ステップ 3: デプロイダッシュボードウィザードを使用してユースケースをデプロイする

デプロイダッシュボードウィザードでは、次のいずれかを選択する必要があります。

5 つのオプションが表示されます。Text ユースケースの作成、Bedrock エージェントユースケースの作成、MCP サーバーユースケースの作成、エージェントビルダーユースケースの作成、ワークフローユースケースの作成。

ステップ 3a: Text ユースケースをデプロイする

このセクションでは、Text ユースケースをデプロイする手順について説明します。

ユースケースを選択する

[Create Text use case] を選択すると、UI で [Select use case] 画面が開きます。以下の情報を指定します。

ユースケースの詳細

ユースケースの詳細ステップでは、デプロイの追加設定を行うことができます。

デフォルトでは、Text ユースケースでは、ソリューションによってデプロイダッシュボードがデプロイされるときに Amazon Cognito ユーザープールが作成・設定されます。ソリューションは、同じユーザープールに新しく作成されたクライアントを使用して新しいユースケースの認証を行います。ただし、ユースケースで独自の Amazon Cognito ユーザープールとクライアントを使用する場合は、このステップで既存のユーザープール ID とクライアント ID を指定できます。

ネットワーク設定を選択する

このウィザードステップでは、既存または新規の Amazon Virtual Private Cloud (Amazon VPC) を使用してユースケースをデプロイできます。既存の VPC を選択する場合は、この VPC で使用する VPC ID、最大 16 個のサブネット ID、最大 5 個のセキュリティグループ ID を指定する必要があります。既存の VPC を使用しない場合は、これらの設定は自動的に設定されます。

モデルを選択する

[モデルを選択する] ステップでは、ドロップダウンメニューからモデルプロバイダーを選択できます。[Bedrock] と [SageMaker] の 2 つのオプションがあります。

[SageMaker] を選択した場合は、SageMaker AI コンソールで SageMaker AI モデルエンドポイントを作成し、モデルが期待する入力スキーマと LLM 応答用の出力 JSONPath を指定することもできます。「LLM プロバイダーとしての Amazon SageMaker AI の使用」セクションと、ソリューションの GitHub リポジトリにある SageMaker AI ペイロードの例を参照してください。

[Amazon Bedrock] を選択すると、次の 4 つのオプションが表示されます。

モデル選択ステップでは、モデルの詳細設定を選択することもできます。Amazon Bedrock ガードレール、Amazon Bedrock のプロビジョンドスループット、その他のモデルパラメータの詳細の設定については、「Advanced LLM Settings」を参照してください。

クロスリージョン推論

クロスリージョン推論は、Amazon Bedrock ユーザーが複数の AWS リージョンでコンピューティングを使用することで、計画外のトラフィックバーストをシームレスに管理できるようにします。クロスリージョン推論を使用するには、推論プロファイルが必要です。推論プロファイルは、設定された AWS リージョンからオンデマンドのリソースプールを抽象化したものです。ソースリージョンから送信された推論リクエストを、そのプールで設定された別のリージョンにルーティングできます。これにより、複数の AWS リージョンにトラフィックを分散でき、需要のピーク時に高いスループットと耐障害性を実現できます。

推論プロファイルは、サポートするモデルとリージョンにちなんで命名されます。使用するには、含まれているリージョンのいずれかから推論プロファイルを呼び出す必要があります。例えば、次の表に示すように、推論プロファイル ID us.anthropic.claude-3-haiku-20240307-v1:0 では、選択したモデルの us-east-1 リージョンと us-west-2 リージョンを介したトラフィックの分散が許可されます。特定のモデルは、特定のリージョンの推論プロファイルでのみ使用できます。

モデル ID の代わりに推論プロファイル ID を使用する場合は、適切な推論プロファイル ID を特定する必要があります。詳細については、「Amazon Bedrock ユーザーガイド」の「Supported Regions and models for inference profiles」を参照してください。Amazon Bedrock コンソールでは、左側のナビゲーションメニューのクロスリージョン推論オプションに、これらの推論プロファイル ID が表示されます。

使用する推論プロファイル ID を特定したら、次のステップを実行してモデルの選択ステージでこれを使用できます。

推論プロファイルの詳細については、「Amazon Bedrock ユーザーガイド」の「Improve resilience with cross-region inference」を参照してください。

ナレッジベースを選択する

検索拡張生成 (RAG) を使用しないユースケースをデプロイする場合は、このステップをスキップできます。

ただし、デプロイの一環として RAG を有効にする場合は、事前設定された Amazon Kendra インデックス ID または Amazon Bedrock ナレッジベース ID を指定できるようになりました。ソリューションで使用するための新しい Amazon Kendra インデックスを作成することもできます。このソリューションは現在、RAG ベースのユースケースデプロイのナレッジベースとして Amazon Kendra と Amazon Bedrock ナレッジベースをサポートしています。

