
インシデント対応力の強化 ― 検知・防御の仕組みが整ったら、アラートへの適切な対応力を訓練する

Red Team テストで見つかる AWS 関連のリスク

佐藤氏は続けて、Red Team テストで実際に検出される AWS 関連のリスクについても共有しました。

佐藤氏が強調していたのは、「主な検出リスクは『使い方』に起因するものであり、AWS そのもののリスクではない」という点です。内部環境が侵害されると、クラウド環境にも波及するというのが典型的なパターンとのことです。

よくあるリスクとして、以下の 2 つが挙げられました：

リスク①：認証情報管理の不備

クラウドのログイン鍵が社内共有フォルダに置かれている
パスワードや認証情報が管理表にまとめて保存されている
AWS で「何でもできる権限」が広く付与されている

リスク②：ID 連携・権限設計の不備

内部ネットワークが侵害されるとクラウドにも侵入される
開発環境と本番環境が同じ認証でつながっている
SSO ユーザが管理者レベルの権限を持っている

AWS のセキュリティサービスと攻撃者視点の対応

ここからは、Red Team が指摘したリスクに対して、AWS がどのようなセキュリティの仕組みを提供しているかを紹介します。AWS 松井のセッション内容をもとに、攻撃者の視点との対応関係を交えて解説します。

AWS セキュリティの基盤：責任共有モデル

AWS では「Security is our top priority(セキュリティは最優先事項)」を掲げています。

AWS のセキュリティは「責任共有モデル」を基盤としています。AWS がクラウド「の」セキュリティ(物理インフラ、ネットワーク、ハイパーバイザーなど)を担い、お客様がクラウド「内」のセキュリティ(データ、アプリケーション、ID とアクセス管理など)を担います。

佐藤氏が「AWS そのもののリスクではなく使い方の問題」と指摘したのは、まさにこの「クラウド内のセキュリティ」に該当する領域です。NIST Cybersecurity Framework(CSF)に沿って整理すると、AWS は「識別(Identify)→ 防御(Protect)→ 検出(Detect)→ 対応(Respond)→ 復旧(Recover)」の各フェーズに対応するセキュリティサービス群を提供しています。本セッションでは、Red Team の指摘と最も密接に関わる「防御(Protect)」― とりわけ IAM を中心とした認証・認可の領域に焦点を当てて紹介しました。

防御：IAM ベストプラクティスの変化(2019 年→ 2026 年)

Red Team が指摘した「認証情報管理の不備」「ID 連携・権限設計の不備」に直接対応するのが、ID とアクセス管理(AWS Identity and Access Management(IAM))です。本セッションでは、IAM のベストプラクティスがこの 7 年間でどのように進化したかを紹介しました。

2019 年時点のベストプラクティスは、以下のような内容でした：

AWS アカウントのルートユーザーアクセスキーをロックする
個々の IAM ユーザーを作成
ユーザーの強力なパスワードポリシーを設定
特権ユーザーに対して MFA を有効化する
AWS 管理ポリシーを使用したアクセス許可の使用開始

2026 年現在のベストプラクティスでは、以下のような項目が求められるようになっています：

人間のユーザーが AWS にアクセスする場合に ID プロバイダーとのフェデレーションを使用して一時的な認証情報でアクセスすることを求める
ワークロードが AWS にアクセスする場合に IAM ロールで一時的な資格情報を使用することを求める
多要素認証(MFA)を必須とする
長期的な認証情報を必要とするユースケースのためにアクセスキーを必要な時に更新する
IAM Access Analyzer を使用して、アクセスアクティビティに基づいて最小特権ポリシーを生成する
未使用のユーザー、ロール、アクセス許可、ポリシー、および認証情報を定期的に確認して削除する
アクセス許可の境界を使用して、アカウント内のアクセス許可の管理を委任する

2019 年には「個々の IAM ユーザーを作成」が推奨されていたのに対し、2026 年では「ID プロバイダーとのフェデレーション」や「一時的な資格情報の使用」が求められるようになっています。長期的な認証情報(アクセスキー)への依存を減らす方向に進んでいることがわかります。

Red Team の指摘と AWS ベストプラクティスの対応関係

佐藤氏が指摘した改善ポイントは、AWS の IAM ベストプラクティスで対応できる部分が多くあります。以下の表は、佐藤氏の推奨アクションと、対応する AWS のベストプラクティスを整理したものです。

攻撃者の動き	Red Team の推奨アクション	対応する AWS のベストプラクティス
① Credential を探す	長期 Credential の排除、SSO 移行、IAM ロール使用	ID プロバイダーとのフェデレーション、一時的な資格情報の使用
② IAM 権限を見る	認証情報の保存をやめる、Secrets Manager 移行	アクセスキーを必要な時に更新、長期認証情報の最小化
③ 昇格する	Least Privilege 適用、IAM Access Analyzer 活用	IAM Access Analyzer で最小特権ポリシーを生成、未使用の権限を定期削除

攻撃者が狙うポイントを理解することで、AWS のベストプラクティスがどのような背景で推奨されているのか、より具体的にイメージしやすくなるのではないかと思います。

ライブハッキングデモンストレーション

同社 Uvance Wayfinders の番場陸氏によるライブハッキングデモンストレーションも実施されました。

デモの流れ

このデモでは、日系の中小企業(人材派遣会社を想定)を対象に、端末の感染から AWS 環境への横展開・特権取得までを再現しました。攻撃シナリオの概要は以下の通りです：

境界突破 ― フィッシングメールによる従業員端末のマルウェア感染
横断的侵害 ― 内部ネットワーク上のファイルサーバを探索し、AWS 環境への足がかりを発見
権限昇格 ― AWS 環境内部のリソースを悪用した権限昇格
目的の達成 ― AWS 上に保存されている顧客情報の窃取

会場では、攻撃者の画面をリアルタイムで投影しながら、各ステップで「なぜこの攻撃が成功するのか」「どこで検知・防御できたはずか」を解説しました。参加者からは「自社でも同じことが起こりうると実感した」という声が多く聞かれました。

参加者の声

セミナー後のアンケートでは、参加者の満足度は 5 段階評価で平均 4.32 でした。

参加者のセキュリティ対策の状況としては、72% が「一通りは実施しているが、十分か不安がある」と回答しました。

今後の関心事項としては、「AWS 環境のセキュリティ設計・運用を確認したい」「現状の課題や弱点を整理したい(簡易診断・アセスメント)」「優先順位や進め方を整理したい(ロードマップ策定)」等のフィードバックをいただきました。

まとめ

本セミナーでは、同社 Uvance Wayfinders のホワイトハッカーによる実践的な知見と、AWS のセキュリティサービスの紹介を通じて、「攻撃者の視点」と「防御側の設計」の両面からセキュリティを考える機会となりました。

「対策はしているが十分か不安」という企業にとって、攻撃者の視点でリスクを可視化すること、そして AWS のベストプラクティスに沿ったクラウド設計を進めることは、有効なアプローチの一つになり得ると考えています。

BC Lab では、セキュリティに限らず、生成 AI やデータ活用、レガシー刷新など幅広い領域でお客様の経営課題解決を支援しています。今回のセキュリティセミナーのように、同社の実践知と AWS のテクノロジーを掛け合わせた取り組みを今後も展開していきます。

富士通株式会社 Enterprise Delivery事業本部本部長代理郡司様

今回のセミナーは、単なるセキュリティ対策の知識共有ではなく、攻撃者の思考を理解した上で、AWSクラウドの特性を最大限に活かした実践的な防御策を提案する場となりました。富士通は長年培ってきたシステムインテグレーションの知見と、AWSの先進的なセキュリティサービスを組み合わせることで、お客様のデジタルトランスフォーメーションを安全に推進するお手伝いをしています。クラウド時代のセキュリティは『守る』から『攻めの防御』へと進化しています。我々は今後も、ホワイトハッカーの視点を取り入れながら、お客様のビジネス価値を最大化するセキュリティソリューションを提供してまいります。

富士通株式会社 Enterprise Delivery事業本部商社卸デリバリー事業部事業部長山崎様

AWSとの共催セミナーを通じて、多くのお客様にクラウドネイティブなセキュリティ設計の重要性を実感いただけたことを嬉しく思います。特に、攻撃者視点での脆弱性評価と、AWSのセキュリティサービスを組み合わせた多層防御のアプローチは、現代のサイバー脅威に対抗する上で不可欠です。富士通は、AWSの豊富なセキュリティサービスと、当社の運用ノウハウを融合させ、お客様のクラウド環境を『安全で使いやすい』ものにすることが使命です。今後も、AWSとの連携をさらに強化し、業界をリードするセキュリティプラクティスを発信し続けます。

著者

製造業 × 生成 AI 、8 社の「ここだけの話」がつながり課題解決を加速する — AWS 生成 AI ラウンドテーブル in 大阪開催報告

Takayuki Ikeda — Tue, 28 Apr 2026 02:12:36 +0000

製造業のお客様を支援しているソリューションアーキテクトの澤、大前、池田です。

2026 年 3 月 31 日に AWS 大阪オフィスにて「生成 AI ラウンドテーブル in 大阪」を開催しました。本記事ではイベントの概要と当日の様子をお伝えします。

開催の背景

製造業における生成 AI の活用は、ユースケース選定のフェーズを経て、実運用を目指したプロジェクトとして推進する企業が増えています。製造現場に眠る暗黙知を生成 AI で活用できる形式知へと変える取り組みや、生成 AI を搭載した自社製品の開発など、さまざまなユースケースで活用が進んでいます。

私たちソリューションアーキテクトが各社の技術支援を行う中で気づいたのは、扱う製品や事業領域は異なっても、直面している課題には多くの共通点があるということです。お客様からも「同じ業種で近しい取り組みを進める企業は、どのように課題へ向き合っているのか知りたい」という声を多くいただいていました。

お客様と AWS の 1 対 1 の技術支援だけでは届かない領域があります。ある企業の試行錯誤が、別の企業が抱える課題解決のヒントになりうる — お客様同士の知見がつながることで、課題解決はスケールし、さらには日本の製造業全体の競争力強化にもつながると私たちは考えました。そこで、企業間の対話を通じた相互学習の場として、ラウンドテーブル形式でのイベントを開催しました。

イベント概要

開催日： 2026 年 3 月 31 日（月）13:00 〜 18:00 + 懇親会
会場： AWS 大阪オフィス 26F
形式：クローズド・ラウンドテーブル形式（各社発表 + 質疑応答）
参加者数： 15 名
参加企業（順不同）：

シャープ株式会社
ヤマハ株式会社
株式会社村田製作所
株式会社日立産業制御ソリューションズ
コベルコシステム株式会社
東洋紡株式会社
大日本印刷株式会社
ダイキン工業株式会社

各社 30 分（発表 20 分 + 質疑 10 分）の持ち時間で自社の取り組みを共有するラウンドテーブル形式で実施しました。クローズドな場だからこそ踏み込んだ内容を共有でき、参加者全員が発表者であり聴講者でもあるため、双方向の議論が自然に生まれる構成です。

各社の発表テーマ

各社の発表では、生成 AI を実業務に適用する中で直面する課題と、まさに今取り組まれている実践知が共有されました。クローズドなイベントのため、各社の発表タイトルとご登壇者名のみの公開となりますが、以下でご紹介します。

暮らし、拡がる、SHARP の AI

シャープ株式会社　Smart Appliances & Solutions 事業本部　Smart Life 事業統轄部　AI サービス推進部

中尾祐介、早川元基

家電製品への生成 AI 搭載における開発事例と技術的な課題が共有されました。

Yamaha Network 事業　AI の取り組み

ヤマハ株式会社　PS 事業部商品開発部クラウド開発 G　加藤康之介

ネットワーク機器の運用・設計支援における AI 活用の段階的な取り組みが紹介されました。

AWS の生成 AI を活用した文書検索業務の効率化～その性能が期待を凌駕する～

株式会社村田製作所　技術・事業開発本部共通基盤技術センターマネージャー　徳本直樹

少人数体制での社内ドキュメント検索システムの構築と運用の工夫が紹介されました。

OT における暗黙知と生成 AI 利用の取り組み～業務インプロセス化と AI Agent～

株式会社日立産業制御ソリューションズ　企画統括本部未来創造本部　梶山義徳
株式会社⽇⽴産業制御ソリューションズ GenerativeAI センタ佐塚洋右

ベテランエンジニアの暗黙知を形式知化し AI で活用する取り組みが紹介されました。

1,300 人の現場知を AWS AI-DLC で価値へ昇華させる～文化醸成とデリバリー標準の同期による組織変革の実践～

コベルコシステム株式会社　事業統括本部技術推進部　前園博文

全社的な AI 活用推進に向けた組織づくりと意識変革の取り組みが共有されました。

RAG × CPT でつくる現場特化 AI

東洋紡株式会社　TX・業務革新総括部　TX 推進部　坂倉広也

製造現場特有の用語や表記ゆれへの対応に向けた技術的なアプローチが紹介されました。

DNP の生成 AI 活用に関する取り組み

大日本印刷株式会社ABセンター　佐藤陽平

ドキュメントの構造化と社内への AI 展開の工夫が紹介されました。

ダイキン工業における生成 AI の取り組み

ダイキン工業株式会社　電子システム事業部　森本康太

自社ドメインに特化した AI の開発と社内業務支援への活用が紹介されました。

AWS セッションの紹介

エージェントの本番稼働を加速する AgentOps を AWS で実現

アマゾンウェブサービスジャパン合同会社ソリューションアーキテクト大前遼、澤亮太

各社の発表を通じて、RAG による社内ナレッジ検索から一歩進み、AI エージェントを業務に組み込むプロジェクトが多くの企業で始まっていることが見えてきました。一方で、エージェントの本番運用における評価や監視は、業界全体としてまだベストプラクティスが確立されていない領域です。

本セッションでは、エージェントの構築パターン（Single Agent、Tool-Augmented、Multi Agent など）に応じて評価すべき観点が異なる点を整理し、Amazon 社内での実践をもとにした Define → Evaluate → Share → Monitor の 4 ステップの評価フレームワークと、その実現を支える Amazon Bedrock AgentCore を紹介しました。

詳細は AWS ブログ「Evaluating AI agents: Real-world lessons from building agentic systems at Amazon」でも紹介されています。

参加者からは「AI エージェントシステムの観点を体系的にまとめていただいてわかりやすかった」「応答の評価や運用時の監視周りは既存システムでも課題に上がっているため、検討していきたい」といった声をいただいています。

「ここだけの話」はどうつながったのか？

各社の発表では普段は表に出ない課題や試行錯誤が率直に語られました。質疑応答では「うちも同じ課題を抱えている」「こういうアプローチで解決した」といったやり取りが自然と生まれ、予定時間を超えて議論が続くセッションもありました。まさに、各社の「ここだけの話」がつながり、新たな解決のヒントが生まれていました。

「作ったツールを社内で使ってもらえない」問題

技術的に動くものは作れても、現場に定着しないという悩みは多くの企業に共通していました。議論では「トップダウンで広げるべきか、現場起点のボトムアップが良いか」「推進チームと現場のエンゲージメントをどう設計するか」「評価指標をどこに置くか（利用率か、業務インパクトか）」といった論点が交わされ、各社が実際に試してうまくいった/いかなかった施策が具体的に共有されました。

少人数で AI 推進を回すリアルな状況

「専任チームは数名、兼任メンバーも含めて十数名」という体制で全社展開を進める企業が多く、リソース制約の中で何を優先し、何を諦めるかが共通のテーマでした。内製と外部活用の線引き、社内啓発にどこまで時間を割くか、小さく始めて実績を作る進め方など、現実的なトレードオフについての議論が続きました。

製造業特有のデータをどう扱うか

図面、仕様書、現場のベテランの暗黙知、設計ノウハウ — 製造業ならではの非構造化・機密性の高いデータをどう生成 AI で活用するかは、各社が直面している共通課題でした。RAG の精度を現場要件まで引き上げる工夫、用語ゆれへの対処、セキュリティを担保した上での社内展開の設計など、「製造業だからこそ」の踏み込んだ技術論が飛び交いました。

扱う製品や事業領域は違えど、共通の悩みが次々と浮かび上がったのも印象的でした。

懇親会でも議論の熱は冷めず、セッション中には踏み込みきれなかった技術的な詳細について、あちこちで話の輪が広がっていました。

アンケート結果と参加者の声

「つながることで課題解決を加速する」というイベントの狙いが実現できたことは、参加者の声からも伝わってきます。

「生成 AI 活用に関するネット上の情報とは違う、各社の取り組みの生の声を聴くことができてとても勉強になった」
「独自モデルの開発が意外に多いことに驚いた。AI とアジャイルの親和性も新たな気づきだった」
「どう使ってもらうかという観点や、社内に生成 AI を広げていくやり方なども参考になった」
「難しい課題に挑戦されているが、目的が明確で地に足がついており、とても参考になった」
「取り組みを進めることができる人員が限られている中で、各社の背景や目的観、具体的なツールの話が特に参考になった」
「ラウンドテーブルは質問もたくさんできて大変有意義だった」
「自分だけが苦労しているのかと思っていたが、各社同じ課題に向き合っていることがわかり、ここに来てやろうという決断を持てた」

おわりに

今回のラウンドテーブルを通じて、お客様だからこそ応えられるお客様の悩みがあるということ、そしてお客様同士の対話が課題解決を加速させるということを、改めて実感しました。アンケートでの次回参加希望 100% という結果が物語っています。

改めて、参加いただいた皆様に御礼申し上げます。AWS では今後もこうした企業間の対話の場を企画してまいります。生成 AI の活用でお悩みの方は、ぜひ担当のソリューションアーキテクトにご相談ください。

