AI & テック

何が起こったか

Amazon SageMaker Feature Storeは、フィーチャーグループをより効率的に管理するための2つの新しいAPIを導入しました。1つ目のBatchWriteRecordは、1回のリクエストで最大25件のレコードを書き込むことができ、複数のフィーチャーグループを同時にターゲットにすることができます。

2つ目の新しいAPIであるListRecordsは、フィーチャーグループ内のレコード識別子を列挙する方法を提供します。発表によると、添付の投稿では両方のAPIをコード例とともに説明し、ユーザーが使い始めるのに役立てています。

なぜ重要か

このアップデートにより、フィーチャーデータのバッチ操作が簡素化され、一般的な機械学習ワークフローに必要なAPI呼び出しの数を削減できる可能性があります。複数のフィーチャーグループへの書き込みを同時にサポートすることで、データパイプラインをより合理化できます。

レコード識別子を列挙できるようにすることで、フィーチャーストアの内容の監査と管理が容易になり、データの系統を維持し、フィーチャーエンジニアリングのプロセスをデバッグするのに役立ちます。

重要なポイント

Amazon SageMaker Feature Storeは、1回の呼び出しで複数のフィーチャーグループにわたって最大25件のレコードを書き込むBatchWriteRecordをサポートするようになりました。

ListRecordsは、フィーチャーグループ内のレコード識別子を列挙します。

この投稿には、両方のAPIのコード例が含まれています。

今後の注目点

開発者は、提供されたコード例を統合の出発点として使用し、これらのAPIをフィーチャーエンジニアリングのワークフローに組み込むことが期待できます。

これらの新しい機能が、本番MLパイプラインにおけるバッチデータの取り込みと検出のパフォーマンスにどのような影響を与えるかが見どころです。

出典

• AWS Machine Learning

何が起きたか

世界的なスポーツ用品小売企業であるDecathlonは、複数の大陸にわたる数万製品の週次需要予測を生成しています。

同社はAWS上にChronos-2を展開し、予測精度を11〜15ポイント向上させるとともに、運用の複雑さを軽減しました。

毎週の推論はCPUのみのインスタンスで実行され、コストは約0.03ドルです。

なぜ重要か

この例は、大規模小売企業が高価なGPUインフラに投資することなく、低コストのCPUのみの推論によって大きな予測改善を達成できることを示しています。

精度向上と複雑性の低減の組み合わせにより、先進的なAI予測が大量・多地域の運用で実用的となり、小売業界全体での同様の採用を促進する可能性があります。

重要な事実

Decathlonは複数の大陸にわたる数万製品の週次需要を予測しています。

AWS上のChronos-2により、予測精度が11〜15ポイント向上しました。

毎週の推論はCPUのみのインスタンスで約0.03ドルかかり、運用の複雑さを削減します。

今後の注目点

他の大規模小売企業がDecathlonに追随し、Chronos-2や同様のコスト効率の高い予測モデルを採用するかどうかに注目してください。

これが、従来GPU依存と考えられていたAIワークロードに対するCPUのみの推論のより広範な使用を促進するかどうかを見守ってください。

出典

• AWS Machine Learning

何が起こったか

Salesforce は、Amazon SageMaker AI の Inference Component 配置機能、具体的には SchedulingConfig パラメータを活用して、モデルコピーのデプロイ先を制御しました。

この配置メカニズムを使用することで、Salesforce はモデルレプリカを複数のアベイラビリティーゾーンに分散し、高可用性のコンプライアンス要件を満たしました。

このアプローチにより、モデルごとに個別のインフラを用意するのではなく、マルチモデル共存ホスティングのコスト優位性を維持することができました。

なぜ重要か

この技術は、コンピューティングリソースの共有によるスケールメリットを放棄することなく、厳格な Multi-AZ 高可用性要件を満たす方法を示しています。

これは、大規模な機械学習ワークロードを実行する企業にとって共通の課題である、回復性とコストのバランスを取るための道筋を示しています。

この例は、他の企業が支出を最適化しながらインフラをコンプライアンスに適合させるために、同様の配置戦略を検討するきっかけになるかもしれません。

主要な事実

Salesforce は Amazon SageMaker AI Inference Component の配置を使用しました。

この配置は SchedulingConfig パラメータに依存しています。

モデルコピーは複数のアベイラビリティーゾーンに分散されました。

これにより Multi-AZ 高可用性のコンプライアンス要件を満たしました。

マルチモデル共存ホスティングのコスト効率が維持されました。

今後の注目点

規制産業において、回復性とコストの両方を管理するために Inference Component 配置を採用する企業が増えるかどうか、注目が集まります。

SchedulingConfig の将来の進化により、モデル分散のより細かい制御が可能になり、コンプライアンスの負担がさらに軽減される可能性があります。

出典

• AWS Machine Learning

何が起きたか

AWS は、エージェントの評価を、そのエージェントが構築されているフレームワークから切り離す新機能 Amazon Bedrock AgentCore Evaluations を発表しました。

