Wood Mackenzie внедряет общую агентную платформу APEX на базе Amazon Bedrock AgentCore
AWS Machine Learning · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Компания Wood Mackenzie разработала корпоративную платформу APEX, объединяющую разрозненные ИИ-инструменты в единое инфраструктурное решение. Платформа построена на Amazon Bedrock AgentCore и решает проблемы масштабируемости, безопасности и наблюдаемости агентных систем.
Ценность: Материал демонстрирует практический пример преодоления разрыва между экспериментальными прототипами ИИ-агентов и их промышленным внедрением. Кейс Wood Mackenzie показывает, как стандартизация инфраструктуры через Amazon Bedrock AgentCore позволяет компаниям снизить затраты на разработку, обеспечить строгий контроль доступа и повысить надежность неопределенных (non-deterministic) ИИ-систем в реальных бизнес-процессах.
Переход от рабочего прототипа ИИ-агента к промышленной эксплуатации часто становится узким местом для корпоративных команд. По данным Wood Mackenzie, 88% пилотных проектов искусственного интеллекта так и не достигают широкого внедрения. Основные причины лежат в архитектурной плоскости: каждая команда вынуждена заново реализовывать аутентификацию, управление состоянием, наблюдаемость и механизмы безопасности. Для решения этой проблемы компания разработала APEX (Agentic Platform for Energy eXperience) — общую агентную платформу, построенную на базе Amazon Bedrock AgentCore.
Выбор в пользу AgentCore обусловлен его способностью предоставлять управляемую инфраструктуру без необходимости самостоятельного обслуживания кластеров. Платформа поддерживает модельную агностицичность, позволяя использовать различные LLM (включая Claude, GPT-4.1 и Amazon Nova) через единый интерфейс. Это дает командам возможность менять провайдеров моделей без переписывания бизнес-логики. Кроме того, AgentCore обеспечивает автоматическое масштабирование от нуля до тысяч одновременных вызовов с полной изоляцией сессий.
Ключевым преимуществом является встроенная поддержка стандартов безопасности и управления доступом. Платформа интегрирует механизмы фильтрации контента, обнаружения персональных данных (PII) и применения политик на основе языка Cedar. Это позволяет командам разработки, комплаенса и безопасности создавать и аудировать правила без написания кастомного кода. Интеграция с AWS IAM и VPC гарантирует, что агенты действуют в рамках строгих корпоративных требований к конфиденциальности.
Архитектура APEX включает фронтенд-фреймворк для интеграции агентных функций в пользовательские интерфейсы приложений Woody, Lens AI и ST Trading App. На стороне бэкенда работает оркестратор, который маршрутизирует запросы через реестр агентов Wood Mackenzie. Этот реестр позволяет командам обнаруживать и переиспользовать инструменты и навыки друг друга, что устраняет дублирование усилий. Для обеспечения контекста используются векторные базы данных Amazon Bedrock Knowledge Bases для RAG-запросов.
Для оперативного управления платформой создан APEX Studio — единый центр управления (control plane). Этот интерфейс предоставляет командам инструменты для создания агентов на основе шаблонов, визуального проектирования рабочих процессов и тестирования в реальном времени. Такой подход сокращает время от идеи до запуска в продакшене, автоматизируя процессы сборки, тестирования и деплоя.
Интеграция с внешними системами осуществляется через модель «хаб-и-спицы» (hub-and-spoke) на базе AgentCore Gateway. Это позволяет избежать сложной сетевой топологии прямых подключений между каждым потребителем и сервисом данных. Все приложения взаимодействуют с единым шлюзом, который поддерживает протоколы MCP и A2A, обеспечивая стандартизированный доступ к инструментам, API и функциям AWS Lambda.
Наблюдаемость и оценка качества являются критически важными компонентами платформы. AgentCore Observability предоставляет телеметрию в формате OpenTelemetry, позволяя отслеживать задержки, использование токенов и ошибки на уровне отдельных сессий. Встроенные механизмы оценки (Evaluations) помогают измерять полезность и точность ответов агентов, что критично для работы с неопределенным поведением ИИ-моделей.