著者について

週刊AWS – 2026/4/20週

Tomoya Tozuka — Mon, 27 Apr 2026 08:13:16 +0000

みなさん、こんにちは。ソリューションアーキテクトの戸塚です。今週も週刊AWS をお届けします。

さて、みなさんはゴールデンウィークのご予定はお決まりでしょうか。今年は長期休暇にされる方も多いようですね。私はというと、6月24日・25日に幕張メッセで開催される AWS Summit の準備があり、飛び石連休をつなげての長期休暇は取れそうにありません。その代わり、趣味のパデルの大会にいくつかエントリーしているので、そこでリフレッシュしようと思っています。

AWS Summit では、パデルのフォームを VR で計測できる展示を予定しており、現在鋭意開発中です。VR の世界観も AI を活用して実現しており、日々多くの学びがあります。また、スマートグラスや音声を活用した業務効率化アプリも開発中で、そちらもご体験いただけます。ぜひご来場ください。

それでは、先週の主なアップデートについて振り返っていきましょう。

2026年4月20日週の主要なアップデート

4/20(月)
- Amazon CloudWatch Logs Insights が JOIN およびサブクエリコマンドを導入
  Amazon CloudWatch Logs Insights で JOIN とサブクエリコマンドが利用可能になりました。これまで複数のロググループをまたいだ分析では、複数のクエリを実行して手動で結果を組み合わせる必要がありましたが、今回のアップデートで 1 つのクエリで完結できるようになりました。例えば、エラーが多いサービスを特定するサブクエリと、パフォーマンスデータを持つ別のロググループを JOIN することで、エラー頻度と応答時間を同時に分析し、優先対応すべきサービスを効率的に特定できます。詳細はこちらのドキュメントをご参照ください。
- Amazon DocumentDB (MongoDB 互換) がバージョン 5.0 から 8.0 へのインプレースアップグレードをサポート
  Amazon DocumentDB で、バージョン 5.0 から 8.0 へのインプレースアップグレードが可能になりました。従来はクラスタを新規作成する必要がありましたが、今回のアップデートでクリック数回の操作だけでアップグレードできます。バージョン 8.0 ではクエリ処理が最大 7 倍高速化され、ストレージ圧縮も最大 5 倍向上するため、アプリケーションの応答速度改善とコスト削減を同時に実現できます。詳細はこちらのドキュメントをご参照ください。
4/21(火)
- AWS Lambda Durable Execution SDK for Java 一般提供開始
  AWS Lambda Durable Execution SDK for Java が一般提供開始されました。Java 開発者が Lambda で長時間実行されるワークフローを構築できるようになります。注文処理パイプラインや AI エージェント連携、承認フローなどを外部サービスなしで作成可能です。実行を最大 1 年間一時停止でき、進捗も自動で保存されます。詳細はこちらの Document をご参照ください。
- Amazon Aurora serverless: 最大 30% のパフォーマンス向上、よりスマートなスケーリング、そしてゼロまでのスケールダウンを継続
  Amazon Aurora serverless がプラットフォームバージョン 4 で大幅にアップデートされ、最大 30% のパフォーマンス向上と賢いスケーリング機能を実現しました。従来は複数のタスクが同時実行される際にリソース競合が発生しやすかったビジネス用 Web アプリケーションや API サービスでも、効率的に動作するようになりました。特にエージェント型 AI アプリケーションのように、活動が集中する時間と長時間のアイドル状態が不規則に発生するワークロードに最適で、使用量に応じた自動スケーリングにより無駄なコストを削減できます。詳細はこちらの Blog 記事をご参照ください。
- AWS Lambda 関数で Amazon S3 バケットを S3 Files によりファイルシステムとしてマウント可能に
  AWS Lambda で Amazon S3 バケットをファイルシステムとして直接マウントできる S3 Files 機能が提供開始されました。従来はデータ処理のためにオブジェクトをダウンロードする必要がありましたが、今回のアップデートによりファイル操作が直接可能になります。複数の Lambda 関数が同じファイルシステムに同時接続でき、AI や機械学習のワークフローでデータ共有が簡単になります。詳細はこちらの Blog 記事をご参照ください。
- ハイブリッド Kubernetes ネットワーキング向け Amazon EKS Hybrid Nodes ゲートウェイの紹介
  Amazon EKS で Hybrid Nodes gateway が提供開始されました。この機能により、クラウドとオンプレミス環境を跨ぐハイブリッド Kubernetes ネットワークが自動化されます。従来は複雑なルーティング設定やネットワークチームとの調整が必要でしたが、これらが不要になります。pod 間通信や AWS サービスとの接続も自動で処理され、EC2 インスタンスに Helm でデプロイするだけで利用できます。中国リージョン以外で追加料金なしで利用可能です。詳細はこちらのドキュメントをご参照ください。
4/22(水)
- Amazon Bedrock AgentCore が開発者のエージェント構築を高速化する新機能を追加
  Amazon Bedrock AgentCore に新機能が追加され、AI エージェント開発が大幅に簡単になりました。新しい managed harness (プレビュー) により、従来必要だったオーケストレーションコードを書かずに、モデルとプロンプト、ツールを指定するだけでエージェントを即座に実行できます。セッション途中でのモデル変更や、タスクの中断・再開も可能で、プロトタイプから本格運用まで一貫してサポートします。追加料金は発生せず、オレゴン、バージニア北部、フランクフルト、シドニーの 4 リージョンで利用可能です。詳細はこちらの Blog 記事をご参照ください。
- AWS Secrets Manager が MongoDB Atlas と Confluent Cloud への管理対象外部シークレット機能を拡張
  AWS Secrets Manager が MongoDB Atlas と Confluent Cloud の外部シークレット管理に対応しました。従来は各サービスの認証情報を自動ローテーションするために Lambda 関数を自作する必要がありましたが、今回のアップデートで AWS が提供する機能だけで実現できるようになりました。データベースと Kafka を組み合わせたデータパイプラインなどで、複数のサービスのシークレットを一元管理し、運用負荷を大幅に削減できます。詳細はこちらのドキュメントをご参照ください。
- Amazon ECS マネージドインスタンス向け GPU ヘルスモニタリングと自動修復機能の導入
  Amazon ECS Managed Instances で NVIDIA GPU の健康監視と自動修復機能が提供開始されました。GenAI 推論などの GPU ワークロードでハードウェア故障が発生した際、自動的に故障を検知して問題のあるインスタンスを交換します。これまで GPU 故障時は手動での対応が必要でしたが、この機能により可用性が大幅に向上します。NVIDIA DCGM を使用して継続的に監視し、EventBridge 経由で通知も可能です。対応する NVIDIA GPU インスタンスタイプで追加料金なしで利用できます。詳細はこちらのドキュメントをご参照ください。
4/23(木)
- Amazon Redshift が Apache Iceberg テーブルに対する UPDATE、DELETE、MERGE をサポート
  Amazon Redshift で Apache Iceberg テーブルに対する UPDATE、DELETE、MERGE 操作がサポートされました。これまで Iceberg テーブルの個別行を修正するには外部エンジンが必要でしたが、今回のアップデートにより Redshift から直接データ操作が可能になります。データパイプラインの複雑さや遅延を削減でき、変更データキャプチャや緩やかに変化するディメンションなどの一般的なデータ統合パターンで活用できます。詳細はこちらのドキュメントをご参照ください。
- AWS Client VPN が AWS Transit Gateway とのネイティブ統合をサポート
  AWS Client VPN が AWS Transit Gateway とのネイティブ統合をサポートしました。これまで複数の VPC にリモートアクセスするには中間 VPC の管理が必要でしたが、今回のアップデートで不要になり運用が大幅に簡素化されます。さらにエンドユーザーの IP アドレスが保持されるため、セキュリティ監査やトラブルシューティングが容易になります。詳細はこちらのドキュメントをご参照ください。
- Amazon Athena がマネージドコネクタでフェデレーテッドクエリを簡素化
  Amazon Athena で DynamoDB や PostgreSQL、MySQL、Snowflake など 12 のデータソースに対するマネージドコネクタが提供開始されました。従来は S3 以外のデータをクエリするためにコネクタリソースのデプロイや管理が必要でしたが、マネージドコネクタにより Athena が自動でセットアップと管理を行うため、この手間が不要になりました。データを移動することなく、複数のデータソースを横断してクエリできるため、分析作業が大幅に効率化されます。詳細はこちらのドキュメントをご参照ください。
4/24(金)
- Amazon Connect が AI エージェントのパフォーマンスを測定・改善するための 8 つの新しいメトリクスを提供開始
  Amazon Connect で AI エージェントの性能を測定する 8 つの新しいメトリクスが利用可能になりました。ゴール成功率や忠実度スコア、ツール選択精度などを通じて、AI が顧客の問い合わせを正しく解決できているかを詳細に分析できます。従来は AI エージェントの品質評価が困難でしたが、今回のアップデートで定量的な改善が可能になります。専用ダッシュボードや API を通じてデータにアクセスでき、カスタマーサポートの質向上に活用できます。詳細はこちらのドキュメントをご参照ください。
- Amazon Bedrock AgentCore Gateway と Identity が VPC egress をサポート
  Amazon Bedrock AgentCore Gateway と Identity が VPC egress をサポートし、プライベートネットワーク内のリソースと安全に通信できるようになりました。従来は外部からアクセスできないプライベート環境のリソース呼び出しが困難でしたが、今回のアップデートにより EKS 上の MCP サーバーなどを直接利用可能になります。マネージド設定で簡単に開始でき、複雑な要件には自己管理も選択できます。東京リージョンを含む 14 リージョンで利用可能です。詳細はこちらのドキュメントをご参照ください。
- Amazon Q がワークフォースインテリジェンスのための Visier の Vee エージェントと統合
  Amazon Quick が Visier の AI アシスタント Vee と統合されました。これにより HR や財務担当者が Amazon Quick 内で直接人事データにアクセスできるようになります。従来はツールを切り替える必要がありましたが、今回のアップデートで自然言語による質問で人員数や離職率などの情報を瞬時に取得可能です。詳細はこちらの Blog 記事をご参照ください。

それでは、また来週お会いしましょう！

著者について

週刊生成AI with AWS – 2026/4/20 週

Aiichiro Noma — Mon, 27 Apr 2026 06:02:51 +0000

みなさん、こんにちは。AWS ソリューションアーキテクトの野間です。最近1週間の生成 AI を巡っては、Anthropic Claude Opus 4.7 の Amazon Bedrock 対応や、東京リージョンでの提供開始をはじめとして、「より強いモデルを、より現場に近い場所で動かす」ためのアップデートが相次ぎました。また4月20日〜24日に開催されたHannover messeでは、AI技術による生産プロセスの最適化、効率化、そして企業の競争力向上と持続可能性が主要なテーマとなっていました。データ分析中心のAIから「物理世界で自律的に動くフィジカルAI」への移行の加速が進んでいます。そして、AWS界隈も目が離せません。
それでは 4月 20 日週の生成 AI with AWS界隈のニュースを見ていきましょう。

さまざまなニュース

- ブログ記事「富士通株式会社様との AI-DLC Unicorn Gym で見えた開発の未来」
  AWSが提唱するAI駆動開発ライフサイクル（AI-DLC）を実践的に学ぶプログラム「Unicorn Gym」に、富士通株式会社が参加した際の取り組みを紹介するブログです。7チーム40名弱が3日間、Amazon Bedrock AgentCoreやAmazon Connectなどを活用しながら、COBOLからJavaへの移行、ペーパーレス化システム、AIエージェントプラットフォーム、自動架電システムといった実課題に取り組んだ内容がまとめられています。記事では、COBOLからJavaへの移行で約4,300行のコードを自動生成した事例など、生成AIを活用した開発の具体的な成果が数字とともに語られています。あわせて、SE（システムエンジニア）の役割が「コードを書く力」から「仕様を策定する力」や「AIが生成した成果物をレビューする力」へとシフトしていく点にも触れられており、生成AIを使った開発プロセスを組織に取り入れたいユーザーにとって導入のヒントになる内容です。
- ブログ記事「【開催報告 & 資料公開】お試しから卒業！Kiro の仕様駆動開発を本格活用 in 大阪」
  2026年3月17日にアマゾンウェブサービスジャパン大阪オフィスで開催された「AWS Business Innovation Series – West Japan」第1回の開催報告ブログです。18社37名が参加し、AWSが提供するIDE「Kiro」を使った仕様駆動開発を、座学・ハンズオン・ハッカソンの3ステップで体験する内容が実施されました。参加者の約85%がIT部門、15%が事業部門で、開発経験者は全体の約10%と少数だった点が特徴で、普段コードを書かない参加者でも半日で動作するプロトタイプまで作れたという反応が紹介されています。「Vibe Coding」と「Specモード」の体験を通じて、要件定義から実装までの流れを掴める構成になっており、生成AIを使った開発に興味はあるが何から始めればよいか迷っているユーザーにとって、社内での取り組みを検討する際の参考になる内容です。
- ブログ記事「AUMOVIO が Amazon Bedrock 搭載のエージェント型コーディングアシスタントでソフトウェア開発を強化」
  自動車部品サプライヤーのAUMOVIO社が、AWSと協業してエージェント型のコーディングアシスタントを開発した事例を紹介するブログです。Amazon BedrockやAmazon SageMaker、AWS Lambdaなどを組み合わせ、自動車特有のコードベース（約7,000関数）でモデルをファインチューニングし、オープンソースの「Cline」を活用したエージェントとして実装されています。自動車業界のようにAUTOSARやMISRA-C/C++といった業界標準への準拠が求められる領域でも、ドメインに特化したファインチューニングとエージェント型のアプローチを組み合わせることで、コーディング支援の実用性を高められる点が特徴です。記事内ではシニア開発者が5日間かけていたバグ修正が数分で完了した例や、冗長なコードを削除してファイルサイズを半減させた事例も紹介されており、業界固有のルールを持つ組織で生成AIによる開発支援を検討しているユーザーにとって参考になる内容です。
- ブログ記事「AI for Science – AI がもたらす研究新時代」
  創薬・ゲノミクス・材料科学・気候科学・物理学といった科学研究の領域で、AI活用が実用段階に入りつつあるという「AI for Science」の潮流を解説したブログです。Amazon Bedrock、Amazon SageMaker AI、Amazon Textract、Amazon Comprehendなどを組み合わせた研究基盤の構成や、Genomics England、Allen Institute、LILA Sciences、アリゾナ大学といった海外の先進事例が紹介されています。文部科学省が推進する「SPReAD」事業の開始タイミングにあわせて、大学や研究機関の研究者に向けて書かれている点が特徴で、8〜12週間の小規模なPoC（概念実証）から始める段階的な進め方が示されています。研究データが基盤モデルの学習に利用されない仕組みなど、知的財産や個人情報に関するデータ保護の考え方にも触れられており、AI活用を検討している研究機関やそれを支援する立場のユーザーにとって参考になる内容です。
- ブログ記事「EngineLab AI: AWSで実現するスタジオとクリエイター向け本番制作AI環境」
  EngineLab社が提供するマネージドデプロイメントプラットフォーム「EngineLab AI」を、Amazon EC2のGPUインスタンスやAWS Deadline Cloud上で活用する方法を紹介するブログです。映像・メディア制作の現場でよく使われるComfyUIなどの生成AIアプリケーションを、本番環境で安定して運用するための構成が解説されています。顧客自身のAWSアカウント内にデプロイされるためデータがプラットフォーム外に出ず、知的財産（IP）を社内に留められる点や、必要なときだけGPUリソースを使うオンデマンド型の構成でオンプレミスの固定費を抑えられる点が特徴です。ノードベースの操作に慣れた上級者向けのUIと、技術知識のないクリエイター向けのArtist UIを両立している点にも触れられており、スタジオやクリエイター組織で生成AIを制作ワークフローに組み込みたいと考えているユーザーにとって、実装イメージをつかめる内容です。
- ブログ記事「開発現場から全社展開へ：Amazon Bedrock で Claude Cowork を動かす」
  Anthropic社が提供するデスクトップアプリ「Claude Cowork」を、Amazon Bedrockをバックエンドとして動かす方法を紹介するブログです。ドキュメントの読み取りや複数ステップのリサーチ、ファイル処理などをアプリ上で行いつつ、データを自社のAWSアカウント内に保持したまま利用できる構成が解説されています。Claude Codeのような開発者向けツールから一歩進んで、プロダクトマネージャー、オペレーションマネージャー、ファイナンスアナリストなど、社内のナレッジワーカー全体に生成AIの活用を広げていく展開イメージが示されている点が特徴です。MDM（モバイルデバイス管理）による一元的な設定配布や、シートライセンス不要の従量課金モデルにも触れられており、開発チームで始めた生成AI活用を組織全体にスケールさせたいと考えているユーザーにとって参考になる内容です。
- ブログ記事「AI 駆動の業務変革手法：『課題は何ですか？』と聞くのをやめた日」
  AWSが開発した業務変革プログラム「AI BPR（AI-driven Business Process Re-Engineering）」について、試行錯誤の過程とともに紹介するブログです。初期の「課題解決型」アプローチが機能しなかった経験から、組織心理学の理論（Appreciative Inquiryなど）を取り入れて再設計し、Observe・Shift・Simulate・Forecastという4段階のフレームワークに行き着いた経緯が解説されています。生成AIの導入は技術的な問題よりも、組織が変化を受け入れる「適応課題」である点に焦点を当てている点が特徴で、AI活用を進めたいがなかなか現場が動かないと感じているユーザーにとって、アプローチを見直すヒントになる内容です。
- ブログ記事「IAM プリンシパルベースのコスト配分で Amazon Bedrock のコストを呼び出し元ごとに追跡する」
  Amazon Bedrockの利用コストを、呼び出し元のIAMユーザーやIAMロール単位で追跡できる新機能を紹介するブログです。Bedrock APIの呼び出しごとにIAMプリンシパルのIDが自動的に記録され、AWS Cost and Usage Report（CUR 2.0）やAWS Cost Explorerでプリンシパル単位のコストを可視化できるようになります。これまではBedrockの利用料金が単一の明細にまとまって表示されていたため、どのチームやプロジェクトがどれだけ使っているかを把握するにはAWS CloudTrailのログと突き合わせる必要がありました。この機能により、チャージバック（社内費用配賦）が正確に行えるようになり、複数チームで生成AIを活用している組織のコスト管理の負荷を下げられます。API Gateway経由でBedrockを呼び出す構成では中間ロールにコストが集約されるため、セッションタグでの動的な帰属が推奨されるといった実装上の注意点にも触れられています。
- ブログ記事「VPC 内のプライベートサービスに AWS DevOps Agent をセキュアに接続する方法」
  AWS DevOps Agentから、Amazon VPC内に閉じたプライベートなサービスに安全にアクセスする構成方法を紹介するブログです。Amazon VPC Latticeのリソースゲートウェイを経由して接続を確立し、セキュリティグループでトラフィックを制御する構成が解説されています。パブリックインターネットに公開することなく、エージェントから社内のプライベートなサービスにアクセスできる点がポイントで、具体例としてセルフホスト型Grafanaへの接続手順が紹介されています。これによりエージェントがオブザーバビリティ（システムの可視化）データを参照できるようになり、インシデント対応時の調査を自動化しやすくなります。AWS CLIとマネジメントコンソールの両方で設定手順が記載されているため、運用環境へのAWS DevOps Agent導入を検討しているユーザーにとって参考になる内容です。
- ブログ記事「Amazon Bedrock での Anthropic の Claude Opus 4.7 モデルのご紹介」
  Anthropic社の最新モデル「Claude Opus 4.7」がAmazon Bedrockで利用できるようになったことを紹介するブログです。米国東部（バージニア北部）、アジアパシフィック（東京）、欧州（アイルランド）、欧州（ストックホルム）の各リージョンで提供され、最大100万トークンのコンテキストウィンドウに対応しています。自律的にコーディングを進めるエージェンティックな用途での性能が向上しており、SWE-Bench Proで64.3%、Finance Agent v1.1で64.4%といったベンチマーク結果が紹介されています。Converse API、Invoke API、Messages APIといった複数の呼び出し方法に対応しているほか、新しい推論エンジンによる動的なキャパシティ割り当てやリクエスト数のスケールにも触れられており、長いドキュメントを扱う業務や、複数ステップにわたるコーディング・分析タスクにClaudeを組み込みたいと考えているユーザーにとって参考になる内容です。
- ブログ記事「Opus 4.7 が Kiro で利用可能になりました」
  Anthropic の最新モデル Claude Opus 4.7 が Kiro IDE および CLI に順次展開されました。Opus 4.6 の直接アップグレード版として、複雑で長時間にわたるタスクでのコーディング性能が向上し、複数ファイル・ツールにまたがるマルチステップ実装や自己検証機能を備えています。Kiro の仕様駆動開発との親和性も高く、大規模コードベースでの高忠実度な実装を実現します。
- ブログ記事「Kiro CLI をプログラムから実行する：ヘッドレスモードの紹介」
  Kiro CLIを、ブラウザを介さずにプログラムから実行できる「ヘッドレスモード」を紹介しています。APIキーを発行して環境変数に設定するだけで、CI/CDパイプラインやcronジョブなど無人の自動化環境でKiroを動かせるようになります。具体例として、GitHub Actionsと組み合わせてプルリクエストに自動でコードレビューを行う実装方法が紹介されています。コードレビュー以外にも、ドキュメント生成、依存関係の監査、マイグレーション支援など幅広い用途に応用できる点が特徴で、開発者の手元だけでなく、CIパイプラインの中に生成AIを組み込んでいきたいと考えているユーザーにとって参考になる内容です。
- ブログ記事「Kiro でビルドする：コミュニティハブと Kiro Labs の紹介」
  Kiroのエコシステム拡張として、「Kiro Community（コミュニティハブ）」と「Kiro Labs」の2つが発表されました。コミュニティハブは開発者の実験的なプロジェクトの共有や、Discord・イベントを通じた情報交換の場として機能し、Kiro Labsはアマゾン社員が構築したオープンソースプロジェクト群を公開する場として位置づけられています。Kiro Labsではカスタムワークフロー、UI、生産性向上ツールなどが「as-is」で提供され、アクティブ・メンテナンス・アーカイブの3段階のステータスが付与されるほか、Amazonのオープンソース基準に沿ったセキュリティレビューも行われます。Kiroをすでに使っているユーザーにとっては、他の開発者の実装例を参照してワークフローを組み立てたり、プルリクエストで貢献したりといった形で活用できるリソースが増える内容です。