このサービスは、OpenTelemetry テレメトリを出力する任意のエージェントをスコアリングできます。エージェントが LangGraph、LlamaIndex、OpenAI Agents SDK、Google ADK、Claude Agent SDK、Strands Agents のいずれを使用しているかは問いません。

この発表では、このフレームワーク非依存の契約がどのように機能するかが説明されており、チームを特定のエージェントフレームワークに縛り付けることなく評価を可能にします。

なぜ重要か

今日のエージェント開発は多くのフレームワークにまたがっており、評価ツールはしばしば単一のスタックに結び付けられています。標準的なテレメトリ契約に依存することで、AgentCore Evaluations は、チームが評価パイプラインを再構築することなくフレームワークを比較または切り替えることを可能にします。

このアプローチにより、評価はエージェントインフラストラクチャにおけるより普遍的な層となり、評価を単一のエコシステムに閉じ込めるのではなく、フレームワーク間でのベストプラクティスを促進する可能性があります。

要点

Amazon Bedrock AgentCore Evaluations は、エージェントの評価を、エージェントの構築に使用されたフレームワークから切り離します。

このサービスは、OpenTelemetry テレメトリを出力する任意のエージェントをスコアリングできます。

サポートされているフレームワークには、LangGraph、LlamaIndex、OpenAI Agents SDK、Google ADK、Claude Agent SDK、Strands Agents が含まれます。

公式投稿では、フレームワーク非依存の契約がどのように機能するかが説明されています。

今後の注目点

OpenTelemetry ベースの評価契約が、ツールベンダー全体でのエージェントの可観測性とスコアリングの共通標準となるかどうか。

現在フレームワーク固有の評価ユーティリティに依存しているチームによって、AgentCore Evaluations がどの程度広く採用されるか。

出典

• AWS Machine Learning

何が起きたか

GoDaddyは、AWS Machine Learningの投稿によると、2年間の変革の一環として、レガシーのビジネスインテリジェンスツールをAmazon Quickに置き換えました。

この移行はビジネスのすべての部分に影響を与え、ダッシュボード数は半分に減り、レンダリング時間は5秒未満に短縮され、AIを活用したセルフサービス分析がすべての従業員が利用できるようになりました。

この取り組みにより、年間15,000時間の節約が生まれました。

なぜ重要か

節約の規模は、レガシーなBIツールからの移行が、特にAIを活用したセルフサービス分析が全従業員に提供された場合に、大きな業務効率化をもたらす可能性があることを示しています。

ダッシュボードの削減とレンダリング時間の短縮は、データ駆動型の意思決定の摩擦を減らし、チームがより迅速に回答を得るのに役立つ可能性もあります。

主要な事実

GoDaddyは、レガシーのビジネスインテリジェンスツールからAmazon Quickに移行しました。

変革には2年間かかりました。

GoDaddyは年間15,000時間を節約しています。

ダッシュボード数は50パーセント削減されました。

レンダリング時間は現在5秒未満です。

AIを活用したセルフサービス分析はすべての従業員が利用できます。

今後の注目点

GoDaddyがAIを活用したアナリティクスの利用をさらに拡大するか、あるいはセルフサービスツールが日常業務に組み込まれるにつれてさらなる効率向上を報告するかどうかは、注目に値するかもしれません。

出典

• AWS Machine Learning

何が起きたか

AWS Machine Learningの報告によると、NateraはAmazon Bedrock AgentCore上に自動音声エージェントを構築し、患者が自然な会話を通じて訪問採血の予約をできるようにしました。