RAG ベースのデプロイで使用するナレッジベースへのデータの取り込みに関するガイドラインについては、「ナレッジベースの設定」セクションを参照してください。

高度な RAG 設定

ウィザードでは、RAG デプロイで使用する高度なオプションを選択できます。例えば、クエリがナレッジベースに送信されるたびに取得するドキュメントの数、ナレッジベースにドキュメントが見つからないときの LLM からの静的テキスト応答、LLM の応答にサニティチェック用のドキュメントソースを表示するかどうかなどを指定できます。また、Amazon Bedrock ナレッジベースで Amazon OpenSearch Serverless を使用する場合、ロールベースのアクセスコントロール (RBAC) や検索タイプの上書きなど、Amazon Kendra のナレッジベース固有の設定も指定できます。これらの詳細設定の詳細については、「高度なナレッジベースの設定」セクションを参照してください。

プロンプトとトークンの制限を選択する

このステップでは、LLM で使用するプロンプトを設定できます。プロンプトには、{input}、{history}、{context} などのプレースホルダーが必要になる場合があります。これらのプレースホルダーは、ユーザー入力、会話履歴、ナレッジベースから取得した情報をどこから参照するかを LLM に指示します。

詳細については、「プロンプトの設定」を参照してください。プロンプトのトークン制限サイズを選択する際は、「モデルトークンの制限を管理するためのヒント」セクションを参照することもできます。

マルチモーダル入力を有効にする

このステップでは、ユースケースに合わせてマルチモーダル入力機能を有効にすることができます。有効にすると、ユーザーはテキストクエリとともに画像やドキュメントをアップロードして送信できます。

サポートされているファイルタイプと制約:

マルチモーダル入力の使用方法:

ファイルステータスの追跡:

DevOps ユーザーは、アップロード時間と処理ステータスを含む DynamoDB 内のファイルメタデータをモニタリングできます。ファイルのステータスは次の通りです。

アップロードされない保留中のステータスのファイルは、TTL の有効期限が切れると自動的にクリーンアップされます。アップロード済みステータスのファイルのみをモデルで処理できます。

S3 マルチモーダルバケットと DynamoDB メタデータテーブルは、それぞれキー MultimodalDataBucketName と MultimodalDataMetadataTable を使用してデプロイダッシュボードの出力で使用できます。

確認とデプロイ

このステップが完了したら、選択した設定内容を確認し、[Deploy Use Case] を選択します。新しいユースケースがデプロイされ、デプロイダッシュボードのビューに表示されて、管理できるようになります。

ステップ 3b: Bedrock エージェントユースケースをデプロイする

Bedrock エージェントユースケースは、ユースケース内で Amazon Bedrock エージェントを呼び出すための強力かつ安全なメカニズムを提供します。この機能により、開発者は、堅牢なセキュリティ対策を維持しながら、AI 搭載の自律型エージェントの機能を、基盤モデル、データソース、ソフトウェアアプリケーション、ユーザーとの会話などをまたいでマルチステップのタスクを編成および実行できるように、シームレスに統合できます。

前提条件

Amazon Bedrock エージェントを作成する前に、以下を準備してください。

Amazon Bedrock エージェントの作成

エージェントの作成に関する詳細な手順については、「Amazon Bedrock ユーザーガイド」の「Create and configure agent manually」を参照してください。次のようなオプションを設定できます。

Amazon Bedrock エージェントを作成したら、AWS での生成 AI アプリケーションビルダーの Bedrock エージェントユースケースのウィザードフローに進むことができます。そのためには、デプロイダッシュボードで [新しいユースケースをデプロイ] を選択し、[Bedrock エージェントユースケースの作成] を選択します。ウィザードに従い、次のステップを使用してユースケースを設定します。

ユースケースを選択する

このステップは、前述の Text ユースケースと同じです。

ネットワーク設定を選択する

このステップは、前述の Text ユースケースと同じです。

エージェントを選択する

このステップでは、作成した Amazon Bedrock エージェントのエージェント ID とエイリアス ID を指定する必要があります。

ステップ 3c: MCP サーバーのユースケースをデプロイする

MCP (モデルコンテキストプロトコル) サーバーのユースケースを使用すると、AI モデルやエージェントと統合できる MCP サーバーをデプロイおよび管理できます。MCP サーバーは、ツール、リソース、機能を AI アプリケーションに公開するための標準化された方法を提供します。既存の Lambda 関数と API から MCP サーバーを作成することも、コンテナイメージを使用してカスタム MCP サーバーをホストすることもできます。

前提条件

MCP サーバーのユースケースをデプロイする前に、以下があることを確認してください。

MCP サーバーの作成方法

このソリューションは、MCP サーバーを作成するための 2 つの方法をサポートしています。

Lambda、API、または MCP サーバーから作成する (ゲートウェイメソッド)

このメソッドは、既存の Lambda 関数、REST API、または外部 MCP サーバーをラップする MCP ゲートウェイを作成し、MCP ツールとしてアクセスできるようにします。ゲートウェイは MCP と既存のサービス間のプロトコル変換を処理します。