サービスアップデート

- Claude Platform on AWSが近日公開
  Anthropic社が提供するネイティブのClaudeプラットフォームを、AWSの認証情報と請求の仕組みでそのまま利用できる「Claude Platform on AWS」が近日公開として発表されました。Anthropic本家のプラットフォームと同じAPIや機能にアクセスできるため、Claudeの最新機能をいち早く利用できるのが特徴です。利用にあたっては、別途Anthropicとの契約や認証情報を用意する必要はなく、既存のAWSアカウントとIAMポリシーをそのまま使えます。APIコールはAWS CloudTrailに記録されるため、ほかのAWSサービスと同じように監査ログを一元的に管理でき、利用料金もAWSの請求書にまとめられます。Amazon Bedrockが「AWSの基盤上でClaudeを動かし、データをAWS内で処理・保持する」位置づけなのに対し、Claude Platform on AWSは「Anthropic側のプラットフォームをAWSの認証・請求で使う」という選択肢を提供する形で、ユースケースに応じて使い分けられる点がポイントです。
- Amazon Bedrock AgentCoreが新機能を追加しエージェント開発を加速
  Amazon Bedrock AgentCoreに、エージェント開発を加速するための新機能が追加されました。モデル・システムプロンプト・ツールを指定するだけで即座にエージェントを動かせる「マネージドハーネス（プレビュー）」、AWS CDK対応でコードベースのガバナンスを実現する「AgentCore CLI」、コーディング支援ツール向けの事前構築スキル「AgentCore Skills」の3つが提供されます。オーケストレーションコードを書かずにアイデアからプロトタイプまでを素早く立ち上げられる点が特徴で、プロトタイプの進化に合わせて評価・メモリ・ツールを段階的に追加していくこともできます。AgentCore SkillsはまずKiroから利用でき、Claude Code・Codex・Cursorにも順次対応予定です。マネージドハーネスは米国西部（オレゴン）、米国東部（バージニア北部）、欧州（フランクフルト）、アジアパシフィック（シドニー）の4リージョンでプレビュー提供されています。
- Amazon QuickがVisierのVeeエージェントと統合し、ワークフォースインテリジェンス機能を提供
  Amazon Quickが、Visier社の人材分析プラットフォームのAIアシスタント「Vee」とMCP（Model Context Protocol）経由で統合されました。これにより、Amazon Quickのワークスペース内から、Visierが管理する人員数・離職率・勤続年数・求人情報などのワークフォースデータに自然言語でアクセスできるようになります。人事・財務・オペレーション部門の担当者が、ツールを切り替えることなく組織の人材データを参照できるようになる点が特徴で、定期的なワークフォースレビューやドキュメント作成をQuick Flowsで自動化する使い方も想定されています。Amazon Quickがサポートする全リージョンで利用でき、組織全体の予算やポリシーデータと合わせて意思決定に活用したいユーザーにとって参考になる内容です。
- Amazon Bedrock AgentCore GatewayとIdentityがVPC egress に対応
  Amazon Bedrock AgentCore GatewayとAmazon Bedrock AgentCore Identityが、VPC egress（VPC内のプライベートリソースへの接続）に対応しました。マネージド型のVPC egressと、自己管理型のAmazon VPC Latticeリソースの両方から構成を選択でき、東京リージョンを含む14のAWSリージョンで利用可能です。これにより、Amazon EKS上でホストしているMCPサーバーや、社内ネットワーク内のプライベートなアイデンティティプロバイダー（IdP）、プライベートDNSで名前解決するリソースなどに、AgentCoreから直接アクセスできるようになります。エージェントからプライベートなエンタープライズシステムに安全に接続したいユーザーにとって、構成の選択肢が広がる内容です。
- Amazon SageMaker HyperPodが自動Slurmトポロジー管理に対応
  Amazon SageMaker HyperPodが、ネットワークトポロジーを自動で選択・最適化する機能に対応しました。GPUインスタンスタイプに応じてツリートポロジー（階層的な相互接続）とブロックトポロジー（均一な高帯域幅）を自動で選び、クラスターのスケール変更やノード置換の際にも継続的に最適化されます。これまでSlurm設定ファイルやトポロジーファイルを手動で管理していた運用から解放され、GPU間通信（NCCL集約通信）の効率を保ったまま分散学習を進められる点が特徴です。機能はデフォルトで有効化されており設定不要なため、大規模な分散学習を行うユーザーにとって運用負荷の軽減につながる内容です。
- Amazon SageMakerがIAM Identity Centerドメインでノートブックとデータエージェントに対応
  Amazon SageMaker Unified Studioで、これまでIAMドメインでのみ利用できたサーバーレスノートブックと組み込みのデータエージェントが、AWS IAM Identity Center（IdC）ドメインでも利用できるようになりました。Amazon Athena for Apache Sparkと連携し、SQL・Python・自然言語を単一の対話型ワークスペース上で組み合わせて扱えます。AWS IAM Identity Centerで認証・アクセス管理を一元化している組織でも、IAMドメインと同等の分析・機械学習機能が使えるようになる点がポイントで、AIデータエージェントが自然言語のプロンプトからコードを生成する機能や、ペタバイト規模のデータ処理にも対応しています。シングルサインオン環境を維持したままデータ分析基盤を整備したいユーザーにとって参考になる内容です。
- Amazon QuickがSharePointとGoogle Driveを対象としたナレッジベースで複数所有者機能をサポート
  Amazon Quickで、Microsoft SharePointとGoogle Driveを対象とした管理者管理型のナレッジベースに、複数の所有者を追加できるようになりました。所有者には「オーナー」と「ビューアー」の2種類があり、オーナーは編集・同期・共有・削除を含む管理権限を、ビューアーはクエリのみの権限を持ちます。これまでナレッジベースが単一の所有者に依存していた運用から、チーム単位での共同管理が可能になる点が特徴で、既存のデータソース接続をそのまま再利用できるため、認証情報を再入力する必要もありません。東京リージョンを含む7つのAWSリージョンで利用でき、複数メンバーで社内ナレッジの整備を担当しているユーザーにとって運用がしやすくなる内容です。
- Amazon QuickがACL対応ナレッジベースの権限検証機能をサポート
  Amazon QuickのACL（アクセス制御リスト）対応の知識ベースで、特定のユーザーが特定のドキュメントにアクセスできるかを検証するPermission Checker機能が追加されました。管理者は「Sync reports」タブからメールアドレスを入力することで、アクセス可否や、対象ドキュメントにアクセス可能なユーザー・グループ一覧を確認できます。これまではデータソース側の権限継承を手作業で追いかける必要があり、権限設定のトラブルシューティングに手間がかかっていました。機密情報が想定外のユーザーに参照されていないかを体系的にチェックできるようになるため、社内ナレッジを扱う知識ベース運用のセキュリティ確認を効率化したいユーザーにとって役立つ内容です。東京リージョンを含む7つのAWSリージョンで利用できます。
- Amazon SageMaker Unified StudioがIAMドメインのプロジェクト内で複数コードスペースに対応
  Amazon SageMaker Unified Studioで、IAMドメインの単一プロジェクト内に複数のコードスペース（個別に設定できる開発環境）を作成・管理できるようになりました。従来はプロジェクトあたりJupyterLabスペース1つとCode Editorスペース1つに限られていましたが、それぞれ独立したAmazon EBSボリュームを持つ複数のスペースを用意できます。長時間のデータ変換ジョブを動かしながら別スペースでモデル学習を進めるといった並行作業がしやすくなる点が特徴で、スペースごとに計算リソースやストレージをスケールさせたり、一時停止・再開したりできます。ブラウザからもローカルIDEからも接続でき、Amazon Q有料版にも対応しているため、1つのプロジェクト内で複数のワークストリームを回しているデータサイエンティストにとって作業効率の向上につながる内容です。
- Amazon SageMaker AIがQwen3.5モデルのサーバーレスモデルカスタマイズに対応
  Amazon SageMaker AIで、Alibaba Cloudが提供するQwen3.5モデル（4B・9B・27Bパラメータ版）に対するサーバーレスのファインチューニングがサポートされました。教師ありファインチューニング（SFT）と強化学習ファインチューニング（RFT）の両方に対応し、クラスター管理を行わずにモデルカスタマイズを実行できます。自社の独自データでモデルを調整して業界特有の用語や品質基準に適応させたい場合でも、インフラの構築や運用はAmazon SageMaker AI側が担うため、データや評価設計に集中できる点が特徴です。利用した分だけの従量課金モデルで、東京リージョンを含む4つのAWSリージョン（米国東部（バージニア北部）、米国西部（オレゴン）、アジアパシフィック（東京）、欧州（アイルランド））で提供開始されており、Qwen3.5を自社ユースケース向けに特化させたいユーザーにとって選択肢の一つになります。
- Amazon SageMaker AIが生成AI推論レコメンデーション機能を提供開始
  Amazon SageMaker AIに、生成AIモデルの推論環境を自動でベンチマークし、最適な構成を提案する「推論レコメンデーション」機能が追加されました。ユーザーがモデルとトラフィックパターン、性能目標（コスト最適化・レイテンシー最小化・スループット最大化のいずれか）を指定すると、システムが複数のインスタンスタイプを評価し、検証済みのメトリクスとともにデプロイ可能な構成を返します。初回応答時間（TTFT）、トークン間レイテンシー、スループット、コスト予測といった指標が一度にまとめて得られるため、手動でベンチマークを組んで比較する手間を省ける点が特徴です。東京リージョンを含む7つのAWSリージョンで利用でき、生成AIモデルを本番展開する際のインスタンス選定に悩んでいるユーザーにとって参考になる内容です。
- Amazon SageMaker JumpStartで5つの新しいQwenモデルが利用可能に
  Amazon SageMaker JumpStartで、Alibabaが提供するQwenシリーズの新しい5つのモデルが利用できるようになりました。ツール利用や実行失敗からの復旧に対応する「Qwen3-Coder-Next」、思考モードの切り替えに対応した「Qwen3-30B-A3B」、数学・科学・コーディングの推論に特化した「Qwen3-30B-A3B-Thinking-2507」、エージェント型コーディング向けの「Qwen3-Coder-30B-A3B-Instruct」、マルチモーダルに対応する軽量モデル「Qwen3.5-4B」の5種類です。数クリックでデプロイできるJumpStartの特性を活かして、コーディングエージェントや多言語アプリケーション、軽量モデルでのコスト最適化された推論など、用途に応じたモデルを選択しやすくなっています。Qwenシリーズを自社のユースケースで試したいユーザーにとって、選択肢が広がる内容です。
- Amazon EC2 G7eインスタンスがAWS Local Zonesロサンゼルスで利用可能に
  Amazon EC2のG7eインスタンスが、AWS Local Zonesのロサンゼルス（us-west-2-lax-1b）で利用できるようになりました。NVIDIA RTX PRO 6000 Blackwell Server Edition GPUと第5世代Intel Xeon Scalableプロセッサを搭載しており、VFXや色補正などのクリエイティブ制作から、大規模言語モデルの推論といったAIワークロードまで幅広く対応します。ロサンゼルス周辺でスタジオワークステーションやポストプロダクション、エッジでのAI推論といった低レイテンシーが求められる用途に、地理的に近い場所からGPUリソースを利用できる点がポイントです。オンデマンドとSavings Plansの両方で購入でき、メディア・エンタテインメント業界やエッジAIの導入を検討しているユーザーにとって選択肢の一つになる内容です。

「AWS ジャパン生成 AI 実用化推進プログラム」も引き続き実施中ですので検討してみてください。

今週は以上です。それでは、また来週お会いしましょう！

著者について

【開催報告】AWS Retail & CPG EXPO 2026 — AI エージェントが変える流通小売・消費財業界の現場を体感

Tomo Yamashita — Mon, 27 Apr 2026 04:38:09 +0000

2026年4月20日（月）、AWS は完全招待制イベント「AWS Retail & CPG EXPO 2026 — Build the future with AI」を AWS 東京オフィスにて開催しました。48社・約100名のお客様にご来場いただき、盛況のうちに閉幕しました。AI エージェントのデモを日本向けにローカライズし、「見て、触れて、体感できる」場をご提供しました。18:00からは懇親会も実施し、参加者の皆さま同士の交流の場となりました。ご来場いただけなかったお客様にも、このブログでイベントの内容を振り返りながらご紹介します。

AI エージェントが変える業界の未来

AI の時代は AI エージェントの時代へと移り変わっています。AI エージェントをどれだけ自律的に稼働させ、私たちの業務に適用できるかが問われる時代です。AI エージェントを安全に動かす基盤とともに、流通小売・消費財、飲食業界においてどのように活用していくかが重要なテーマとなっています。一方で、日本では「わかっている、でも進まない」という現状があります。本イベントは、この壁を乗り越えるきっかけとして、AI エージェントの”実物”を体感し、挑戦する企業の事例から自社の次の一歩を見つけていただくことを目的に開催しました。