公開された投稿によると、この実装はデュアルWebSocketブリッジ、イベント駆動型レイテンシマスキング、およびプログレッシブトラスト認証に依存しています。

なぜ重要か

このアプローチは、信頼性の高いツール実行と低遅延の対話を必要とする実際の電話ワークフローを、生成AIエージェントが処理できることを示しています。

予約予約を自動化することで、Nateraは会話体験を維持しながら、患者向けの運用タスクに音声エージェントを活用するより広範なパターンを示しています。

主要な事実

音声エージェントはAmazon Bedrock AgentCore上で動作します。

患者は自然な会話を通じて訪問採血の予約ができます。

このシステムは、ツール呼び出しの精度100%と7秒未満のレイテンシを達成すると報告されています。

技術基盤には、デュアルWebSocketブリッジ、イベント駆動型レイテンシマスキング、およびプログレッシブトラスト認証が含まれます。

今後の注目点

Nateraがこの音声エージェントアーキテクチャを他の予約タイプや地域にどのように拡張するか。

遅延と精度のベンチマークが、さまざまな実際の通話負荷や会話パターンの下でも維持されるかどうか。

出典

• AWS Machine Learning

何が起きたか

Amazon SageMaker Python SDK v3はスクリプトモードを再設計し、ModelTrainerとModelBuilderという2つの統合クラスを導入して、モデルのトレーニングと構築の方法を合理化します。

この投稿では、scikit-learnのランダムフォレストモデルと、LoRAを使用したStable Diffusion 3.5のマルチGPUファインチューニングという2つのエンドツーエンドの例でワークフローを示しています。

新しいSourceCodeメカニズムは、ローカルコードを実行時に任意のコンテナに同期し、開発者がDockerイメージを再ビルドせずに反復できるようにします。

なぜ重要なのか

モデルのトレーニングクラスと構築クラスを統合することで、これまで別々のAPIと設定を管理しなければならなかった開発者の負担が軽減されます。

コードを実行時に直接コンテナに同期することで、実験における大きなボトルネックが解消され、チームはより迅速に、かつインフラストラクチャのオーバーヘッドを抑えて変更をテストできます。

マルチGPUのLoRAファインチューニングのような大規模な例が含まれていることは、SDK v3が最新のリソース集約型ワークロードに対応していることを示しています。

主要な事実

SageMaker Python SDK v3はスクリプトモードを再設計します。

この再設計により、統合されたModelTrainerクラスとModelBuilderクラスが導入されます。

SourceCodeはローカルコードを実行時に任意のコンテナに同期します。

この投稿では、scikit-learnのランダムフォレストと、Stable Diffusion 3.5のマルチGPU LoRAファインチューニングを取り上げています。

次の注目点

これらの統合クラスが、すべてのSageMakerトレーニングワークフローのデフォルトパスになるかどうか。

ランタイムのコード同期機能が、より複雑で本番環境向けのデプロイシナリオをサポートするようにどう進化するか。

出典

• AWS Machine Learning

何が起きたか

AWS Machine Learningは、教師ありファインチューニング用のデータ準備に関する2部構成シリーズの第2弾を公開しました。

この投稿では、学習曲線を用いたデータ準備状態の評価、高価値データサブセットの選択、合成データと蒸留データによる拡張、破局的忘却に対抗するためのデータソース混合といった高度なアプローチを掘り下げています。

なぜ重要か

データ準備の選択は、ファインチューニングされたモデルの性能に大きく影響するため、これらの高度な戦略は、トレーニングパイプラインを改善しようとするチームにとって有用です。

合成データとデータ混合は、ラベル付きデータの限界を克服し、モデルが以前に学習した能力を失うリスクを軽減する実用的な方法を提供します。

主要な事実

これは、教師ありファインチューニングのデータ準備に関する2部構成シリーズの第2部です。

この投稿では、学習曲線を用いたデータ準備状態の評価について取り上げています。

また、高価値データサブセットの選択、合成データと蒸留データによる拡張、破局的忘却を防ぐためのデータソース混合についても取り上げています。

次の注目点

読者は、トレーニングデータが十分であるかを判断するために学習曲線を適用するガイダンスを求めるかもしれません。

合成データ、蒸留データ、混合データソースの使用は、ファインチューニングのワークフローにおいてより一般的になる可能性があります。

出典

• AWS Machine Learning

何が起きたのか

AWS Machine Learningは、教師ありファインチューニングに関する2部構成シリーズの第1弾を公開し、データ準備に完全に焦点を当てました。この記事は、データの準備方法がSFTプロジェクトの品質上限を決定づけると主張しており、強力なモデルであっても、構造が不十分なトレーニングデータを克服することはできないとしています。

この記事では、SFTデータ準備の核となる基盤を概説しています。品質チェックの実行、会話のJSONL形式でのフォーマット、推論およびツール呼び出しタスクのスキーマ定義、トレーニングセットと評価セットの代表的な分割の作成などです。

なぜ重要か

教師ありファインチューニングでは、モデルはデータが教えることしか学習できません。フォーマットが一貫していない場合や品質が低い場合、ベースモデルの能力に関係なく、最終的なモデルはそれらの欠陥を受け継ぐことになります。