1 つの MCP ゲートウェイ内に、それぞれが異なるツールまたは機能を表す複数のターゲット (最大 10 個) を設定できます。

ECR イメージからのホスティング (ランタイムメソッド)

このメソッドでは、Amazon ECR イメージからコンテナ化された MCP サーバーをデプロイします。スタンドアロンサービスとして実行する必要があるカスタム MCP サーバー実装がある場合は、このアプローチを使用します。

MCP サーバーのデプロイ

MCP サーバーのユースケースをデプロイするには、デプロイダッシュボードで [新しいユースケースをデプロイ] を選択し、[MCP サーバーユースケースの作成] を選択します。ウィザードに従い、次のステップを使用してユースケースを設定します。

ユースケースを選択する

このステップは、前述の Text ユースケースと同じです。

ネットワーク設定を選択する

現在、パブリックアクセスのみが有効化されており、ネットワーク設定では VPC はサポートされていません。

MCP サーバーの作成

このステップでは、MCP サーバーのデプロイを設定します。

MCP サーバーの作成メソッド

2 つの作成メソッドから選択します。

ゲートウェイ設定 (Lambda/API/MCP サーバーメソッド用)

ゲートウェイメソッドを選択した場合は、1 つ以上のターゲットを設定します。

[別のターゲットを追加] を選択して、複数のターゲット (最大 10 個) を追加できます。各ターゲットは、MCP サーバーによって公開される個別のツールまたは機能を表します。

ECR 設定 (ECR イメージメソッドの場合)

ランタイムメソッドを選択した場合は、以下を指定します。

確認とデプロイ

MCP サーバーを設定した後、選択した設定を確認し、[ユースケースのデプロイ] を選択します。新しい MCP サーバーユースケースがデプロイされ、デプロイダッシュボードのビューに表示されて、さらに管理できるようになります。

ステップ 3d: エージェントビルダーユースケースをデプロイする

エージェントビルダーを使用すると、Amazon Bedrock AgentCore で本番環境対応の AI エージェントを作成、設定、デプロイできます。この機能は、システムプロンプト、モデル選択、MCP サーバー統合、メモリ管理を通じて、エージェントの動作を完全に制御します。

デプロイプロセスは基本的に Text ユースケースの場合と同じですが、いくつかの大きな違いがあります。

ユースケースを選択する

このステップは、前述の Text ユースケースと同じです。

ユースケースの詳細

このステップは、前述の Text ユースケースと同じです。

エージェントを設定する

このステップでは、システムプロンプト、使用可能な MCP サーバー/Strands ツール、メモリなどのコアエージェント設定を構成します。

システムプロンプト

システムプロンプトは、エージェントの動作、パーソナリティ、および機能を定義します。以下の操作を実行できます。

MCP サーバー統合 (オプション)

モデルコンテキストプロトコルサーバーを設定して、エージェントにエンタープライズツールとデータへのアクセスを提供します。

メモリ設定

エージェントがコンテキストと知識を維持する方法を設定します。

確認とデプロイ

このステップが完了したら、選択した設定内容を確認し、[Deploy Use Case] を選択します。エージェントビルダーのデプロイは通常 10～15 分で完了します。新しいユースケースがデプロイダッシュボードのビューに表示されて、さらに管理できるようになります。

ステップ 3e: ワークフローユースケースをデプロイする

ワークフロービルダーを使用すると、エージェントをツールとして委任するパターンを使用して複数のエージェントビルダーのエージェントをオーケストレーションするスーパーバイザーエージェントを作成できます。この機能を使用すると、既存のエージェントビルダーのデプロイを再利用して、複雑なマルチエージェントワークフローを構築できます。

デプロイプロセスは、エージェントビルダーと同様のパターンに従いますが、エージェントの検出と選択のための追加のステップがあります。

ユースケースを選択する

このステップは、前述の Text ユースケースと同じです。

ユースケースの詳細

このステップは、前述の Text ユースケースと同じです。

スーパーバイザーエージェントを設定する

このステップでは、専門のエージェントビルダーエージェントを調整するスーパーバイザーエージェントを設定します。

システムプロンプト

システムプロンプトは、スーパーバイザーエージェントが専門エージェントに作業を委任する方法を定義します。以下の操作を実行できます。

モデルの選択

スーパーバイザーエージェントの基盤モデルを選択します。スーパーバイザーエージェントは、このモデルを使用して以下を行います。

専門エージェントを選択する

このステップでは、スーパーバイザーが作業を委任できるエージェントビルダーのエージェントを選択します。

エージェントの追加

確認とデプロイ

以下を含むワークフロー設定を確認します。

[ユースケースのデプロイ] を選択します。ワークフローのデプロイは通常 15～20 分で完了します。新しいワークフローがデプロイダッシュボードのビューに表示されて、さらに管理できるようになります。