展示エリア — AI エージェントの”実物”を体感

展示エリアでは、NRF 2026 で発表されたデモを日本向けにローカライズし、流通小売・消費財、飲食業界のワークロードに沿って、製品開発と生産計画・価格戦略、サプライチェーン、店舗・サイトでの顧客体験の流れで4カテゴリ・7ブースをご紹介しました。すべてのデモに共通するのは「マルチエージェント × Human-in-the-Loop」というコンセプトです。AI エージェントが自律的に連携しながらも、重要な判断は人間が行うという設計思想を、実際に動くデモで体感いただきました。各展示の詳細資料は下記の各展示紹介からダウンロードいただけます。気になった展示がございましたら、担当営業まで個別デモをお気軽にご相談ください。

マーチャンダイジング — 製品開発・価格戦略

製品開発や価格戦略は、企業の競争力を左右する重要な領域です。2つのマルチエージェントデモをご紹介しました。

Luggage Lab：リサーチャー・デザイナー・プランナーの3つのエージェントが連携し、製品イノベーションを加速するデモをご覧いただきました。（Luggage Lab 詳細資料）

Luggage-Lab — エージェントの役割図

Luggage-Lab — アーキテクチャ

Retail Pricing Agent：競合調査・需要分析・価格決定の3つのエージェントが連携し、生成 AI で価格戦略を自動化するデモをご紹介しました。（Retail Pricing Agent 詳細資料）

Retail-Pricing-Agents — 処理フロー

Retail-Pricing-Agents — アーキテクチャ

サプライチェーン — 混乱への自律的対応

サプライチェーンの混乱は、流通小売・消費財、飲食業にとって常に大きなリスクです。複数エージェントが連携して情報を収集・対策案を出し、人が判断するという形を体験いただきました。

Agentic Supply Chain：調達・在庫・計画・物流の4つのエージェントが連携し、サプライチェーンの混乱に AI エージェントが自律的に対応するデモを展示しました。（Agentic Supply Chain 詳細資料）

Agentic-Supply-Chain — 専門エージェントチーム構成

Agentic-Supply-Chain — アーキテクチャ

オムニチャネル — 顧客体験の変革

デジタルと実店舗をシームレスにつなぐ顧客体験は、業界の重要なテーマです。3つのデモで、AI が「一人ひとり」に寄り添う新しい顧客体験をご紹介しました。

Smart Beauty：画像解析により肌質を16タイプに詳細分類し、改善提案を自動化するデモです。美容部員の知見を AI が再現しています。（Smart Beauty 詳細資料）

Smart-Beauty — 肌質+パーソナルカラー診断

Smart-Beauty — アーキテクチャ

Fix&Fab：写真と説明だけで DIY の修理手順を生成し、ショッピングリストや専門家紹介まで提供するデモをご覧いただきました。（Fix&Fab 詳細資料）

Fix-and-Fab — 写真1枚でプロジェクト設計

Fix-and-Fab — アーキテクチャ

リテール AI コンシェルジュ：商品提案から在庫確認、イベント案内、来店プランまで、EC から店舗へのシームレスな動線を実現するデモをご紹介しました。（リテール AI コンシェルジュ詳細資料）

Retail-AI-Concierge — 新たな顧客体験

Retail-AI-Concierge — アーキテクチャ

プロダクトイノベーション — 次世代パーソナライズ

返品問題やサイズ選びの課題は、EC・実店舗を問わず業界の大きなテーマです。

Bodd：Bodd社の提供する 60秒の非接触ボディスキャンによる精密採寸テクノロジーで、ブランド横断のサイズ提案を実現するデモを展示しました。

Bodd — ボディスキャンによる精密採寸

Bodd — カスタマージャーニー

気になった展示がございましたら、担当営業まで個別デモをお気軽にご相談ください。

セッション — 挑戦する企業に学ぶ

セッションは、AWS によるオープニング（2セッション）、お客様事例（4セッション）、AWS セッション（1セッション）で構成しました。

AWS オープニングセッション

Keanu Nahm / キアヌナン — 海外から見えてくる AI 活用成功の共通点と日本小売・消費財業界に示すチャンス

Keanu Nahm / キアヌナン（AWS グローバル小売・消費財事業開発日本ヘッド）は、NRF 2026 や ShopTalk 2026 のトレンドを踏まえ、グローバルの小売・消費財業界が AI の「実験の年」から「実装の年」へ移行している現状を紹介しました。AI が広く深く使われるための3条件として「使いやすさ（摩擦ゼロ）」「安心して任せられる」「習慣になる」を挙げ、日本の小売・消費財業界にとってのチャンスを示しました。（セッション資料はこちらからダウンロードいただけます。）

五十嵐建平 — AI エージェントが変える小売の現場を体感し、挑戦する企業の事例から自社の次の一歩を見つけよう

五十嵐建平（AWS インダストリソリューション本部本部長）からは、AWS から見る AI エージェントの現状、AI エージェントが「道具」から「同僚」へと進化している潮流を紹介し、本イベントの展示・セッションの全体像をご案内しました。（セッション資料はこちらからダウンロードいただけます。）

お客様事例セッション

株式会社コーセー — コーセーが挑む、生成 AI の全社展開～現場定着を実現する仕組み作り～

横山春佳氏　情報統括部 DX推進課生成AI推進リーダー
金田実久氏　情報統括部基盤開発課生成AI推進担当

(株)コーセーからは「いいシステムでも全員が使いこなせるとは限らない」という課題意識から、情報システム部門である情報統括部主導で生成 AI の全社展開に取り組んだ事例を紹介しました。システム構築と活用支援/教育を同時に進める全体構想のもと、社員が迷わず使える UI 設計、直感的なモデル選択、ゲーミフィケーションによる利用促進など、「自発的に使いたくなる」環境づくりを実現。AWS の Prototyping チームの協力で1ヶ月で基盤を構築し、生成 AI が組織の「共通言語」として定着した成果を共有いただきました。

株式会社 asken — Vibe Coding 起点での新機能開発で「あすけん」が乗り越えた壁

伊藤拓哉氏　プロダクト開発本部 AX推進部シニアプロダクトマネージャー
岩間良浩氏　プロダクト開発本部プロダクト開発部シニアテックリード

食事管理アプリ「あすけん」を提供する asken 社から、PdM とエンジニアの新たな共創プロセスについて発表がありました。PdM が Vibe Coding で「動く PRD（プロトタイプ）」を作り、AWS 上の実験基盤「あすけんラボ」でユーザー検証を回すプロセスを構築。一方で、動く PRD をそのまま本番に流用しようとして開発工数が3倍に膨らんだ「悲劇」も共有。その失敗から、AI によるリバースエンジニアリングを活用したリファインメントプロセスを確立し、PdM とエンジニアがそれぞれの専門性を最大限に発揮できる「順序と境界の設計」に行き着いた経緯をお話しいただきました。

株式会社ゴールドウイン — AI。わかってるのに進まない ― 現場と経営のギャップを超えるには

末光崇廣氏　総合企画本部シニアエキスパート

ゴールドウイン社からは、多くの企業が直面する「AI が検索・要約で止まってしまう」問題について登壇いただきました。AI が実装まで進まない5つの壁（経営の期待の曖昧さ、現場の余裕のなさ、成功指標の不在など）を整理し、経営と現場の間にある「見えない溝」を可視化。突破口として「企画書で説明するより、動くものを見せる」アプローチを提唱し、実際に1日でプロトタイプを形にした事例を紹介しました。「説明して理解を待つフェーズはもう終わった。2026年は AI を業務に埋め込む年にしよう」というメッセージが印象的でした。

株式会社カインズ — 次世代店舗で実現する Fitting Room 体験

菅武彦氏　株式会社カインズ情報システム事業部 CX統括部統括部長
向井剛志氏　アジアクエスト株式会社デジタルトランスフォーメーション事業部デジタルエンジニアリング部 Eビジネスエンジニアリング課マネージャー

カインズ社とアジアクエスト社から、「買う前に試せない」という店内購買の課題に対し、生成 AI を活用した「CAINZ Fitting Room」の取り組みを紹介いただきました。過去にもコーディネートの可視化に挑戦してきたものの、質感の再現が課題でした。生成 AI の進化により、Amazon Bedrock を活用した画像生成でこの課題を解決。部屋の画像に家具やカーテンを仮想配置し、質感や影の映り込みまで再現できるようになりました。現在は店舗のタッチパネルで体験を提供しており、将来的にはお客様自身の部屋の写真での配置確認や、AI によるおすすめコーディネート生成なども構想されています。本取り組みはマイナビ TECH+ でも紹介されています。

AWS セッション

松本鋼治 — Agentic AI 時代の広告・マーケティングの変革

松本鋼治（AWS 戦略事業開発本部プリンシパル事業開発マネジャー）は、リテールメディアの急成長、Agentic AI の台頭、AI 投資と実装のギャップという「3つの地殻変動」を解説。Amazon Ads の Creative Agent や Unified Campaign Manager など、Agentic AI で広告・マーケティングの民主化が進む最新動向と取るべき３つのアクションを紹介しました。（セッション資料はこちらからダウンロードいただけます。）

ご来場ありがとうございました

AWS Retail & CPG EXPO 2026 にご来場いただいた皆さま、誠にありがとうございました。AI エージェントは業務の中核に入り始めています。世界はもう動いています。自社の変革は、今日の「これ使えそう」から始まります。小さく始めて、AWS が伴走いたします。
ご来場いただけなかった皆さまも、ぜひ AWS の担当者までお気軽にご相談ください。皆さまの現場で AI エージェントが動き始めることを楽しみにしています。

イベント情報

名称：AWS Retail & CPG EXPO 2026 — Build the future with AI ～AIで未来を構築する～
形式：完全招待制
会期：2026年4月20日（月）13:00〜18:00
会場：AWS 東京オフィス
参加：48社約100名
主催：アマゾンウェブサービスジャパン合同会社

本ブログは AWS Japan のソリューションアーキテクト山下智之が執筆しました。

AUMOVIO が Amazon Bedrock 搭載のエージェント型コーディングアシスタントでソフトウェア開発を強化

Kazuho Sakamoto — Fri, 24 Apr 2026 07:06:14 +0000

本記事は2026年1月15日に公開されたAUMOVIO Boosts Software Development with an Agentic Coding Assistant Powered by Amazon Bedrockを翻訳したものです。

本ブログ記事では、AUMOVIO が Amazon Web Services (AWS) のサービスと知見を活用して、Software-Defined Vehicle (SDV) 領域における革新的な自動車向けコーディングアシスタントを開発した事例をご紹介します。AUMOVIO のソリューションは、複数の AI モデルを活用して開発ライフサイクルの各工程を加速させながら、自動車業界の標準と AUMOVIO 独自のコーディングベストプラクティスに準拠しています。可能な限りコードを再利用し、変更を最小限に抑えることで、このアシスタントは V 字モデルの他の工程に必要な作業を大幅に削減します。 AUMOVIO とその AWS 上の SDV ソリューションの詳細については、こちらをご覧ください。

背景

車両がますますソフトウェアにより定義される中、自動車メーカーは複雑化するソフトウェア、イノベーションサイクルの高速化、厳格な品質要件という困難に直面しています。ハードウェア、拠点ごとのチーム、手作業に依存して構築された従来の開発手法は、制約となりつつあります。自動車メーカーは、現在世界中の拠点で勤務する数千人のエンジニアと連携しながら、様々な観点で検証が必要な膨大なコードベースを管理しなければなりません。さらに、開発チームは AUTOSAR、MISRA-C/C++ ガイドラインなどのドメイン固有のソフトウェア開発標準に加え、独自の社内標準にも準拠する必要があります。AUMOVIO の開発チームは、自社の組込みシステムプロセスをこの新しい現実に適応させるというプレッシャーにさらされています。

AUMOVIO は自動車向けのアプリケーションの厳格な基準を維持しながら、チームの生産性を向上させるインテリジェントなソリューションを求めて、AWS と協業することにしました。

課題設定

自動車のベストプラクティスと規制によりよく適合させるため、AUMOVIO は V 字モデルに従ってソフトウェアを開発しています。各工程に費やされた工数を示す膨大な過去データのおかげで、AUMOVIO は効率化余地が最も高い工程を特定することができました。AWS の支援を受けて、AUMOVIO チームは以下を生成できるコーディングアシスタントの開発に取り組むことにしました：

システム設計から自動車向けメソッド本体を生成（コーディングアシスタントの第 1 弾）
システム設計からユニットテストを生成（コーディングアシスタントの第 2 弾）

ソリューションの検討

AIコーディングアシスタントの実現可能性を検証するため、AUMOVIO は AWS の支援の下でハッカソンを開催しました。まず、AUMOVIO チームは RAG ベースのアプローチを試し、コードベースをベクトルストアに保存し、Amazon Bedrock（サードパーティプロバイダーと Amazon の基盤モデルを簡単に使用できるフルマネージドサービス）を使用して、取得したチャンクに基づいてコードを生成しました。しかし、テストの結果、セマンティック検索では単一のクエリで与えられたタスクに関連するコードを取得できないことが判明しました。このアプローチの代わりに、チームはエージェント型アプローチを採用しました。このアプローチでは、コーディングアシスタント（強力な推論能力を持つモデルによって駆動）がコードベースから関連するコードコンテキストを段階的に取得します。言い換えると、エージェントは与えられたタスクに対して複数回検索を行い、各検索の結果を分析して必要な追加のコードコンテキストを決定し、コード生成などのタスクを完了するために必要なすべての関連情報を得るまで再度検索します。

このアプローチを実現するため、チームは Amazon Bedrock でホストされている Claude 3.7 Sonnet を搭載したオープンソースのコーディングアシスタント Cline を統合しました。エージェント型の構成は大きな可能性を示し、以下のような事例が得られました：

シニア開発者が5日間かけた作業を数分でバグ修正
非常に大きなファイルをリファクタリングし、冗長性を削除してサイズを50%削減

同じ構成は既存コードの説明においても非常に優れたパフォーマンスを発揮しました。一方で、これらの標準モデルは、多くの再利用可能な API とベストプラクティスを含む AUMOVIO コードベースでファインチューニングされておらず、自動車特有のドメインにおいては限界も見られました。多くの場合、生成されたコードは良好であっても既存のライブラリを活用しておらず、既存実装の重複やわずかなバリエーションを引き起こしていました。

ワークショップの結果を踏まえて、AUMOVIO と AWS チーム (AWS の Generative AI Innovation Center を含む) は協力して、概念実証 (PoC) の一環としてエージェント型アーキテクチャを考案しました。PoC の目的は、自動車ソフトウェア開発向けの特化型コーディングアシスタントの実現可能性を探ることでした。このプログラムは、AI 駆動のイノベーション可能性を迅速に評価するため、事前に定めた成功基準と指標で評価する構造化されたアプローチを取りました。PoC フレームワークは、スコープ定義、開発、テスト、パフォーマンス評価、技術検証を包含し、期間内に測定可能な成果を提供するように設計されました。

チームは以下で構成されるエージェント型アーキテクチャを設計しました:

ファインチューニングされたモデルまたはエージェント: コード生成やユニットテスト生成などの特定のV字モデルの工程に対して最先端の精度を提供するために使用。
オーケストレーターモデル (Claude Sonnet 3.7/4など): アプリケーションの対話ウィンドウで使用され、以下を実行:
- ユーザーからタスクに関する情報を収集
- 該当する場合、ファインチューニングされたモデルにタスクを委任
- ファインチューニングされたモデルでサポートされていないタスクに応答（例: コード説明）

パフォーマンスのベースラインを確立し、エージェントの取りうるさまざまな構成を理解するため、我々は多様な能力を持つ複数のモデルを評価しました。これには、迅速な応答に最適化された Nova Pro のようなプロンプトエンジニアリングのみを使用するモデルや、後に自動車特有のコードでファインチューニングのベースとして使用した Qwen3 32B のようなモデルが含まれています。

ソリューション

この評価フェーズにおいて、柔軟なインフラストラクチャを用いてこれらの異なるモデル機能を統合するアーキテクチャの必要性が明らかになりました。アーキテクチャの概要は、以下の通りです：

図1：マルチモデル/マルチエージェントコードアシスタントアーキテクチャ

AUMOVIO は、複数の拡張機能を備えた VS Code を標準の統合開発環境 (IDE) として採用しました。この既存の構成を基に、我々のアーキテクチャは Amazon Q Developer や Cline などのコーディング支援拡張機能を使用しています。

Amazon Q Developer は、開発者がアプリケーションを理解、構築、拡張、運用するのを支援する生成 AI アシスタントです。VS Code などの IDE で使用すると、Amazon Q はコードについてチャットし、インラインコード補完を提供し、新しいコードを生成し、セキュリティ脆弱性のためにコードをスキャンし、言語更新、デバッグ、最適化などのコードアップグレードと改善を行うことができます。Amazon Q Developer の推論とエージェント機能は、プレミアムモデルによってサポートされています。執筆時点では、Claude Sonnet 3.7 またはClaude Sonnet 4 で使用するように設定が可能でした。

同様に、オープンソースのプラグインの Cline は、IDE 内でエージェント型コードアシスタントのユースケースを実現するために、多くのエンドポイントをサポートしています。Cline は Claude Sonnet 3.7 や Claude Sonnet 4 など、Amazon Bedrock でホストされているモデルで簡単に設定できます。