推論とツール呼び出しのスキーマに明示的に焦点を当てていることは、ファインチューニングがもはやチャット応答だけに関するものではなく、モデルが構造化された多段階タスクを確実に実行できるようにすることに関するものであることを示唆しています。

重要な事実

この投稿は、教師ありファインチューニングのデータ準備に関する2部構成シリーズの第1部です。

品質チェック、会話型JSONLフォーマット、推論およびツール呼び出しスキーマ、代表的なトレーニング/評価分割を扱っています。

AWS Machine Learningは、2026年8月26日にこの記事を公開しました。

次に注目すべきこと

シリーズの第2部では、データ準備の議論を継続し、おそらく基礎的なフォーマットを超えて、より高度な準備技術や下流の評価に関する考慮事項に進むことが期待されています。

出典

• AWS Machine Learning

何が起きたのか

ウーバーは、サービスを提供する都市と同様に、常に成長し変化し続けています。そのため、ネットワークトラフィックを混雑させないよう慎重に管理する必要があります。同社は、プラットフォーム全体でアプリケーショントラフィックを円滑に流し続けるため、長年にわたって技術戦略を進化させてきました。

その取り組みの中心となるのが、ハイブリッドネットワーク全体でアプリケーショントラフィックを優先する業界初のツール、Cloud InterconnectにおけるApplication Awarenessです。ウーバーは初期パートナーとしてこのツールの設計に協力しました。このツールは、DSCPマーキングと設定済みキュープロファイルを使用して、重要度の低いデータよりも重要なエンドユーザートラフィックを分類し、優先度を付けます。

このツールには、トラフィック処理、輻輳対応、レイテンシ管理、コスト効率という4つの主要機能があります。トラフィックは6つの異なるクラスに分類され、ビジネスに不可欠なデータは、厳格な優先順位または帯域幅共有ポリシーによって保護されます。ウーバーはプライベートプレビュー期間中に、アリゾナ州フェニックスとバージニア州アシュバーンのGoogle Cloud Interconnectロケーションから導入を開始しました。

なぜ重要なのか

ウーバーのようなグローバル規模の組織にとって、分散型およびハイブリッドアプリケーションの移行は、サービスを中断させる場合にはリスクを伴います。Application Awarenessにより、ウーバーは大規模な分析ワークロードや新興のAIユースケースを含む大量のデータを、ネットワークを混雑させたり、ビジネスに不可欠なアプリケーションのパフォーマンスを低下させたりすることなく移動できます。

従来のオーバープロビジョニング方式はすべてのトラフィックを平等に扱うため、バースト時に高優先度のデータを破棄する可能性があり、ウーバーの規模ではコストが高く信頼性も低くなります。Application Awarenessは予測可能な低レイテンシを提供し、重要なトラフィックを保護するため、ウーバーはサービス中断のリスクを軽減しながらGoogle Cloudへの移行を進める自信を得ることができます。

主要な事実

ウーバーは、Cloud InterconnectにおけるApplication Awarenessの初期設計パートナーを務めました。

このツールはトラフィックを6つの異なるトラフィッククラスに分類し、DSCPマーキングと設定済みキュープロファイルを使用します。

ウーバーは、アリゾナ州フェニックスとバージニア州アシュバーンのGoogle Cloud Interconnectからこの機能の導入を開始しました。

Application Awarenessは、ウーバーが重要なトラフィックを優先し、ネットワーク輻輳時の信頼性リスクを軽減するのに役立ちました。

次の注目点

同様のハイブリッドおよびマルチクラウド移行の課題に直面している他の組織は、高額なオーバープロビジョニングをせずに重要なトラフィックを保護するため、Cloud InterconnectにおけるApplication Awarenessを採用する可能性があります。

AIワークロードが増大し、データ転送の需要が高まるにつれ、ネットワーク輻輳をインテリジェントに管理するツールは、サービスの信頼性を維持するために不可欠になる可能性があります。

出典

• Google Cloud

何が起こったか

Google Cloudは、開発者やアーキテクトがクラウド環境での障害テストを自動化できるようにするサービス、Fault Injection Testingのプレビューを発表しました。

このプレビューでは、高可用性Cloud SQLインスタンスのフェイルオーバーをトリガーすることと、レイヤ7ロードバランサーを介して遅延とHTTPエラーコードを追加することでアプリケーショントラフィックを低下させること、という2つの主要な障害シナリオがサポートされています。

