日次キュレーション 2026-7-8

本記事はAmazon Bedrock AgentCore を用いたAWS Support Companion の構築方法を解説する。Strands Agents によるオーケストレーション、Model Context Protocol (MCP) サーバー群（AWS ドキュメント、AWS Support API、AWS API MCP）、AgentCore Gateway、AgentCore Memory、AWS Amplify フロントエンドで構成される。Amazon Nova Pro をモデルに、CloudWatch ログ分析、AWS ドキュメント検索、AWS re:Post クエリ、サポートケース作成を単一会話インターフェースで統合。

Amazon Bedrock AgentCore を用いてAWS Support Companion を構築する実装ガイド。Strands Agents によるオーケストレーション、3つのMCP サーバー、AgentCore Gateway、Amplify フロントエンドで構成。

AWS Support Companion をAmazon Bedrock AgentCore で構築。CloudWatch ログ、ドキュメント、AWS re:Post、サポートケース機能を単一チャットインターフェースに統合。

本記事は、Amazon SageMaker AIとMLflow、オープンソースEvidentlyライブラリを組み合わせた判別的機械学習モデル（分類・回帰）向けの監視アーキテクチャを提示。データドリフト（入力データの統計的性質の変化）とモデルドリフト（予測精度の低下）の2つの品質低下要因を検出し、監視メトリクスをMLflowで追跡・比較・可視化。バッチ推論用と実時間エンドポイント用の2つのワークフロー例を示し、SageMaker Pipelineでスケーリング、EventBridgeで定期実行、SNSで通知を実装。

AWS SageMaker AIとMLflow、Evidentlyを使用した機械学習モデル監視ソリューション。モデルの精度低下は本番環境のデータ・モデルドリフトが原因となるため、ドリフト検出・メトリクス追跡が重要。バッチ推論と実時間エンドポイントの2つのワークフローで、データ分布の変化とモデル予測精度を監視し、結果をMLflowで可視化・比較、SNSで通知を実装する実装例を提示。

本記事はAWS SageMaker、MLflow、Evidentlyを使いML モデルのドリフト（精度低下）を監視する方法を解説。

SkyPilotはAIワークロードを複数のクラウド、Kubernetes、オンプレミスにスケジュール実行するツール。Hugging Face Storageとの統合により、モデル・データセット・チェックポイントをhf://スキームでマウント可能。MOUNT（遅延マウント）またはCOPY（事前ダウンロード）で利用でき、HF_TOKENで認証。Hugging Faceはエグレス・CDN料金を無料のため、どのクラウドからの読み込みでも無料。Xetベースのコンテンツ定義チャンキングにより、チェックポイント・モデル変種間で重複が自動削除される。

SkyPilotとHugging Faceが統合され、AIの計算をどのクラウドでも実行しながら、データはHugging Faceの統一ストレージに保管できるようになった。hf://URLで モデル・データセット・チェックポイントをマウント可能。Hugging Faceはエグレス料金を無料にしているため、どのクラウドからの読み込みでも費用がかからない。

SkyPilotとHugging Faceが提携。モデルやデータをHugging Face Storageに保存し、計算は任意のクラウドで実行可能。読み込みはエグレス料金無料。チェックポイント間の重複は自動削除される。

MIT Schwarzman College of ComputingのSocial and Ethical Responsibilities of Computing (SERC)が主催する第4回Envisioning the Future of Computing Prizeで、Harvard-MIT Health Sciences and Technology プログラムの博士課程学生Rachel Savaが優勝した。受賞作「Superintelligence, Superintimate」は、神経インプラント技術の二面性を論じたもの。

MIT Schwarzman College of Computingの主催コンペティション「Envisioning the Future of Computing Prize」で、博士学生Rachel Savaが優勝した。受賞作は神経インプラント技術の医療利用と監視リスクについて論じたもの。

MIT学生Rachel Savaが神経技術コンペティションで優勝。脳インプラントの医療利用から政府・企業による思考監視への転用リスクを論じた作品が評価された。賞金1万ドル。