さらに、このアーキテクチャは Model Context Protocol (MCP) を活用しています。MCP は、AI アシスタントが外部ツールやサービスと対話できるようにするオープン標準です。Cline と同様に、Amazon Q Developer は MCP をサポートしており、ユーザーはカスタムツールやサービスに接続することで Q の機能を拡張できます。我々のケースでは、ファインチューニングされたモデルを MCP エンドポイントとしてオーケストレーターモデルに公開しています。これにより、オーケストレーターモデルはユーザーから与えられたタスクの初期計画を行い、必要に応じてさらに情報を収集し、最終的に MCP プロトコルを介してファインチューニングされたモデルを呼び出すことができます。

以下は、図の番号付けに沿った Amazon Q Developer を使用した処理フローの例です：

1) 開発者は、 Amazon Q Developer が統合された VS Code に質問を送信します。

2) 基盤となるオーケストレーターモデルを使用して、Amazon Q Developer はタスクがメソッド生成に関するものであることを理解します。次に、オーケストレーターモデルは、関連するコードを生成するために一部の入力が不足していることを識別します。その後、Amazon Q Developer はさらなる入力 (不足している要件ドキュメントなど) を要求します。

3) 開発者とモデル間のメッセージ交換の後、Amazon Q Developer はすべての入力を収集します。次に、Amazon Q Developer は「Method Generator 用 MCP クライアント」を使用して、リクエストを Amazon API Gateway に転送します。Amazon API Gateway は、あらゆる規模で REST、HTTP、WebSocket API を作成、公開、維持、監視、保護するための AWS サービスです。

4) Amazon API Gateway は、クラウドネイティブ認証サービスである Amazon Cognito を使用してユーザーを認証します。

5) Amazon API Gateway は「Method Generator」AWS Lambda 関数に委任します。これは、コードを実行するためのクラウドネイティブサーバーレスコンピューティングエンジンです。

6a) リモート MCP サーバーを立ち上げて、「Method Generator」Lambda 関数は Amazon Bedrock に推論リクエストを行います。Amazon Bedrock は、メソッド生成専用のファインチューニングされたモデルをホストしています。同様に、タスクがユニットテストの生成に関するものであれば、「Test Generator」が呼び出されます (6b)。

7) モデルからの応答は、AWS Lambda → API Gateway → MCP クライアントのパスを介して Amazon Q Developer に返され、ローカル IDE のコードを変更し、ユーザーに確認を求めます（読みやすさを向上させるため、図では番号付けが省略されています）。

別の処理フローでは、ユーザーが既存コードの説明を求める場合があります。この場合、オーケストレーターはタスクを処理するファインチューニングされたモデルがないと結論付け、独自の推論能力を使用して回答を提供します。

現在のソリューションの MCP エンドポイントは、単一のタスクを処理するモデルエンドポイントによってサポートされていることに注意してください。したがって、現在のイテレーションはマルチモデルですが、必ずしもマルチエージェントではありません。推論し、ツールを利用する唯一のエージェントはオーケストレーターモデルだからです。同時に、このアーキテクチャは MCP エンドポイントの背後に追加のエージェント(推論とオーケストレーション機能を持つ) の拡張をサポートしており、これによりマルチエージェントコーディングアシスタントが実現されます。

ファインチューニングの詳細

業界標準を考慮したドメイン特化型の自動車コードを生成するため、我々は人間が書いた高品質なコードで言語モデルをファインチューニングします。このセクションでは、ファインチューニングプロセスの詳細を説明します。

データの準備

効果的なモデルのファインチューニングの基盤は、高品質でドメイン特化型の学習用データです。我々は、生の自動車ソフトウェアリポジトリを、C/C++ コード生成に不可欠な豊富なコンテキストを保持する構造化された学習用データに変換する前処理パイプラインを構築しました。

前処理パイプラインは、AUMOVIO の C/C++ リポジトリを探索して、包括的なコンテキストとともに個々の関数を抽出することから始まります。このコンテキストには以下が含まれます：

関数ドキュメント：Doxygen スタイルのコメントとインラインドキュメントの両方が抽出され、対応する関数実装にリンクされます。
システム要件：パイプラインは DOORS が出力したXML ファイルを解析して、関数ドキュメントで言及されている要件識別子を完全な要件テキストにマッピングします。
アーキテクチャコンテキスト：ドキュメントで参照されている PlantUML 図が抽出され、挙動の仕様を提供するために含まれます。
API コンテキスト：関連するヘッダーファイルとその関数シグネチャが収集され、利用可能な API とデータ構造に関する情報を提供します。

前処理を用いたアプローチの重要な工夫は、ヘッダーファイルと実装ファイルのインテリジェントな連携です。システムは各 C/C++ ソースファイルに対応するメインヘッダーファイルを識別し、含まれる依存関係から追加のコンテキストを抽出します。これにより、生成されたコードが既存の API を使用できることが保証されます。

# Example of context aggregation from the preprocessing pipeline
def create_training_example(function_info):
    user_message = f"Implement the function: {function_info['signature']}\n\n"

    if function_info["documentation"]:
        user_message += f"with following specifications:\n{function_info['documentation']}"

    if function_info["requirements"]:
        user_message += f"\n\nRequirements tests:\n{function_info['requirements']}"

    if function_info["uml_diagram"]:
        user_message += f"\n\nThe behavior follows this UML diagram:\n{function_info['uml_diagram']}"

    return {
        "messages": [
            {"role": "user", "content": user_message},
            {"role": "assistant", "content": function_info["implementation"]},

図2：抽出したコンテキストを集約するコード

前処理パイプラインは、いくつかの品質保証メカニズムも実装しています：

関数シグネチャの検証：ヘッダーファイルの宣言と照合することで、実装ファイルの関数シグネチャを自動的に修正します。
ドキュメントの完全性：包括的なドキュメントを持つ関数のみが学習用データセットに含まれます。
コードコンプライアンス：関数は、自動車の安全性とアーキテクチャパターンを含むカスタムルールセットに準拠しているか検証されます。

様々な複雑さを含むバランスの取れたコードを確保するため、前処理パイプラインは関数の長さと複雑さに基づく層別サンプリングを実装しています。このアプローチにより、一貫した分布特性を持つ学習用データセットとテスト用データセットが作成されます：

# Stratified sampling ensures balanced complexity distribution
stats = stratified_sample_jsonl(
    input_file="dataset-7037-funcs.jsonl",
    sampled_file="test-set-funcs.jsonl",
    remaining_file="train-set-funcs.jsonl",
    sample_size=1000,
    num_strata=5,
)

図3：層別学習用データサンプルの生成

結果として得られたデータセットには、完全なコンテキスト情報を含む約 7,000 の高品質な関数実装が含まれており、複雑さの分布を維持しながら学習用データセットとテスト用データセットに分割されています。

ファインチューニング

ファインチューニングを用いたアプローチは、自動車ソフトウェア開発の計算リソース制約と精度要件に最適化された最先端の技術を活用しています。

プロジェクトチームは、コード生成タスクでの優れたパフォーマンスと適度な計算リソース要件から、Qwen3-32B をベースモデルとして選択しました。ファインチューニングプロセスは、モデルの一般的な能力を維持しながら効率的な学習を実現するために、Low-Rank Adaptation (LoRA) を採用しています：

LoRA設定: アテンション層とフィードフォワード層に適用されるランク 8 アダプター (alpha=16)
量子化: BitsAndBytes を使用した 4 ビット量子化によりメモリ使用量を削減
ターゲットモジュール: クエリ、キー、バリュー、出力プロジェクション層に加えて、すべてのフィードフォワードネットワークコンポーネントに LoRA アダプターを適用

ファインチューニングでは、Amazon SageMaker の分散学習機能と PyTorch DeepSpeed を利用しており、自動車コードベースでの大規模モデル学習の計算リソースの要件を満たすように特別に設計されています。我々は、 SageMaker の remote デコレーターを使用して、単一インスタンス内の複数の GPU 間で分散学習を構成し、マルチノード構成へのスケーリングのためのサポートを備えています。

@remote(
    instance_type="ml.p4d.24xlarge",
    volume_size=100,
    use_torchrun=True,
    pre_execution_commands=[
        "pip install torch==2.5.1 transformers==4.51.3",
        "pip install peft==0.15.2 deepspeed bitsandbytes",
    ]
)
def train_model(train_dataset, test_dataset, config):
    # Adaptive DeepSpeed configuration based on quantization settings
    stage = 2 if use_quantization else 3
    deepspeed_config = {
        "zero_optimization": {
            "stage": stage,
            "overlap_comm": True,
            "contiguous_gradients": True,
            "offload_optimizer": {"device": "cpu", "pin_memory": True}
        }
    }
    if stage == 3:
        deepspeed_config["zero_optimization"].update({
            "offload_param": {"device": "cpu", "pin_memory": True},
            "stage3_prefetch_bucket_size": 1e6,
            "stage3_param_persistence_threshold": 1e4,
        })

    # Training implementation...

図4: SageMaker のremoteデコレーターを介した LLM の学習

学習用のインフラストラクチャは、いくつかの重要な最適化を実装しています：

適応型メモリ管理: システムは、学習の設定に基づいて DeepSpeed ZeRO-2 と ZeRO-3 の最適化ステージの両方を採用しています。量子化を使用する場合、ZeRO-2 は4ビット量子化モデルとの互換性が優れているため優先され、モデルパラメータを複製したままオプティマイザの状態を GPU 間で分割します。フル精度学習シナリオの場合、システムは自動的に ZeRO-3 に切り替わり、モデルパラメータをデバイス間でさらに分割し、アクティブに必要とされない場合は CPU メモリにオフロードします。この適応型アプローチにより、限られた GPU メモリでも 320 億パラメータのフルモデルの学習が可能になり、各設定で最適なパフォーマンスを維持します。
高度なパラメータ管理: ZeRO-3のパラメータ分割機能により、包括的な関数ドキュメントや要件トレーサビリティに必要な大規模なコンテキストウィンドウの処理が可能になります。バケットサイズとパラメータ永続化の閾値を調整することで、過度な通信オーバーヘッドを発生させることなく、効率的なパラメータストリーミングを実現しています。
通信最適化: 分散セットアップでは、NVIDIA Collective Communication Library（NCCL）を使用し、最適化されたタイムアウト設定と通信オーバーラップにより、コード生成モデル特有の大規模かつ密な勾配を処理します。
耐障害性と信頼性: 長時間の学習を考慮し、インフラストラクチャには、モデルダウンロード時のエクスポネンシャルバックオフを用いた堅牢なエラーハンドリングと、一時的なハードウェア障害に対する自動リトライ機構を組み込んでいます。また、システムは中断時に最後に保存された状態から学習を再開するチェックポイント復旧機能を実装しており、ZeRO-3のパラメータ分割により、より細かい粒度でのチェックポイント戦略が可能になっています。
動的リソース割り当て: Amazon SageMaker 統合により、学習の計算負荷に基づく動的スケーリングが可能になり、学習の計算負荷がピークに達した時に追加の計算リソースを自動的にプロビジョニングする機能があります。

分散学習のセットアップは、安定した収束を維持しながら、すべてのデバイスで約 85% の GPU 使用率を達成し、AUMOVIO が効率的なリソース使用を通じてクラウドコンピューティングコストを最適化しながら、開発スプリントの時間軸でファインチューニングサイクルを完了できるようにしています。

学習完了後のモデルは、Amazon Bedrock のカスタムモデルインポート機能を通じてデプロイメント用にパッケージ化され、前述のマルチモデルアーキテクチャとのシームレスな統合が可能になります。ファインチューニングされたモデルは、IDE 統合に必要な会話能力を維持しながら、ドメイン特化型の精度で大幅な改善を達成しています。

評価結果

MCP エンドポイントとしてデプロイされたさまざまなコード生成モデルの有効性を評価するため、C と C++ の両方のコード生成に焦点を当てた包括的な評価を実施しました。このセクションでは、評価方法論と主要な結果について詳しく説明します。

図5：コンプライアンスとレイテンシに関するさまざまなモデルの評価

この表は、ファインチューニングされたモデルと汎用モデルなどさまざまなベースモデルと、人間が作成したコードを比較しています。我々は、プロンプトエンジニアリング (PE) とファインチューニング (FT) 戦略に焦点を当て、複数の評価指標を使用しています：

カスタム自動車コーディングルールへの適合性: 正規表現ベースのカスタムビルド静的アナライザーを用いて測定 (関数あたりの平均エラー数で測定)
カスタム自動車アーキテクチャルールへの適合性: 正規表現ベースのカスタムビルド静的アナライザーを用いて測定 (関数あたりの平均エラー数で測定)
コード生成レイテンシ: 関数あたりの平均秒数

結果は興味深いパターンを示しています。 Qwen3 32B (PE) のような PE 重視のモデルは、C 言語において Automotive Architecture Checker 準拠スコアで平均 1.22 の違反、Automotive Coding Checker 準拠スコアで 0.54 を示す強力な C コード品質スコアを達成しましたが、FT 強化バージョンは C++ 生成で競争力のある結果を示しました。特に、Qwen3 32B – V2 (FT) は、C++ において優れた Automotive Architecture Checker 準拠スコア (0.02) と堅実な Automotive Coding Checker 準拠スコア (1.25) を達成し、ファインチューニングとプロンプトエンジニアリングを組み合わせる利点を示しています。

この結果は、MCP を通じて複数のコード生成モデルへの柔軟なアクセスを持つことの戦略的優位性を示しています。それぞれのモデルは異なるシナリオで優れた性能を示します: Nova Pro は優れた C 準拠スコアと14.62 秒のレイテンシで迅速な生成を提供し、素早いプロトタイピングと C 重視の開発に理想的です。一方、Qwen3 32B 由来のモデルは優れた C++ 準拠スコアを示しています。PE と FT アプローチ間のシームレスな切り替えが可能なため、さらに最適化が可能です。開発者は、プロンプトのカスタマイズが鍵となる単純な API 実装に PE モデルを利用できます。より複雑な C++ コード生成の場合、学習されたパターンがより有益なので、 FT モデルに切り替えることができます。この柔軟性は、各モデルのコストパフォーマンスのトレードオフと組み合わせることで、開発チームがプロジェクト固有の要件に基づいてコード生成を調整できるようにします。

これらのコードの品質改善と標準への準拠は、SDV の複雑性の増大に追随しながらコード品質を維持するという冒頭で述べた課題に直接的に対処しています。

「 AUMOVIO のエンジニアリングアシスタントは、顕著に高速な開発サイクルとコード品質の向上を実現しながら、SDV の複雑化に対応するのに役立っています。このアシスタントは、開発スピードを犠牲にすることなく自動車業界の標準に準拠することが可能です。これはまさに、今日の競争の激しい自動車市場で我々が必要としていたものです。」

– Amir Namazi, AUMOVIO バーチャライゼーションクラウド & AI ソリューションマネージャー

まとめ

この最初のイテレーションで、AUMOVIO はコード生成のためのファインチューニングされたモデルを利用して高度に特化したコーディングアシスタントを開発しました。今後、AUMOVIO はコーディングアシスタントのイテレーションを続け、V 字モデル開発プロセスのさまざまな工程をより効果的にサポートするために機能を拡張していきます。この取り組みをさらに促進するため、AUMOVIO は、現在の構成のエージェント型コーディングアシスタント機能とともに、V 字モデルライフサイクルの複数の工程をカバーする仕様駆動開発をサポートする Kiro に徐々に移行しています。単体テスト生成は引き続き重要な関心領域ですが、AUMOVIO のより大きな目標は、このツールをAUMOVIO 社内チームと外部パートナーの両方に利益をもたらす統合された製品グレードのオファリングに進化させることです。長期的なビジョンとしては、特化したモデルとオーケストレーターが開発ライフサイクル全体でシームレスに連携するマルチエージェントフレームワークへの移行を目指しています。

詳細については、AWS for automotive および Manufacturing ページをご覧いただくか、今すぐ AWS にお問い合わせください。

AI for Science – AI がもたらす研究新時代

Yoichi Takizawa — Fri, 24 Apr 2026 04:56:29 +0000

本記事は、大学・研究機関の研究者、R&Dディレクター、ラボマネージャー、そして研究のデジタル化やAI活用を検討されている科学技術系のリーダーの方々に向けて書かれています。

文部科学省は 2026 年 4 月、「AI for Scienceによる科学研究革新プログラム ( SPReAD ) 」の公募を開始しました。本事業は、あらゆる分野の研究者がAIを活用して科学研究の高度化・加速化を図れるよう、萌芽的・探索的な研究を支援するものです。1 課題あたり 500 万円以下の補助で計 1,000 件程度の採択が予定されており、計算資源やデータ整備、 API 利用料なども対象経費に含まれます。 AWS のクラウドサービスは、こうした研究に必要な計算基盤や AI サービスを柔軟に提供できる環境として、多くの研究者に活用されています。

AI for Science は将来的な可能性ではなく、すでに研究現場での活用が進みつつあるテーマとなっています。本記事では、各研究領域で具体的に何が起きているのかをユースケース中心にお伝えし、ご自身の研究に AI をどう取り入れるかを考えるきっかけとしていただければ幸いです。

1. タンパク質構造予測がノーベル賞を受賞した意味
〜研究の現場で起きていること

2024 年、 AI を活用したタンパク質研究にノーベル化学賞が授与されました。AI モデルによるタンパク質の立体構造予測 – 分子生物学において「 50 年来の夢」と呼ばれてきた課題を、AIが解き明かしたのです。この出来事が示しているのは、AI が研究の効率化ツールにとどまらないということです。AI は、人間の研究者が数十年かけても到達できなかった科学的発見を、まったく新しいアプローチで実現する力を持っています。そしてこの力は、創薬、材料科学、ゲノミクス、気候科学、素粒子物理学といったあらゆる科学領域に広がり始めています。