Fault Injection Testingには、注入前に自動でドライランを実行する機能、手動で開始できる機能、そして実験を停止してリソースを復元するための停止およびロールバック機能が含まれています。

なぜ重要なのか

現代の分散システムは複雑であり、特にクラウド環境では基盤となるインフラストラクチャへの直接アクセスが制限されるため、高可用性を保証することがますます困難になっています。

ネイティブな耐障害性テストツールがない場合、組織は顧客の信頼の喪失、コンプライアンスおよび規制上のペナルティ、大規模な移行の遅延などのリスクに直面します。

実際の障害が発生する前に障害実験を実施することで、安全機構が意図どおりに動作し、ミッションクリティカルなサービスが障害時にオンラインを維持できることを検証できます。

主要な事実

Fault Injection Testingは、Google Cloudコンソール、gcloud CLI、REST APIを通じてプレビュー版として利用できます。

このサービスは、障害を注入する前に、読み取り専用のドライランを実行して権限を確認し、影響を受けるリソースを一覧表示します。

KeyBankやServierなどのパートナーは、すでにFault Injection Testingを使用してデプロイメントを検証しています。

Google Cloudは、プレビュー期間中はFault Injection Testingを非本番環境で使用することを推奨しています。

今後の注目点

組織は、Google Cloudのアカウントチームにプレビューアクセスをリクエストし、Fault Testing APIを有効にして、実験を実行するためにroles/faulttesting.operatorロールを割り当てることができます。

プレビュー期間中、初期ユーザーはフィードバックを提供して製品の形成に貢献でき、Google Cloudはサポートされる障害シナリオをCloud SQLフェイルオーバーやロードバランサーのトラフィック低下以外にも拡大する可能性があります。

出典

• Google Cloud

何が起きたか

AWSは、あるAWSアカウントのエージェントが別のアカウントにあるAmazon Bedrockナレッジベースから回答を生成できるようにする、Amazon Bedrock AgentCoreの利用に関するガイダンスを公開しました。

このナレッジベースはAmazon Redshift Serverlessをバックエンドとしており、この設計ではアカウント間でのソースデータのコピーを回避します。

この投稿では、アーキテクチャとセキュリティ境界について説明し、その上で、コードベースのStrandsエージェントと宣言型のAgentCoreハーネスという2つのオーケストレーションモデルを取り上げています。

なぜ重要か

このアプローチは、データを1つのアカウントに保持しつつ、他のアカウントのエージェントがそのデータを利用できるようにする必要がある組織を支援します。これにより、データガバナンスが簡素化され、重複が削減されます。

2つのオーケストレーションモデルを提示することで、チームに柔軟性がもたらされます。1つはコード駆動型、もう1つは宣言ベースであり、ビルダーは自分のワークフローに合ったスタイルを選択できます。

主な事実

あるアカウントのAmazon Bedrock AgentCoreエージェントは、別のアカウントにあるナレッジベースから回答を生成できます。

ナレッジベースはAmazon Redshift Serverlessをバックエンドとしています。

ソースデータはアカウント間でコピーされません。

この投稿では、アーキテクチャ、セキュリティ境界、およびコードベースのStrandsエージェントと宣言型のAgentCoreハーネスという2つのオーケストレーションモデルを取り上げています。

今後の注目点

セキュリティ境界の設定方法に関するさらなる詳細は、アカウント間で権限とデータアクセスがどのように適用されるかを明確にする可能性があります。

さまざまなユースケースにおいて、コードベースのStrandsエージェントと宣言型のAgentCoreハーネスのどちらを選択すべきかに関するガイダンスがあれば役立つかもしれません。

出典

• AWS Machine Learning

何が起きたか

Google Cloudは、組織がプロジェクト単位のAI支出を追跡し、トークンショックを回避できるようにするため、Gemini Enterprise向けの新しいFinOpsコントロールを発表しました。

同社はまた、スケジュールされたキャパシティ、自動フォールバックプラン、Google Kubernetes Engineによるオーケストレーションを含む、動的キャパシティ管理のベストプラクティスを詳述しました。

このガイダンスは、予測可能なニーズに対するリソースの確保と、予期しない需要の急増に対応する自動化を組み合わせることを重視しています。

なぜ重要か

エージェント型ワークロードはリソースを大量に消費し、バースト性があるため、静的インフラストラクチャではすぐにスケーリングのボトルネックやコンピュートの未活用が発生する可能性があります。

現在の環境でエージェントの導入に対応できると確信しているITリーダーはわずか17%であり、動的キャパシティ管理はエンタープライズでの採用に不可欠になりつつあります。

