AWS、BedrockとMCPを活用した「エージェント型ビジョン」の構築手法を公開

要点

• AWSは、コンピュータビジョン、AIエージェント、MCPを融合した視覚AIシステム「エージェント型ビジョン」の構築手法を公開した。

• 従来の視覚AI開発で課題だった「見る」「考える」「行う」のプロセスの分断を、単一の標準化されたインターフェースで解消する。

• セキュリティはAWS IAMロールで一元管理し、クライアントに認証情報を埋め込むことなく安全なアクセスを可能にする。

• AIエージェント部には、高い可観測性を持ち多様なモデルに対応するフレームワーク「Strands Agents」を採用した。

• ユーザーはStreamlit製のチャット画面から、デフォルト設定の「Claude 4 Sonnet」などの好みの基盤モデルを選択できる。

• 米AWSは2026年7月15日、公式ブログにおいて、Amazon Bedrockや、AIと外部ツールの連携を標準化するオープン規格であるModel Context Protocol（MCP）などの技術を統合し、視覚インテリジェンスと自律的な行動力を備えたシステム「エージェント型ビジョン（Agentic vision）」を構築するアプローチを発表した。本システムは、従来分断されていた視覚情報の処理、意思決定、アクションを一つのパイプラインへ統合するものである。

• 従来のAI開発においては、「見る（視覚認知）」「考える（意思決定）」「動く（行動実行）」の各システムが別々に構築されていたため、それらを統合するために複数のAPI管理やカスタム実装が必要となり、非効率で壊れやすいシステムになりがちだった。AWSが提示したアプローチは、こうした境界線を取り払い、人間の知性のように協調して動作するAIの実現を目指すものである。

• このアプローチの中核には、3つのテクノロジーの融合がある。1つ目は、写真や動画などの視覚情報を処理するコンピュータビジョン技術。2つ目は、AIエージェント（自律的にタスクを実行するAIプログラム）の構築用フレームワーク「Strands Agents（ストランズ・エージェント）」で、システム状態を監視するオブザーバビリティ（可観測性）などの本番環境向け機能を備える。3つ目は、オープン標準規格の「MCP」である。これはAIモデルとデータ源の組み合わせごとに個別の接続コネクタを開発する手間を不要にするプロトコル（通信規約）として機能する。

• ブログでは、これらを組み合わせた具体例として「Computer Vision MCP Server（コンピュータビジョンMCPサーバー）」を用いたアーキテクチャが解説されている。本アーキテクチャでは、クライアントが複数のAWSサービスと連携する際の中核として「AWS Identity and Access Management (IAM、AWS上のリソース権限を管理するサービス)」のロールが機能する。IAMロールが権限管理を一元化するため、クライアント側に個別の認証資格情報を埋め込む必要がなくなり、安全なアクセス制御を実現するという。

• このモデルのもとで動作するAWSサービスとして、データの保存と管理を行うオブジェクトストレージ（データをファイル単位で保存するクラウドストレージ）の「Amazon S3」、インデックス化（検索しやすいように整理）されたデータへのクエリ（問い合わせ）処理を高速に行う「Amazon OpenSearch」、テキスト生成用の基盤モデルを提供する「Amazon Bedrock」、そしてオブジェクト検出（画像内の特定物体を識別する処理）などの画像解析に特化した「Amazon Rekognition」が紹介されている。

• ユーザーがこのシステムを利用する際のインターフェースには、Pythonで対話的なUIを素早く実装できるライブラリ「Streamlit（ストリームリット）」を用いたチャットUIが用意されている。画面の左側にあるメニューパネルから、ユーザーは画像分析に用いる好みの基盤モデルを自由に選択できる。この基盤モデルのデフォルト（初期設定）には、高い推論能力（与えられた情報から論理的に結論を導き出す能力）を備えた「Claude 4 Sonnet」が指定されている。