すなわち、AI for Science が「使える技術」になったと考えています。背景として、3つの潮流があると考えています。

ひとつは、AI 自体の成熟です。基盤モデル、マルチモーダル学習 ( 画像、音、テキストなど異なる種類の情報をまとめて扱った学習 / モデル開発 ) 、エージェント AI などが、研究の現場で実用に耐えるレベルに達しました。２つ目は、フィジカル AI の台頭です。ロボットやセンサーに組み込まれた知能が、実験室の中で自律的に動作するようになりました。そして、３つ目ですが、クラウドコンピューティングの普及です。大規模なデータ処理、柔軟に拡張できる GPU 環境、国境を越えた共同研究基盤が、個々の研究室でも手の届くものになりました。

これら、６つの領域から事例をご紹介したいと思います。

1-1. 創薬：分子設計から臨床試験まで、パイプライン全体が変わる

創薬研究は、AI の恩恵を最も早く、最も深く受けている領域のひとつです。生成モデルを使った新規分子設計 ( de novo分子設計 ) では、特定の標的に最適化された新しい分子構造の候補を数時間で数千個生成できるようになりました。従来、化学者が経験と直感に頼って行っていた作業を、AIが広大な化学空間の中から最適解を探索する形で補っています。薬の体内での吸収・分布・代謝・排泄・毒性 ( ADMET )をパイプラインの早い段階で予測することで、後期臨床試験での失敗——最もコストのかかる失敗——を未然に防ぐアプローチも広がっています。

AI によるタンパク質と薬剤候補の結合予測は、両者がどれだけ強く結びつくかを高い精度で予測し、コンピュータ上で数十億の化合物を評価できます。実験室のリソースを、本当に有望な候補に集中させることが可能になるのです。

1-2. ゲノミクス：生命の設計図を読み解く

ゲノミクス分野では、ディープラーニングによる遺伝子配列の解析が、変異の特定やパターン認識を大幅に加速しています。AlphaFold に代表されるタンパク質構造予測モデルは、アミノ酸の配列情報から立体構造を予測し、構造に基づく創薬設計の新たな道を切り拓きました。

注目すべきは、複数の生体データを統合する「マルチオミクス」の進展です。遺伝子、RNA、タンパク質、代謝物のデータを組み合わせて解析することで、病気のメカニズムの全体像を捉えることが可能になりつつあります。個人の遺伝子情報に基づくオーダーメイド医療の構築も、概念実証の段階を超え、実用化に向けて動き出しています ( 出典：AWS ゲノミクスソリューション ) 。

1-3. 材料科学：試行錯誤から、AI による逆設計へ

新材料の発見は、従来の試行錯誤では膨大な時間とコストを要しました。AI はこのプロセスを根本から変えつつあります。広大な化学空間を効率的に探索し、安定性や効率性に優れた新材料の候補を見つけ出す。硬さ、導電性といった材料の性質を機械学習モデルで予測する。さらに、「こういう性質を持つ材料が欲しい」という要求から逆算して材料を設計する「逆設計」も実現しつつあります。

AI とロボティクスを組み合わせた自律実験室では、材料の合成から性能評価までを 24 時間体制で自動化し、実験にかかる時間を桁違いに短縮しています。

1-4. 化学：合成経路の自動設計と自律実験

化学の分野では、ディープラーニングが反応の結果、収率、条件の予測を高い精度で実現しています。複雑な分子の合成経路を自動設計する AI は、数百万の候補ステップの中から最も効率的なルートを見つけ出し、危険な中間体を避けながらコストと収率を最適化します。

産業向けの新しい触媒の設計も加速しており、AI モデルとロボットを組み合わせた自律実験室では、実験の設計から実行、結果の評価、次の実験計画までを人手を介さずに行えるようになっています。

1-5. 気候科学：地球規模の課題に AI で挑む

気候変動への対応は、科学研究の中でも最も緊急性の高いテーマです。AI技術による高解像度の気候モデルは、地球全体の気候予測を地域レベルに落とし込み、地域ごとの適応策の立案を支援します。衛星やセンサーのデータをディープラーニングで分析する極端気象の予測は、従来より早い段階で、より高い精度で警報を出せるようになっています。

CO2 の回収・貯留 ( CCS )では、AIが吸着材の設計や貯留場所のシミュレーションを最適化し、エネルギー消費の低減に貢献しています。大量の衛星画像をほぼリアルタイムで分析する技術は、森林破壊の監視、生物多様性の追跡、カーボンオフセットの検証といった用途に活用されています (出典：AWS 地球観測 ) 。

1-6. 物理学：量子シミュレーションから核融合制御まで

物理学の最前線でも、AIは欠かせない存在になりつつあります。AI を活用した量子シミュレーションは、従来のコンピュータでは困難だった計算のボトルネックを克服し、波動関数の計算や量子状態の予測を高速化しています。LHC などの高エネルギー物理実験では、ディープラーニングが膨大な衝突データから珍しい粒子の反応をリアルタイムで選び出しています。

特に注目されているのが、強化学習によるトカマク型核融合炉の制御です。磁気コイルをリアルタイムで制御してプラズマの安定性を保ち、装置の損傷につながる不安定現象を防止 – 核融合エネルギーの実用化に向けた重要な技術的進展です。

2. AWS を活用して AI for Science を実践している先駆者たちの研究事例

ここでは、AI for Science を実践している 4 つの先進事例を紹介します。それぞれの研究がなぜ重要なのか、そして AI がどのような役割を果たしているのかについて説明したいと思います。

2-1. Genomics England — AI で遺伝子診断の精度を高める

なぜ重要か：希少疾患の患者にとって、正確な遺伝子診断は治療への第一歩です。しかし、一人の患者あたり数百万に及ぶ遺伝子変異を評価し、膨大な科学論文から関連するエビデンスを見つけ出すことは、人間の力だけでは限界があります。

AI の役割：Genomics England は、AWS 上に構築した基盤で機械学習を活用した文献分析を導入しました。その結果、人間のキュレーターが見落としていたエビデンスが発見され、複数の遺伝子が新たに診断レベルに昇格しました。従来は何年もかかったであろう成果が、数か月で実現したのです ( 出典 : Genomics England AWSカスタマーストーリー、AWS AIブログ：ゲノミクス変異解釈の加速 ) 。

2-2. Allen Institute for Brain Science — 世界最大の脳地図をつくる

なぜ重要か：アルツハイマー病やパーキンソン病といった脳の病気を理解し治療するためには、まず脳そのものの構造を詳細に知る必要があります。Allen Instituteは、人間の脳全体を細胞レベルで地図化するという壮大なプロジェクトに取り組んでいます。

AIの役割：Allen Institute は、AWS 上に「Brain Knowledge Platform ( BKP ) 」を構築しました。高性能コンピューティングと生成AIを組み合わせることで、従来は数週間かかっていたデータ処理パイプラインを1日で実行できるようになり、扱えるデータセットの規模は1,000倍に拡大しました。世界中の 1,000 以上の研究機関がこのプラットフォームを通じてオープンデータにアクセスし、脳科学の発見を加速しています ( 出典：Allen Institute カスタマーストーリー、Allen Institute：ヒト脳マッピング、Allen Brain Observatory オープンデータセット ) 。

2-3. LILA Sciences — AI が仮説を立て、実験を実行する

なぜ重要か：科学研究のボトルネックのひとつは、仮説の立案から実験の設計・実行までに多くの時間と人手がかかることです。もし AI がこのプロセスを自律的に行えるようになれば、発見のスピードは飛躍的に向上します。

AIの役割：LILA Sciencesは「AI Science Factory」という新しい研究の仕組みを構築しています。AI が自ら仮説を提案し、実験を設計・実行する。大規模な推論処理をAWSの計算基盤上で実行し、発見の規模と速度を大幅に引き上げています。研究者がAIと協働して科学的発見を生み出す——その未来の姿を、今まさに体現しているプロジェクトです ( 出典 : LILA Sciences AWSカスタマーストーリー、LILA Sciences 紹介動画 ) 。

2-4. University of Arizona — 「1週間の調査が1回の検索に」

なぜ重要か：研究者にとって、自分の研究テーマに関連する知見や共同研究の相手を見つけることは、成果を左右する重要な活動です。しかし、膨大な論文や研究者情報の中から適切な情報を探し出すには、多大な時間がかかります。

AIの役割：University of Arizona が開発した「KMap」は、年間 41,000 人以上が利用するAI搭載の研究コラボレーション基盤です。大規模言語モデル ( LLM )が研究者の関心を自動的に把握し、質問に対してエビデンスに基づいた回答を返します。ある研究者は「1週間分の手動調査が1回の検索で済んだ」と語っています。分野を越えた共同研究チームの形成を促すこの仕組みは、AIがもたらすネットワーク効果の好例です ( 出典 : AWS パブリックセクター blog University of Arisona KMap ) 。

3. AWSが支えるAI for Scienceの技術基盤/サービス

ここまで紹介してきたユースケースや事例の多くは、AWS のクラウドインフラ上で実現されています。それは、AI for Science が求める「大規模な計算資源」「多様な基盤モデルへのアクセス」「研究データの安全な管理」「グローバルな共同研究基盤」のすべてを、AWS が包括的に提供しているからです。ここでは、前半で紹介した研究領域の具体的な課題と、それを解決する AWS サービスの対応関係を見ていきます。

3-1. 仮説生成・文献レビュー — Amazon Bedrock と基盤モデル

創薬研究者が数百万の論文から新たな標的を探索する、ゲノミクス研究者が複数の生体データの中からパターンを発見する——こうした仮説生成の場面で中核となるのがAmazon Bedrockです。Claude、Llama、Amazon Nova / Titanといった主要基盤モデルに単一のAPIからアクセスでき、サーバーレスで即座に利用を開始できます。Amazon Bedrock は東京リージョン ( ap-northeast-1 ) で利用可能なため、研究データを国内に保持したまま基盤モデルを活用できます。Genomics England が膨大な論文の壁を突破した文献分析も、こうした基盤モデルの推論能力があってこそ実現しました。

さらに、Amazon SageMaker AI によるファインチューニングや継続的事前学習を通じて、特定の研究領域に特化したモデルを構築することも可能です。たとえば、化学反応の収率予測や材料特性の予測といった専門的な課題では、汎用モデルでは捉えきれない知見を自分たちの実験データで引き出すことが、研究の差別化につながります。

3-2. 実験設計・シミュレーション — HPC と AI コンピュート

材料科学の逆設計、気候モデルの高解像度化、量子シミュレーション、核融合炉のプラズマ制御——これらはいずれも膨大な計算資源を必要とします。AWS TrainiumとInferentia チップによる高性能な学習・推論インフラは、大規模モデルの開発と実行を高速・低コストで支えます。NVIDIA H100 GPU クラスタとElastic Fabric Adapter ( EFA ) による密結合 HPC クラスタは、分子動力学シミュレーションや気候モデリングといった計算集約型の研究に対応します。

Allen Institute が AWS 上で Brain Knowledge Platform を構築し、データ処理を数週間から1日に短縮できたのも、このスケーラブルな HPC インフラがあったからです。LILA Sciences が大規模な推論処理を実行する「AI Science Factory」も、AWS の計算基盤上で稼働しています。Amazon SageMaker HyperPodを使えば、大規模モデルのゼロからの学習も、インフラ管理の負担なく実行できます。

3-3. 科学文書インテリジェンス — 眠っているデータの活用

研究機関に眠る膨大な非構造化データ——論文、ラボノート、実験記録——を活用するための技術も、AWS の強みです。Amazon Textractはスキャンされた科学文書からテキスト、手書き文字、表データを自動で読み取り、研究論文特有の複雑なレイアウトにも対応します。Amazon Comprehendのカスタムエンティティ認識を活用すれば、化学物質名、タンパク質、投与量といった科学用語の認識や関係性の抽出を行えます。

これらを統合的な知識基盤として構築し、RAG ( 検索拡張生成 ) と組み合わせれば、数百万の文書を横断的に検索し、出典付きのエビデンスに基づいた回答を得ることが可能です。アリゾナ大学の KMap が「1週間分の手動調査を1回の検索に」短縮できたのは、まさにこの RAG の実践例です。

助成金申請の効率化に向けては、AWS とノースカロライナ大学の研究者が共同で開発したプロトタイプ「GROW ( Grant Writing Opportunity Wizard ) 」が注目されています。Amazon Bedrockのエージェント技術を活用し、研究者の専門性と利用可能な助成金を自動的にマッチングする仕組みで、GitHubでオープンソースとして公開されています。研究者が業務時間の42%を費やしているとされる事務作業 ( 出典：FDP Faculty Burden Survey ) の負担を軽減する取り組みとして、今後の発展が期待されます。

3-4. データ基盤 — 研究データを戦略的な資産に

AI for Science の成功は、データ基盤の質にかかっています。Amazon S3を中核としたストレージ基盤は、ゲノミクスの大規模な配列データから、気候科学の衛星画像、化学の分光データまで、あらゆる研究データを安全かつ柔軟に管理します。AWS Glue Data Catalogによるデータの整理、Amazon Athenaによるサーバーレスでの検索、Amazon Quickによる可視化まで、一貫した基盤上でデータの価値を引き出せます。Amazon Quickも東京リージョンで利用可能なため、研究データを国内に保持したまま分析・可視化を行うことができます。

Open Data on AWSでは、300PB 以上の公開データセット——1000 Genomes Project、The Cancer Genome Atlas、Landsat 8、SpaceNetなど——に無料でアクセスできます。創薬研究者がゲノムデータベースを参照する、気候科学者が衛星画像を分析する、材料科学者が結晶構造データを探索する——いずれの場面でも、データ取得のコストと時間を削減し、分析そのものに集中できる環境です。

3-5. データセキュリティと知的財産の保護

研究データの保護は、AI for Science において最も重要な課題のひとつです。特に創薬研究における分子構造データや、ゲノミクスにおける患者由来データなど、知的財産や個人情報を含むデータを扱う場面では、セキュリティへの信頼が欠かせません。

ここで明確にしておくべきことがあります。Amazon Bedrockでは、お客様のデータは基盤モデルの学習に一切使用しません。また、Anthropic等のサードパーティのモデルプロバイダーを利用した場合においても、モデルプロバイダーにデータは共有されません。データはAWS Key Management Service ( KMS ) による保存時暗号化とTLS 1.2+による転送時暗号化で保護され、IAM によるきめ細かなアクセス制御が可能です。AWS PrivateLink を使えば、パブリックインターネットを経由せずにプライベート接続できます。そして、多くのAWSサービスにおいて、国内にデータを保持することが可能です。

3-6. AIの倫理とガバナンス

AI for Scienceの推進にあたっては、技術的な能力だけでなく、AIの倫理的な利用とガバナンスの確保も重要です。研究の再現性、データの公正な取り扱い、AIが出す結果の説明可能性——これらは科学研究の信頼性を支える基盤です。

AWSは、制御可能性、プライバシーとセキュリティ、安全性、公平性、正確性と堅牢性、説明可能性、透明性、ガバナンスという8つの観点からなる責任あるAIフレームワークを提供しています。Amazon Bedrock Guardrails による不適切な出力の防止や、AWS CloudTrail による詳細な操作ログの記録を活用することで、研究の科学的厳密性を守りながらAIを活用するための仕組みが整っています。知的財産の漏洩リスクを心配することなく、安心してAIを研究に取り入れることができます。

4. 始めるなら、今

AI for Science の導入は、大きな投資や大がかりな体制づくりから始める必要はありません。

まず、ご自身の研究の中で、AI が役立ちそうな場面を見つけてください。文献レビューの効率化、繰り返しの多い分析作業の自動化、候補物質の絞り込みの高速化など、AIによって研究が具体的に前進する課題はどこにあるでしょうか。

次に、今の研究環境を振り返ってみましょう。手元のデータは十分に整理されているか、チームにはどのような知識や経験が足りないか。この振り返りが、具体的な計画を立てる出発点になります。

そして、小さく始めてください。8〜12 週間ほどの短期間で、テーマを絞った試験的な取り組み ( PoC )を行い、AI が実際に役立つかどうかを確かめます。AWSのマネージドサービスを活用すれば、インフラの構築や運用にかかる手間を最小限に抑えられます。手応えが得られたら、運用ルールや評価指標を整えながら、段階的に活用の範囲を広げていきましょう。

AWS では、研究者の方々が AI for Science を始めるための具体的な支援を用意しています。

短時間の相談会：研究の進め方を整理し、AIが活用できそうなテーマを一緒に特定します
導入支援サポート：文献検索の自動化や実験プロトコルの生成など、具体的なテーマで技術的な実現可能性を検証します。経験豊富なパートナーも紹介できます
生成AIイノベーションセンター：1億ドルの投資に裏打ちされた専門チームが、モデルの選定や研究への適用方法について助言します
文部科学省 SPReAD事業への応募に関する支援：計算資源やAPI利用料も対象経費に含まれており、AWSのクラウドサービスの利用費用も申請可能です。第1回公募は2026 年 5 月 18 日 ( 月 ) 正午締切です ( 第 2 回は 6 月上旬予定 )

ご関心をお持ちの方は、AWSの担当チームまでお気軽にお問い合わせください。

次の科学的ブレークスルーは、AIとの協働から生まれます。

アマゾンウェブサービスジャパン合同会社
執行役員パブリックセクター技術統括本部長
瀧澤与一 / Yoichi Takizawa

AWS Weekly Roundup: Amazon Bedrock での Claude Opus 4.7、AWS Interconnect の GA など (2026 年 4 月 20 日)