ハードウェアだけでは不十分なため、チームはインフラストラクチャへの投資からより多くの価値を引き出すためのスケジューリングと自動化戦略を必要としています。

主要な事実

90%の企業が今後3年以内にエージェントを導入したいと考えています。

Dynamic Workload Schedulerは、計画されたイベント向けのカレンダーモードと、開始時間を柔軟に設定できるバッチジョブ向けのフレックススタートモードを提供します。

マネージドインスタンスグループにより、サービス継続のための自動化された優先順位付きハードウェアフォールバックリストが可能になります。

Google Kubernetes Engineは、Custom ComputeClassesと動的リソース割り当てを使用して、エージェントネイティブな環境を提供します。

今後の注目点

AI支出を管理し、トークンショックを排除しようとする組織による、Gemini Enterprise向けの新しいFinOpsコントロールの採用。

エージェントの展開が拡大する中で、企業が事前予約されたキャパシティと適応型自動化を組み合わせてパフォーマンスを維持するかどうか。

出典

• Google Cloud

何が起こったか

Google Cloudは、Gemini EnterpriseおよびGoogle AntiginityやAndroid Studioなどの開発者ツール全体で、エージェントワークロード向けの請求の柔軟性の拡大と新しいコスト管理ツールを発表した。

今回のアップデートでは、Gemini Enterpriseアプリ向けの従量課金オプション、プール型デイリークォータ、フレキシブルセービングプラン、月間のハードな支出上限が導入され、特定の顧客向けに既存のGemini EnterpriseサブスクリプションにAntigravityとAndroid StudioのAI利用も含まれるようになる。

なぜ重要か

AIエージェントがより複雑な業務を担うようになるにつれ、組織は安定したビジネス生産性からバースト的な開発者ワークロードまで変動する利用パターンに追いつくために、ファイナンシャルオペレーションが必要になる。新しいオプションにより、チームは予測可能なサブスクリプションと従量課金ベースの価格設定を組み合わせられる。

ライセンスと請求を単一のビューに統合し、予防的なコントロールを追加することで、リーダーは可視性を失ったり、予算を予期しないスパイクにさらしたりすることなく、開発者により大きな柔軟性を提供できる。

重要な事実

Gemini Enterpriseアプリの新しい従量課金エディションでは、消費されたコンピューティングとトークンに対してのみ課金され、前払いコミットメントや基本サブスクリプション料金は発生しない。

フレキシブルセービングプランでは、顧客は月間支出をコミットし、トークンコストの10〜20%割引を受けることができ、最低額や最高額の制限はない。

今度登場する遅延実行価格設定では、対象となるワークロードをオフピークのキャパシティウィンドウで実行することで、推論コストを最大半分削減できる。

次に注目すべき点

従量課金エディションとAntigravityの包含に関する提供時期はまもなく広く展開される予定であり、企業は一般提供の詳細に注目すべきだ。

管理者は、プール型クォータと超過ポリシーの設定方法を決定する必要がある。なぜなら、日次割り当てを超えた利用を許可するかどうかの制御が重要な選択肢だからだ。

出典

• Google Cloud

何が起きたか

Google Cloudは、完全な初心者を対象とした、AIエージェントを基礎から作りたい人のための無料の5週間ライブ学習シリーズ「Agent Valley」を開始しました。

コースはGoogle DevRelエンジニアのAnnie Wangが担当し、小さなローポリの仮想世界の中で行われます。参加者はターミナルのコマンドを扱う代わりに、構築して遊ぶという形で進みます。

分割画面のラップトップワークスペースを使い、学習者は1日目にカスタムコンパニオンを作成し、5つの地区を案内しながら、ライブのRuntime InspectorがAIが何を考え、どう判断し、どれだけコストがかかっているかをリアルタイムで表示します。

なぜ重要なのか

このシリーズは参入障壁を取り除きます。機械学習のバックグラウンドや長年のソフトウェア経験は必要なく、Googleがすべての演習用環境を提供します。

エージェント開発を遊び心があり視覚的なものにすることで、Agent Valleyは初心者がAIがどのように推論し意思決定するかを正確に確認でき、直接の実践を通じてテクノロジーの謎を解き明かします。