DAF-MIT AI Accelerator Phantom Programの一環として、U.S. Air Force cadet Joshua LynchはAIチャットボット（Claude、ChatGPT、Gemini）を用いた「vibe-coding」により、コーディング未経験の状態からRemote Operating Modular Augmentation Device（ROMAD-AI）と呼ばれるアプリケーションを開発。当初は戦場支援機能を目指したが、AI能力の限界と開発時間の制約により、戦術地図分析と任務計画文書生成を行う基本的なドキュメント処理機能へスコープを縮小。

U.S. Air Force cadetがAIチャットボット（Claude、ChatGPT、Gemini）を用いた「vibe-coding」により、コーディング未経験からアプリケーション開発に成功。戦場支援から基本的なドキュメント処理へスコープを縮小したが、非技術者による実用的なソフトウェア開発が可能なことを示した。セキュリティ面の課題も浮き彫りになった。

Air Force cadetがAIチャットボットを使う「vibe-coding」でコーディング未経験からアプリケーションを開発。プロトタイプは非技術者による実用的なソフトウェア開発の可能性を示したが、セキュリティ課題が残る。

European Commission announced an action plan on cybersecurity and advanced AI. The plan addresses dual-use concerns: AI can enhance security but also automate attacks and expand cyber incident scale and speed.

欧州委員会はサイバーセキュリティにおける先進AIのリスクと機会に対処する行動計画を発表した。AIモデルの市場投入前評価、先進AIシステムへの透明性ある（clear and transparent）アクセス条件の定義、サイバーセキュリティAIの安全なテストプラットフォーム構築、重要インフラのサイバー衛生強化、欧州AI能力の拡大を主要施策とする。

欧州委員会がAIとサイバーセキュリティの統合計画を発表。AI能力の評価、透明なアクセス条件設定、テストプラットフォーム構築、重要インフラ保護、欧州AI能力の成長支援を実施する。

NVIDIAのVera CPUは、エージェント時代向けに最適化された新しいCPUカテゴリーを体現している。従来のデータセンターCPUはコア数重視でコスト最適化が進んできたが、AIエージェント業務では各ステップの単一スレッド性能が重要になる。Veraは100%のコア数でOlympus CPU コア（Grace比で50%高い命令スループット）、1.2TB/sのメモリ帯域、3.4TB/sの核間帯域幅を提供し、負荷時の単一コア性能でx86比1.8倍を実現。Perplexityによる実装テストでは、コード実行ワークロードで1.5倍高速化、サンドボックス起動で1.9倍の並行実行速度向上を達成した。次世代Rosa CPUはRigel コアで更に高性能化予定。

NVIDIAのVera CPUはエージェントAI向けに設計された新しいCPUで、従来のデータセンターCPUの弱点を克服している。Veraは単一スレッド性能とメモリ帯域を優先し、AIエージェントが連続的に実行するツール呼び出し・コード実行・データ処理を高速化する。Olympus コアによる50%高い命令スループット、大容量メモリ帯域、モノリシック設計により、負荷時にx86比1.

NVIDIAのVera CPUはAIエージェント処理向けに設計されたCPUで、単一スレッド性能を最大化する。従来型のデータセンターCPUはコア数重視だったが、Veraは各コアの速度を優先し、高性能メモリ帯域を全コアに提供する。

Amazon QuickSightの新しいData Prep体験では、ビジネスコンテキスト（列の説明、同義語、計算フィールド、名前付きエンティティ、フィルタ、カスタム指示）をレガシーTopicsから直接Datasetの SemanticModelConfigurationに移行できる。この統合により、データに付属する単一資産となり、ダッシュボード・分析・Q&Aチャット機能が自動的にセマンティックコンテキストを継承する。

Amazon QuickSightはレガシーTopicsから新しいDataset Enrichmentへの移行を提供している。ビジネスコンテキスト（列説明、同義語、計算フィールド、ルール、指示）をDatasetメタデータに直接埋め込むことで、管理の単純化と自動継承を実現する。

Amazon QuickSightで、ビジネスコンテキスト（説明、同義語、計算フィールド）をレガシーTopicsからDatasetに直接統合できる新しいDataset Enrichment機能を提供。Pythonスクリプトで自動移行可能。