Sébastien Stormacq — Fri, 24 Apr 2026 01:23:05 +0000

私は 4 月 13 日週、University of Namur (uNamur) の 2025 年度の卒業式で祝辞を述べるという光栄な機会をいただきました。

私は卒業したばかりのコンピュータサイエンス専攻の学生たちの前に立ち、AI 時代のソフトウェア開発の未来について語りました。私のメッセージは次のようにシンプルなものでした: AI によって皆さんのスキルが時代遅れになるということはありません。ツールはパンチカードから、IDE、そして AI 支援コーディングへと、数十年をかけて進化してきましたが、作業はツールではなく、人々のものであり続けています。成功するデベロッパーは、好奇心を持ち続け、システム思考をし、正確なコミュニケーションを取り、自分が構築したものに責任を持つ人たちです。世界はコーディングスキルを持つ人材を、減らすのではなく、さらに増やす必要があります。AI は私たちが達成できることについての水準を引き上げてくれます。そして、それはすばらしいことです。

それでは、4 月 20 日週の AWS ニュースを見ていきましょう。

ヘッドライン
Anthropic の Claude Opus 4.7 が Amazon Bedrock で利用可能に – Anthropic の最もインテリジェントな Opus モデルが Amazon Bedrock で利用可能になりました。コーディング、長時間実行エージェント、専門的な知識作業におけるパフォーマンスが改善しています。Claude Opus 4.7 は、SWE-bench Pro で 64.3%、SWE-bench Verified で 87.6% のスコアを獲得し、より強力な長期自律性と複雑なコード推論によって、エージェンティックコーディングにおける優位性をさらに強化しました。また、文書作成、財務分析、複数ステップの調査などの知識作業タスクにおいても、より優れたパフォーマンスを発揮します。

このモデルは、動的なキャパシティ割り当て、適応型思考 (リクエストの複雑さに基づいて Claude が思考トークン予算を割り当てられるようにする機能)、および 100 万トークンのフルコンテキストウィンドウを備えた Bedrock の次世代推論エンジン上で動作します。さらに、チャート、高密度ドキュメント、画面 UI における精度を向上させるために、高解像度画像のサポートも追加されました。Claude Opus 4.7 は、米国東部 (バージニア北部)、アジアパシフィック (東京)、欧州 (アイルランド)、欧州 (ストックホルム) でリリースと同時に利用可能となり、各リージョンでアカウントあたり最大 10,000 件のリクエスト/分まで対応できます。

AWS Interconnect の一般提供が開始され、ラストマイル接続を簡素化する新しいオプションが追加 – AWS Interconnect では、2 つのマネージドプライベート接続機能の一般提供が開始されました。1 つ目は AWS Interconnect – Multicloud です。これは、AWS VPC と他のクラウドプロバイダー (Google Cloud は現在利用可能であり、Azure と OCI は 2026 年以降に利用可能となる予定です) 間のレイヤー 3 プライベート接続を提供します。トラフィックは、AWS グローバルバックボーンとパートナークラウドのプライベートネットワークを経由して流れ、パブリックインターネットを経由することはなく、MACsec 暗号化、マルチファシリティの回復力、CloudWatch モニタリングが組み込まれています。AWS は、基盤となる仕様を Apache 2.0 で GitHub に公開しているため、どのクラウドプロバイダーでも Interconnect パートナーになることができます。

2 つ目の機能である AWS Interconnect – Last Mile は、既存のネットワークプロバイダーを通じて、支店、データセンター、リモート拠点から AWS への高速プライベート接続を簡素化します。2 つの物理拠点に 4 つの冗長接続を自動的にプロビジョニングし、BGP ルーティングを設定して、MACsec 暗号化と Jumbo Frames をデフォルトでアクティブ化します。また、再プロビジョニングなしでコンソールから調整可能な 1～100 Gbps の帯域幅を提供します。Last Mile は、米国東部 (バージニア北部) で Lumen を最初のパートナーとしてリリースされます。

4 月 13 日週のリリース
4 月 13 日週のリリースのうち、私が注目したリリースをいくつかご紹介します:

Amazon ECR のプルスルーキャッシュがリファラーの検出と同期のサポートを開始 – ECR のプルスルーキャッシュは、アップストリームレジストリから OCI リファラー (イメージ署名、SBOM、アテステーション) を自動的に検出し、プライベートリポジトリに同期するようになりました。これは、エンドツーエンドのイメージ署名検証と SBOM 検出ワークフローが、クライアント側の回避策なしで機能することを意味します。
AWS Transform が Kiro と VS Code で利用可能に – 移行とモダナイズのエージェンティックファクトリである AWS Transform が、Kiro (Power として) および VS Code (拡張機能として) を介してアクセスできるようになりました。Java/Python/Node.js のバージョンアップグレードや AWS SDK の移行などの一般的なパターンに対応したカスタム変換を IDE から直接実行でき、ジョブの状態はウェブコンソール、CLI、IDE 間で共有されます。
Aurora DSQL が PHP 用コネクタをリリース – 新しい Aurora DSQL Connector for PHP (PDO_PGSQL) は、IAM トークンの自動生成、SSL 設定の処理、接続プーリングの管理、エクスポネンシャルバックオフによるオプトイン方式の楽観的並行性制御リトライの提供により、Aurora DSQL 上での PHP アプリケーションの構築を簡素化します。
Amazon Q が Google Drive のドキュメントレベルのアクセスコントロールをサポート – Amazon Q は、Google Drive のナレッジベース用にドキュメントレベルのアクセスコントロールを強制適用するようになりました。高速な事前取得フィルタリングのためのインデックス付き ACL レプリケーションと、クエリ時の Google Drive に対するリアルタイムのアクセス許可チェックを組み合わせています。
AWS Secrets Manager がハイブリッドポスト量子 TLS をサポート – Secrets Manager は、現在および将来の量子コンピューティングの脅威からシークレットを保護するために、ML-KEM を使用したハイブリッドポスト量子鍵交換をサポートするようになりました。これは、Secrets Manager Agent 2.0.0 以降、Lambda 拡張機能 v19 以降、および CSI Driver 2.0.0 以降で自動的に有効になります。
Amazon EC2 C8in および C8ib インスタンスの一般提供を開始 – カスタムの第 6 世代インテル Xeon Scalable プロセッサと第 6 世代 AWS Nitro Card を搭載したこれらのインスタンスは、C6in と比較して、最大 43% 高いパフォーマンスを提供します。C8in は 600 Gbps のネットワーク帯域幅 (拡張ネットワーキング EC2 インスタンスの中で最高) を提供し、C8ib は最大 300 Gbps の EBS 帯域幅 (非アクセラレーション対応コンピューティングインスタンスの中で最高) を提供します。最大 384 vCPU までスケールします。

AWS のお知らせに関する詳しいリストについては、「AWS の最新情報」ページをご覧ください。

その他の AWS のニュース
興味深いと思われる追加の記事やリソースをいくつかご紹介します:

Amazon EKS Auto Mode でエンタープライズネットワーキングの課題を解決 – この記事では、EKS Auto Mode が VPC CNI 設定、ロードバランサーのプロビジョニング、DNS 管理など、Kubernetes ネットワーキングインフラストラクチャを自動化し、エンタープライズセキュリティコントロールを維持しながら、運用上のオーバーヘッドを削減する方法について説明します。
Amazon Bedrock のきめ細かいコスト帰属の導入 – 私の同僚である Micah が先週この機能について既に説明しましたが、ブログ記事は先週のまとめ記事の後に公開されました。Amazon Bedrock は、各 API コールを実行した特定の IAM プリンシパルに推論コストを自動的に帰属させるようになり、その結果は AWS コストと使用状況レポート (CUR 2.0) に反映されます。IAM プリンシパルタグとセッションタグを使用して、チーム、プロジェクト、またはコストセンターごとにコストを集計できます。
Amazon EBS Volume Clones を使用して開発ワークフローを加速 – EBS Volume Clones を使用することで、データ転送のために待機することなく、EBS ボリュームの即時のポイントインタイムコピーを作成できます。この記事では、開発/テスト環境の更新、ディザスタリカバリテスト、CI/CD パイプラインの加速など、さまざまなユースケースをご紹介します。
AWS Transform カスタムを利用して VB6 アプリケーションを大規模にモダナイズ – AWS Transform Custom のエージェンティック AI 機能を使用して、レガシー Visual Basic 6.0 アプリケーションを最新の C# ASP.NET Core ウェブアプリケーションに変換する方法を解説します。COM の依存関係、ADO から Entity Framework への移行、VB6 フォームから Blazor UI への変換などの課題にも対処します。
CloudFront を利用したダウンタイムなしでの API 移行と分解 – Strangler Fig パターンに基づいた、ユーザー認識型のインテリジェントトラフィックルーティングを実現する CloudFront KeyValueStore と CloudFront Functions を利用した、ダウンタイムなしの API 移行戦略。これは AWS Migration Hub Refactor Spaces が提供する機能と似ていますが、CloudFront とエッジ関数でのみ実装されています。

今後の AWS イベント
カレンダーを確認して、近日開催予定の AWS イベントにサインアップしましょう:

AWS Events – 今後お近くで開催される AWS 主催の実地およびオンラインイベント、スタートアップイベント、デベロッパー向けイベントをご覧ください。
AWS Power Hour – さまざまな AWS トピックをカバーする、Twitch での毎週のライブトレーニングセッション。
Community.aws – お近くで開催されるコミュニティ主催イベント、ミートアップ、ユーザーグループを検索できます。

4 月 20 日週のニュースは以上です。 4 月 27 日週に再びアクセスして、新たな Weekly Roundup をぜひお読みください!

– seb

原文はこちらです。

EngineLab AI: AWSで実現するスタジオとクリエイター向け本番制作AI環境

Hiroki Mori — Wed, 22 Apr 2026 09:41:36 +0000

本記事は 2026 年 4 月 19 日に公開された「EngineLab AI: Production-ready AI for studios and creators on AWS」を翻訳したものです。

AI ツールは制作ワークフローの効率化を約束する一方で、スタジオは難しいジレンマを抱えています。AIツールを利用するためにはセキュリティ、知的財産 (IP) 保護、制作の安定性に関する現実的な懸念を伴うためです。本記事では、そんな制作現場でのトレードオフを解消するソリューションをご紹介します。

ComfyUI のような AI ツールを活用すると、モデル、処理ツール、クリエイティブな操作をつなぎ合わせ、本番レベルのワークフローを視覚的に設計・構築できます。ComfyUI は AI コンテンツ生成向けのオープンソースなノードベースのインターフェースです。しかし、制作ワークフローの加速や効率化を謳う新興技術にありがちなように、リスクも生じます。急速に進化する AI の世界では、標準化、パイプライン統合、アプリケーションの安定性といった課題が生まれます。セキュリティ面の課題はさらに複雑です。使用するモデルの出所を把握して法的要件に対応しつつ、AI ワークフローを流れる IP を厳格なセキュリティ基準に従って保護する必要があります。モデルやアーティファクトを適切に審査・承認しなければ、未承認の、場合によっては悪意あるツールやコードが作業環境に持ち込まれるリスクがあります。

これまでクリエイターは、AI を本番環境に導入するにあたり、こうしたメリットとリスクのバランスを取ることを余儀なくされてきました。

AWS のメディア・エンターテインメント専門パートナーである EngineLab は、EngineLab AI というマネージドデプロイメントプラットフォームを提供開始しました。AWS インフラ上に構築され、ComfyUI などの AI アプリを安定した、セキュアな本番対応ツールセットとしてパッケージ化しています。メディア・エンターテインメント業界に向けに設計されており、ワークフローの特性を理解したうえで、ワークフローを構築する上級ユーザーから定型プロセスを活用したい一般ユーザーまで、チームのすべてのアーティストが強力な AI 機能を使えるようになります。

「スタジオは AI を本番環境で使いたいと言っています。しかし、現状の不安定さやリスクは受け入れられない。私たちは、その障壁を取り除くプラットフォームを構築しています。業界が求めるセキュリティとコントロールを備えた形で、AI ツールをスタジオのワークフローに組み込んでいきます。」 – Sam Reid、EngineLab 共同創業者兼 CEO

本記事では、EngineLab AI でこれらの課題を解決する方法を紹介します。具体的には、完全なデータ主権を確保するために顧客の AWS アカウントへ直接デプロイすること、最適な可用性とコストを実現するために AWS が提供するグローバル GPU リソースを活用すること、そしてワークフローに必要なクリエイティブな柔軟性を損なわずに IP を保護するセキュリティ制御を統合することです。

安定したスケーラブルな AI ワークフローの実現

スタジオにとって、高性能 GPU ハードウェアの調達はますます困難で高コストになっています。部品不足、価格上昇、オンプレミスインフラの維持管理負担により、AI ワークロードが必要とする GPU 容量の確保・維持は難しくなる一方です。ハードウェアを調達できたとしても、多様なプロジェクトやチームにまたがって安定的で効率的に割り当てるという課題が残ります。

ComfyUI の Web ベースアーキテクチャは、従来のリモートデスクトップソリューションに対して大きな優位性を持ちます。一般的なクラウドワークステーションは Virtual Desktop Infrastructure セッションを使い、キーボード、マウス、Wacom タブレットなどの操作を含むデスクトップ画面をリモートからローカルクライアントへストリーミングします。一方 ComfyUI はローカルの Web ブラウザ上で動作し、処理負荷の高い計算はサーバー側で実行されます。ユーザーインターフェースがレイテンシの影響を受けないため、重要なアーキテクチャ上の利点が生まれます。コンピューティングリソースをレイテンシを気にせずリモートでプロビジョニングできるのです。

EngineLab AI はこの柔軟性を活かし、AWS グローバルインフラを動的に活用します。利用可能な Amazon Elastic Compute Cloud (Amazon EC2) キャパシティ (オンデマンドの GPU インスタンスを提供する AWS のスケーラブルな仮想サーバーサービス) を持つ AWS リージョン (地理的に独立した AWS データセンターのクラスター) を活用します。これにより EngineLab AI は、Blackwell、Ada Lovelace、Ampere など多様な NVIDIA GPU アーキテクチャを搭載した GPU 搭載 Amazon EC2 インスタンスタイプのグローバルプールにアクセスできます。vCPU 数やメモリ構成も幅広く、複数リージョンにまたがって可用性を高めることで、固定のローカルハードウェアをめぐる競合を減らせます。Amazon EC2 インスタンスを活用することで、AI ワークフローの固定コストを削減し、必要なときに必要なだけ GPU リソースをオンデマンドで利用できます。

また、スタジオはタスクに応じてコンピューティングリソースを柔軟に選べます。クラウドインフラが各ジョブに適切なリソースを動的に割り当てられる環境では、すべてのアーティストがデスクの下に高性能グラフィックカードを搭載した機器を置く必要はありません。GPU リソースを複数ユーザーで分割することでコストをさらに削減でき、オンプレミスハードウェアの固定費や運用負担なしに、スケールした GPU コンピューティングへの安定したアクセスを実現します。

EngineLab AI: スタジオとクリエイター向けマネージドプラットフォーム

EngineLab は AWS グローバルインフラを基盤に、メディア・エンターテインメント向けに一から設計されたマネージドプラットフォームを開発しました。AI ツールを本番環境に導入する際にスタジオが直面する固有の課題に対応しています。

図 1 に示すプロジェクト管理インターフェースでは、ワークフローの状況を一元的に把握できます。管理者はここからアクティブなワークフローの追跡、リソース使用状況の監視、アーティストのアクセス管理を行えます。

図 1: EngineLab AI のプロジェクト管理インターフェース。管理者によるワークフローの追跡、リソースの監視、アーティストのアクセス管理の様子を示しています。

複雑な操作なしに即座にセッションを開始

アーティストが AI ツールを使うためにクラウドインフラを理解する必要はありません。EngineLab AI では、アプリを選択して起動するだけで AI アプリが使えます。適切なコンピューティングのプロビジョニング、環境の読み込み、安定したセッションの提供まで、すべてが自動で処理されます。セットアップも、トラブルシューティングも、待ち時間も不要です。スタジオはプロジェクト単位で作業を管理し、アーティストは必要なアプリをその中で起動するだけです。締め切りを抱えた現場では、セッションが起動しなかったり途中で止まったりすることは許されません。一貫性と信頼性のある操作性が重要です。

Artist UI: すべてのアーティストが使える高度なワークフロー

どのスタジオにも、複雑なノードグラフを使って高度なワークフローを構築する ComfyUI の上級ユーザーがいます。しかし規模が大きくなると、多くのアーティストは技術的な専門知識を習得することなく、そのワークフローの恩恵を受けたいと考えます。Artist UI はその橋渡しをします。入力、プロンプト、出力といった基本的なエンドポイントだけを公開することで、アーティストは画像をアップロードし、やりたいことを記述するだけで結果を得られます。ノードグラフを操作しなくても、裏側では高度なワークフローが動いています。

これはスタジオにとって重要な IP 保護の課題も解決します。カスタムワークフローは実質的な競争優位性を持ちますが、ワークフローとユーザーの間に何も介在しなければ、フリーランサーが次の仕事先に持ち出すことを防ぐ手段がありません。Artist UI が境界として機能することで、内部の実装を公開せずにスタジオ全体がその機能を活用できます。