GoogleでAIシステムを設計する人から学ぶことは、そうでなければ参入が難しい急速に進化する分野へのアクセスしやすい道を提供します。

基本情報

Agent Valleyは無料でライブ配信され、5週間にわたります。参加者はいつでも飛び込める5つのモジュール式セッションで構成されています。

コースは、5回の週次セッションで、制御、分解、連携、メモリ、ライブイベント処理を扱います。

ライブ配信は、太平洋時間9月1日午前10:00から5回の火曜日に実施されます。参加登録は goo.gle/agent101 から。

今後の注目点

実践的でゲームのような形式が、真の初心者をAIエージェント構築にうまく導けるかどうか。

参加者がライブRuntime InspectorによるAIの動作とコストのリアルタイム可視性にどう反応するか、そしてこのアプローチがAI教育でより広く採用されるかどうか。

出典

• Google Cloud

何が起きたか

Amazon OpenSearch ServiceはMCP Appsをサポートしました。MCP Appsは、AIエージェントのテキスト応答に加えて、インタラクティブなビジュアライゼーションを返します。

単一のローカルで実行されるMCPサーバーにより、エージェントは1つの会話内でアラートからトレース、ログ、根本原因へと移動できます。

ユーザーはIDEを離れることなく、各ステップをインラインで検証できます。

なぜ重要か

この統合は、AIエージェントが問題を説明するだけでなく視覚的なデータも表示できるようにすることで、エージェント型オブザーバビリティを強化し、デバッグをより直感的かつ効率的にします。

MCPサーバーをローカルに保ち、インラインでの検証を可能にすることで、コンテキストの切り替えを減らし、根本原因分析のプロセスを高速化します。

要点

Amazon OpenSearch ServiceはMCP Appsをサポートしています。

MCP Appsは、AIエージェントのテキスト応答とともにインタラクティブなビジュアライゼーションを返します。

単一のローカルで実行されるMCPサーバーは、1つの会話内でアラートからトレース、ログ、根本原因への移動を容易にします。

各ステップの検証は、IDEを離れることなくインラインで実行できます。

今後の展開

他のAWSサービスでもMCP Appsが広く採用され、統合されたオブザーバビリティワークフローが実現することが期待されます。

MCP Appsが提供するビジュアライゼーションのインタラクティブ性と深みの向上に注目してください。

出典

• AWS Machine Learning

何が起きたのか

AWS は、Amazon Quick Desktop と Amazon FSx for NetApp ONTAP を使用して、統制された週次レポート作成ワークフローを構築するためのソリューションを発表しました。

このワークフローは、Amazon S3 アクセスポイントを使用して、承認済みフォルダを Quick ナレッジベースに公開します。

カスタムスキルは、週次レポートと Slack サマリーの下書きを作成し、共有前に人間によるレビューが必要です。

重要性

このアプローチは、承認済みデータのみが使用されるようにすることで、制御・監査可能な AI 生成レポートのニーズに応えます。

人間が介在するレビューステップによりガバナンス層が追加され、検証されていないコンテンツが配布されるリスクを低減します。

これは、エンタープライズファイルストレージと AI アシスタントを日常業務に統合するための実践的なパターンを示しています。

主な事実

このワークフローは、Amazon Quick Desktop と Amazon FSx for NetApp ONTAP を使用して構築されています。

Amazon S3 アクセスポイントは、承認済みフォルダを Quick ナレッジベースに公開します。

カスタムスキルは週次レポートと Slack サマリーを作成し、共有前に人間によるレビューが行われます。

次の注目点

厳格なデータアクセス制御を必要とする企業での、同様のガバナンス付き AI ワークフローの採用。

レビューチェックポイントを維持しながら、より自動化されたドラフト作成を実現するためのカスタムスキルの機能強化の可能性。

今後のイテレーションにおける追加データソースや承認メカニズムの統合。

出典

• AWS Machine Learning

何が起きたか

Google CloudはAnyscaleと提携し、Ray用の実験的なライブラリを発表した。これはgVisorサンドボックスを分散Rayクラスタに直接統合し、エージェント型および推論ワークロードにセキュアで分離された実行環境を提供することを目的としている。

このライブラリはサンドボックスをRay Actorとしてモデル化し、他のRayリソースと同様にスケジューリング、リソース割り当て、管理を可能にする。gVisorは各ノードで分離を提供する。

Ray 2.58以降、開発者はサンドボックスAPIを使用して、OCIイメージから環境を作成し、リソース制限を設定し、コマンドを実行し、ファイルを管理し、サンドボックスを終了できる。また、gVisorに直接アクセスするための低レベルなSandboxRuntimeも提供される。

なぜ重要なのか

RLおよびエージェント型ワークロードの成長に伴い、動的なロールアウト、コード生成、マルチターンのツール対話を大規模に安全に実行することが重要になる。この統合により、Rayの既存のプログラミングモデル内でそのような操作をサンドボックス化するネイティブな方法が提供される。

サンドボックスをRayの第一級のプリミティブにすることで、フレームワーク開発者や研究者にとってオーケストレーションが簡素化され、セキュアなポストトレーニングワークフローの採用が加速する可能性がある。

主要な事実

このライブラリは実験的であり、Anyscaleとの提携で開発されている。

サンドボックスはRay Actorとして表現され、gVisorが分離を提供する。

サンドボックスAPIは、OCIイメージからの環境作成、CPU/メモリ制限の設定、コマンドの実行、ファイルの管理をサポートする。

Ray 2.58以降、サンドボックスAPIが利用可能になる。

今後注目すべき点

実験的なライブラリがコミュニティのフィードバックに基づいてどのように進化するか、またveRLやNeMo-RLなどのRLフレームワークでの採用状況。

このアプローチが分散AIワークロードにおけるセキュアな実行の標準となり、将来のRayリリースに影響を与える可能性があるかどうか。

出典

• Google Cloud

何が起きたか

2026年8月25日、Google Cloudは法律事務所と社内法務チームを対象としたGemini Enterprise for Legalを発表した。

発表の枠組みは次の通りだ。法務業務は秘匿特権情報、事務所固有のプレイブック、絶えず変化する法体系の上で成り立つ。したがって、これを支えるシステムには現実の義務が継承される——越えてはならない倫理的壁、平坦化できない案件レベルの権限、利便性のために曲がることのない守秘義務である。Googleの立場は、汎用AIはどれほど有能であっても、それ単独ではこの基準を満たさないというものだ。

なぜ重要か

これにより、垂直AIの競争上の論点は、モデルがどれほど有能かから、権限モデルが正しいかどうかへと移る。事務所にとって、壁を越える一度の検索は、単に弱い回答を一度得ることよりも悪い。

同じ論理は規制対象のあらゆる垂直産業にも当てはまる。能力は必要だが、それだけでは十分ではない。

主要な事実

製品：Gemini Enterprise for Legal。

ベンダー：Google Cloud。

強調された制約：倫理的壁、案件レベルの権限、守秘義務。

表明された立場：基盤モデルの知能は法務業務に必要だが、十分には程遠い。

出典：Google Cloudブログ、2026年8月25日。

次の注目点

同時期に金融サービス向けエディションがリリースされており、一度きりの製品ではなく垂直製品ラインの一環であることを示している。

権限の保証がどのように検証されるか——製品の主張なのか、監査可能なメカニズムなのか。

出典

• Google Cloud

何が起きたのか

Google Cloudは、資本市場と法人銀行業務のワークフロー向けに設計された統合AIソリューションであるGemini Enterprise for Financial Servicesを発表しました。

この提供には、専用に構築された金融スキル、セキュアなMCPコネクタ、行動するエージェント（Financial Researchエージェントを含む）、そしてオープンなパートナーエコシステムという4つの中核コンポーネントが含まれます。

ガバナンスされたコントロールプレーンは、セキュリティポリシーの適用、プライベートデータの分離、トレーサブルな引用を伴う検証可能なグラウンディングを提供します。

なぜ重要か

汎用AIには、金融機関に要求されるリアルタイムの正確性、検証可能なデータリネージ、厳格なセキュリティが欠けており、ドメイン固有の統合が不可欠となっています。

このソリューションは、ドメイン専門知識、セキュアなデータアクセス、実行可能なエージェント、オープンなエコシステムを統合し、すべてをガバナンスの下に置くことで、具体的なROIを提供することを目指しています。

これは、信用リスク評価、ポートフォリオ監視、市場ニュースの統合、調査型の金融リサーチといった価値の高いワークフローに対応します。

重要な事実

Gemini Enterprise for Financial Servicesは、資本市場と法人銀行業務向けに構築されています。

これにはFinancial Researchエージェントが含まれており、50以上の基盤スキルを搭載し、信頼スコア、方法論、データスナップショット、出典の引用を提供します。

このソリューションは、MCPコネクタを介して金融プラットフォームやライセンスされたデータソースと統合し、既存の権限を尊重します。

パートナーにはAccenture、Deloitte、PwCなどが含まれ、ベンダーロックインなしのカスタマイズを保証します。

今後の注目点

金融機関による採用と、アナリストの生産性や意思決定への実際的な影響。

パートナーエコシステムの拡大と、追加のドメイン固有スキルの開発。

規制環境下のITおよびリスクチームがガバナンス機能をどう受け止めるか。

出典

• Google Cloud