データ主権: 安心のセキュリティ

本ソリューションは顧客自身の AWS アカウントおよび環境にのみデプロイされ、包括的なコントロールとデータ主権を提供します。顧客データはトレーニングに使用されません。スタジオが制作したものはスタジオのものであり、その利用方法に曖昧さはありません。多くのプラットフォームがデータの取り扱いについて意図的に曖昧な表現を使う中、EngineLab AI は意図的に明確な姿勢を取っています。また、コミュニティが開発した AI ワークフローを実行する際に生じるセキュリティリスク、たとえば未承認または悪意あるコードインジェクションから保護するよう設計されたコントロールも含まれています。厳格なデータ要件を持つ大手クライアントと仕事をするスタジオにとって、本番環境では不可欠な要件です。

モデルトレーニング: セキュアな環境と完全なコントロール

プラットフォームにはトレーニングアプリが含まれており、スタジオは独自のコンテンツを使ってファインチューニング済みの基盤モデルや、特定のパラメーターのみを変更することでスタイルのカスタマイズをより高速かつ低コストで実現する Low-Rank Adaptation (LoRA) をトレーニングできます。トレーニングはプラットフォーム環境内で実行されるため、トレーニングデータがプライベートアカウントの外に出ることはありません。トレーニング後、カスタムモデルは ComfyUI ワークフローから直接利用でき、モデルとその作成に使用したデータの両方をスタジオが完全に管理します。独自データが他所でのモデルトレーニングや競合他社の利益に使われるリスクを負わずに、カスタム AI モデルの力を活用したいスタジオの重要なニーズに応えます。

完全なコントロール: アクセス管理とプロベナンス

管理者は最小権限モデルによってプラットフォームをきめ細かく制御できます。ユーザーとリソースには各タスクの実行に必要な権限のみが付与され、上級ユーザーと管理者はモデルのアップロードと承認が可能な一方、一般ユーザーのアクセスは制限されます。ベンダー固有の承認もサポートしており、特定プロジェクトでは承認済みモデルのみを使用できます。これは厳格なコンプライアンス要件を持つクライアントと仕事をするスタジオにとって重要な要件です。包括的な監査証跡によりプロジェクトごとのモデル使用状況を追跡してクライアントへの報告やコンプライアンス検証に活用でき、プロベナンス追跡によってモデルの出所や組織全体での使用状況を正確に把握できます。

図 2 の AI Model Library インターフェースでは、モデルと LoRA の分類、承認、管理を一元的に行えます。

図 2: EngineLab AI の AI Model Library 管理ペインのスクリーンショット。

パイプライン統合: スタジオワークフロー全体へのコンピューティング提供

EngineLab は、深いパイプライン専門知識とハイエンドなクリエイティブワークフローの豊富な経験を持つチームをプラットフォームに結集しています。アーティストの時間が最も重要であるという認識のもと、チームは ComfyUI に関連する GPU および CPU コンピューティングを既存のレンダーファームワークフローへ直接統合する取り組みを進めています。これには、ワークフローの需要に応じてコンピューティングリソースを自動でスケールするフルマネージドのレンダーファームサービスである AWS Deadline Cloud を活用します。この統合により、ComfyUI のフロントエンドは軽量なマシンで動作しながら、重い GPU タスクをレンダーファームにオフロードでき、インターフェースと処理能力を切り離せます。EngineLab がツールを本番環境へ統合する方法を深く理解しているからこそ実現できる自然な発展であり、複雑な部分はプラットフォームが担うためスタジオが対処する必要はありません。

「プラットフォームの開発段階から EngineLab と協力してきました。社内にはすでに強力な ComfyUI の専門知識がありますが、クライアント業務に必要なコントロールとガバナンスを備えた、マネージドでセキュアな環境でスタジオ全体にスケールできることは、まさに私たちが求めていたものです。」　　　– Sean Costelloe、Selected Works マネージングディレクター

まとめ

EngineLab AI は ComfyUI を実験的なツールから本番対応プラットフォームへと変え、AI ツール導入時にスタジオが直面する重要な課題を解決します。スタジオの AWS アカウントへ直接デプロイすることで包括的なデータ主権とセキュリティを確保しながら、AWS が提供するグローバル GPU リソースを活用して最適な可用性と価格を実現します。スタジオは従来のアプローチのリスクやコストを負うことなく、本番対応の AI 機能を手に入れられます。クライアント業務に必要なコントロールを備えた安定したセキュアな AI 生成環境を、使い慣れたワークフローに統合して利用できます。

AWS インフラの詳細

EngineLab AI は、コンピューティング負荷の高いクリエイティブワークロード向けに実績ある AWS サービスを基盤としています。

Amazon EC2 – AI およびレンダリングワークロード向け GPU インスタンスを備えたスケーラブルな仮想サーバー
AWS Deadline Cloud – コンピューティングリソースのスケーリングに対応したマネージドレンダースケジューリングサービス

次のステップ

クリエイティブワークフローへのクラウドインフラ活用について詳しくは、AWS アカウントチームにお問い合わせいただくか、AWS for Media & Entertainment をご覧ください。

スタジオで AWS 上のセキュアでスケーラブルな AI ワークフローを活用する方法については、EngineLab AI をご覧ください。

参考リンク
AWS Media Services
AWS Media & Entertainment Blog (日本語)
AWS Media & Entertainment Blog (英語)
AWS のメディアチームの問い合わせ先: awsmedia@amazon.co.jp

※ 毎月のメルマガをはじめました。最新のニュースやイベント情報を発信していきます。購読希望は上記宛先にご連絡ください。

翻訳は Visual Compute SSA 森が担当しました。原文はこちらをご覧ください。

開発現場から全社展開へ：Amazon Bedrock で Claude Cowork を動かす

Naoto Oiso — Wed, 22 Apr 2026 06:27:21 +0000

本記事は 2026 年 4 月 21 日に公開された「From developer desks to the whole organization: Running Claude Cowork in Amazon Bedrock」を翻訳したものです。

本日、Claude Cowork in Amazon Bedrock の提供開始を発表します。Amazon Bedrock を通じて、直接または LLM ゲートウェイ経由で Cowork と Claude Code Desktop を利用できます。

スタートアップからあらゆる業界のグローバル企業まで、多くの組織が Claude Code in Amazon Bedrock を活用して開発者の生産性を高め、デリバリーを加速しています。Amazon Bedrock では、既存の AWS 環境内で構築でき、エンタープライズセキュリティとリージョンのデータレジデンシーを維持しながら推論をスケールできます。データはお客様のアカウント管理下に置かれます。Amazon Bedrock はプロンプト、ファイル、ツールの入出力、モデルの応答を保存せず、基盤モデルのトレーニングにも使用しません。

Claude Cowork in Amazon Bedrock は、ドキュメントの読み取り、複数ステップのリサーチ、ファイル処理を行い、完成した成果物を返すデスクトップアプリケーションです。これにより、組織内のすべてのナレッジワーカーに AI 活用を広げられます。

本記事では、Claude Cowork と Amazon Bedrock の統合方法を説明し、ナレッジワーカーが実際にどのように活用しているかを紹介します。

Claude Cowork とは

Claude Cowork では、デスクトップアプリケーションからリサーチ、ドキュメント分析、データ処理、レポート生成を Claude に委任できます。Claude Desktop の主要機能であるプロジェクト、アーティファクト、メモリ、ファイルのアップロードとエクスポート、リモートコネクタ、スキル、プラグイン、MCP サーバーを利用できます。Chat タブ、Computer Use、Skills Marketplace など Anthropic ホスト型推論を必要とする機能は含まれません。これは、Claude Cowork がモデル推論をお客様の AWS アカウント内の Amazon Bedrock のみを経由してルーティングするためです。Claude Enterprise との機能比較の詳細は、サードパーティ向け機能比較ページ（Features on 3P）をご覧ください。

料金は既存の AWS 契約と請求を通じた従量課金制で、Anthropic からのシートライセンスは不要です。

Claude Cowork と Amazon Bedrock の統合

Amazon Bedrock は、お客様の AWS アカウントおよびサポート対象の AWS リージョンで推論バックエンドとして機能します。

Claude Cowork in Amazon Bedrock の設定は 2 ステップで完了します。まず、ユーザーが自分のマシンに Claude Desktop アプリケーションをダウンロードします。次に、デバイス管理システム（Jamf、Microsoft Intune、グループポリシーなど）を使って Claude Desktop に設定をプッシュし、推論モードを有効化します。この設定で、モデル ID、Amazon Bedrock 推論プロファイル、認証方法、組織ポリシーを指定します。組織が LLM ゲートウェイ経由でモデルアクセスを一元化している場合は、同じ管理対象設定で Claude Desktop をゲートウェイ URL に向けます。

Amazon Bedrock で Claude Code を既に利用している場合、Claude Cowork でも同じセットアップを使用できます。

図 1: エンドツーエンドのフローを示す図

アプリケーションには 3 つのアウトバウンドパスがあり、いずれもお客様側で制御できます。モデル推論は設定した AWS リージョンの Amazon Bedrock に送信されます。MCP サーバー接続は、設定されている場合、承認済みのエンドポイントに接続します。Anthropic が受信するのは集計されたテレメトリデータ (トークン数、モデル ID、エラーコード、匿名デバイス識別子) のみで、設定オプションで無効化できます。

Amazon Bedrock では、リージョン内、地理的クロスリージョン、グローバルクロスリージョンの推論プロファイルを提供しており、組織に適したデータレジデンシーのレベルを選択できます。

Claude Cowork は既に利用している AWS サービスと連携します。

AWS IAM または Amazon Bedrock API キーによる認証
VPC エンドポイントによるネットワーク分離
OpenTelemetry から Amazon CloudWatch へのエクスポートによるオブザーバビリティ (オプション)
AWS CloudTrail による監査
きめ細かなコスト配分に対応した AWS 一括請求

MDM 設定、認証情報、MCP サーバー、プラグインの詳細は、Claude Cowork Configuration Reference（設定リファレンス）をご覧ください。

Claude Cowork の活用例

統合の設定が完了すると、ユーザーは Claude Desktop を開いて作業を委任できます。Claude Cowork は MCP サーバーを通じて外部データソースに接続でき、作業中に Claude が最新のドキュメント、ウェブ検索、その他のツールにアクセスできます。

例えば、あるプロダクトマネージャーが AWS でホストされている大学スポーツチーム向けアプリの新しい通知機能を企画しているとします。プロダクトマネージャーは方向性がそれぞれ異なる顧客ミーティングのメモとプロジェクト要件を抱えており、それらをすり合わせる時間は限られています。そこで Cowork にアップロードします。

Claude はそれぞれの異なるインプットを比較し、1 つのプロダクトブリーフに統合します。提案されたアプローチを評価し、代替案を調査し、技術的な課題を指摘し、推奨事項を具体的な根拠とともに提示します。AWS Documentation MCP サーバーとウェブ検索 MCP サーバーに接続することで、Claude は最新のサービスドキュメント、市場動向、競合状況に基づいたブリーフを作成します。

図 2: プロダクトマネージャーが Claude Cowork でミーティングメモからプロダクトブリーフを作成する様子

数分で、プロダクトマネージャーは最新のソースに基づいた構造化されたブリーフを入手し、レビューに進められます。同じパターンは他のナレッジワーカーにも当てはまります。オペレーションマネージャーは散在するドキュメントを SOP にまとめられます。ファイナンスアナリストは生データをフォーマットされた月次レビューに変換できます。リサーチチームは複数のソースからの調査結果を 1 つのレポートにまとめられます。

まとめ

Claude Cowork in Amazon Bedrock を使えば、データを AWS 環境内に保持しながら、組織内のすべてのナレッジワーカーに AI 活用を広げられます。Claude Cowork は macOS と Windows で利用可能で、Amazon Bedrock で Claude モデルが提供されている AWS リージョンに対応しています。

利用を開始するには、claude.com/download から Claude Desktop をダウンロードのうえ、Claude Cowork セットアップガイドをご覧ください。

ぜひ Claude Cowork をお試しいただき、AWS re:Post for Amazon Bedrock または AWS サポート窓口からフィードバックをお寄せください。

著者について

この記事はソリューションアーキテクトの大磯がレビューしました。

Amazon Web Services ブログ

攻撃者視点で考える AWS セキュリティ ― 富士通 × AWS 共催セミナーレポート

Business Creation Lab (BC Lab) について

サイバー脅威の加速と AI が変えた攻撃の現実

ハッカー視点で見る日本企業のセキュリティ

約 200 社への Red Team テストから見えた傾向

Red Team テストの数字

まずはリスクの可視化、順番が重要

Red Team テストで見つかる AWS 関連のリスク

AWS のセキュリティサービスと攻撃者視点の対応

AWS セキュリティの基盤：責任共有モデル

防御：IAM ベストプラクティスの変化(2019 年→ 2026 年)

Red Team の指摘と AWS ベストプラクティスの対応関係

ライブハッキングデモンストレーション

参加者の声

まとめ

著者

製造業 × 生成 AI 、8 社の「ここだけの話」がつながり課題解決を加速する — AWS 生成 AI ラウンドテーブル in 大阪 開催報告

開催の背景

イベント概要

各社の発表テーマ

暮らし、拡がる、SHARP の AI

Yamaha Network 事業 AI の取り組み

AWS の生成 AI を活用した文書検索業務の効率化 ～その性能が期待を凌駕する～

OT における暗黙知と生成 AI 利用の取り組み ～業務インプロセス化と AI Agent～

1,300 人の現場知を AWS AI-DLC で価値へ昇華させる ～文化醸成とデリバリー標準の同期による組織変革の実践～

RAG × CPT でつくる現場特化 AI

DNP の生成 AI 活用に関する取り組み

ダイキン工業における生成 AI の取り組み

AWS セッションの紹介

エージェントの本番稼働を加速する AgentOps を AWS で実現

「ここだけの話」はどうつながったのか？

アンケート結果と参加者の声

おわりに

著者について

週刊AWS – 2026/4/20週

2026年4月20日週の主要なアップデート

著者について

週刊生成AI with AWS – 2026/4/20 週

さまざまなニュース

サービスアップデート

著者について

【開催報告】AWS Retail & CPG EXPO 2026 — AI エージェントが変える流通小売・消費財業界の現場を体感

AI エージェントが変える業界の未来

展示エリア — AI エージェントの”実物”を体感

マーチャンダイジング — 製品開発・価格戦略

サプライチェーン — 混乱への自律的対応

オムニチャネル — 顧客体験の変革

プロダクトイノベーション — 次世代パーソナライズ

セッション — 挑戦する企業に学ぶ

AWS オープニングセッション

Keanu Nahm / キアヌ ナン — 海外から見えてくる AI 活用成功の共通点と日本小売・消費財業界に示すチャンス

五十嵐 建平 — AI エージェントが変える小売の現場を体感し、挑戦する企業の事例から自社の次の一歩を見つけよう

お客様事例セッション

株式会社コーセー — コーセーが挑む、生成 AI の全社展開 ～現場定着を実現する仕組み作り～

横山 春佳 氏 情報統括部 DX推進課 生成AI推進リーダー 金田 実久 氏 情報統括部 基盤開発課 生成AI推進担当

株式会社 asken — Vibe Coding 起点での新機能開発で「あすけん」が乗り越えた壁

伊藤 拓哉 氏 プロダクト開発本部 AX推進部 シニアプロダクトマネージャー 岩間 良浩 氏 プロダクト開発本部 プロダクト開発部 シニアテックリード

株式会社ゴールドウイン — AI。わかってるのに進まない ― 現場と経営のギャップを超えるには

末光 崇廣 氏 総合企画本部 シニアエキスパート

株式会社カインズ — 次世代店舗で実現する Fitting Room 体験

AWS セッション

松本 鋼治 — Agentic AI 時代の広告・マーケティングの変革

ご来場ありがとうございました

イベント情報

AUMOVIO が Amazon Bedrock 搭載のエージェント型コーディングアシスタントでソフトウェア開発を強化

背景

課題設定

ソリューションの検討

ソリューション

ファインチューニングの詳細

データの準備

ファインチューニング

評価結果

まとめ

AI for Science – AI がもたらす研究新時代

1. タンパク質構造予測がノーベル賞を受賞した意味 〜 研究の現場で起きていること

1-1. 創薬：分子設計から臨床試験まで、パイプライン全体が変わる

1-2. ゲノミクス：生命の設計図を読み解く

1-3. 材料科学：試行錯誤から、AI による逆設計へ

製造業 × 生成 AI 、8 社の「ここだけの話」がつながり課題解決を加速する — AWS 生成 AI ラウンドテーブル in 大阪開催報告

Yamaha Network 事業　AI の取り組み

AWS の生成 AI を活用した文書検索業務の効率化～その性能が期待を凌駕する～

OT における暗黙知と生成 AI 利用の取り組み～業務インプロセス化と AI Agent～

1,300 人の現場知を AWS AI-DLC で価値へ昇華させる～文化醸成とデリバリー標準の同期による組織変革の実践～

Keanu Nahm / キアヌナン — 海外から見えてくる AI 活用成功の共通点と日本小売・消費財業界に示すチャンス

五十嵐建平 — AI エージェントが変える小売の現場を体感し、挑戦する企業の事例から自社の次の一歩を見つけよう

株式会社コーセー — コーセーが挑む、生成 AI の全社展開～現場定着を実現する仕組み作り～

横山春佳氏　情報統括部 DX推進課生成AI推進リーダー
金田実久氏　情報統括部基盤開発課生成AI推進担当

伊藤拓哉氏　プロダクト開発本部 AX推進部シニアプロダクトマネージャー
岩間良浩氏　プロダクト開発本部プロダクト開発部シニアテックリード

末光崇廣氏　総合企画本部シニアエキスパート

松本鋼治 — Agentic AI 時代の広告・マーケティングの変革

1. タンパク質構造予測がノーベル賞を受賞した意味
〜研究の現場で起きていること