A Bayer ügynökalapú rendszere tíz perc alatt diagnosztizálhat hibákat
A Bayer Crop Science természetes nyelvű, több ügynökből álló felületet épített gépi tanulási munkafolyamatainak kezelésére. Az Agentic Decision Engine első fázisában a felhasználói kérdések mintegy 80 százalékát mérnöki közreműködés nélkül oldja meg.
- Az ADE természetes nyelvű felület a Bayer Connected Decision Engine rendszeréhez.
- Az első fázisban a kérdések mintegy 80 százalékát mérnöki közreműködés nélkül oldja meg.
- Az éles rendszer 22 specialistát futtat különböző feladatokra.
- A hibadiagnosztika az AWS szerint több mint egy óráról tíz percnél rövidebb időre csökkent.
- Az ADE az Amazon Bedrock AgentCore szolgáltatásán működik.
A döntési motor a Connected Decision Engine fölé épült
A növénynemesítési döntésekhez genomikai adatokra, szántóföldi kísérletekre, képekre, környezeti adatokra és modellek kimeneteire van szükség. A Bayer Crop Science ezeken az adatokon több száz gépitanulási-modellkonfigurációt futtat különböző növényeken, régiókban és csapatokkal. A futtatásoknak ismételhetőnek és ellenőrzöttnek kell lenniük.
Ezt a célt szolgálja a Connected Decision Engine, röviden CDE, amely a gépi tanulási munkafolyamatok telepítését, vezérlését, megfigyelését és újrafelhasználását kezeli. A rendszer egységes módot ad a nemesítőknek, elemzőknek, kutatóknak, adattudósoknak és adatmérnököknek az analitika futtatására, miközben megőrzi a végrehajtási előzményeket és az üzemeltetési kontrollokat.
A használat bővülésével azonban az vált szűk keresztmetszetté, hogy a felhasználók megértsék a munkafolyamatokat. Egy hiba okának vagy egy eredet forrásának feltárásához korábban API-kat, dokumentációt, metaadattárakat, irányítópultokat és naplókat kellett átnézni.
22 specialista ügynök dolgozik a háttérben
A Bayer erre a problémára hozta létre az Agentic Decision Engine-t, azaz az ADE-t. Ez egy természetes nyelvű, több ügynökből álló felület a CDE fölött. A felügyelő ügynök osztályozza a kérdést, kiválasztja a megfelelő specialistát, majd összefoglalja az eredményt, ha a kérdés több területet érint.
Az ADE éles környezetben 22 specialistát futtat. A Domain Expert Agent például a fogalmi kérdésekre válaszol visszakereséssel támogatott generálással, az Operational Agent élő munkafolyamat-állapotokat és eredményeket kér le, a Troubleshooting Agent az üzemeltetési telemetriát elemzi, a Visualization Agent pedig diagramokat készít vagy meglévő irányítópultokat ad vissza.
Amikor egy nemesítő azt kérdezi, miért hibásodott meg előző nap a fenotipizálási munkafolyamata, a felügyelő ügynök a Troubleshooting Agenthez továbbítja a kérést. Ez a CloudWatch telemetriáját és az AgentCore Gatewayen keresztül elérhető CDE API állapotadatait használja a hibapont azonosítására. Az AWS szerint a korábban több mint egyórás, kézi naplókeresést igénylő diagnózis így tíz percnél rövidebb idő alatt elkészülhet.
Az AWS AgentCore kezeli a futtatási réteget
Az ADE az Amazon Bedrock AgentCore szolgáltatásán működik. A Bayer választását a kezelt futtatási környezet, az egyes felhasználói munkamenetek elkülönítése, valamint az IAM-alapú eszközhozzáférés támogatta. Az AgentCore Gateway a hitelesítést és a jogosultságkezelést az ügynökkódon kívül tartja.
A megoldás keretrendszerfüggetlen, ezért a csapat a saját LangGraph-alapú vezérlését és modellválasztását használhatta. A webes felület Reactre épül, a konténerképeket a GitHub Actions készíti, majd az Amazon Elastic Container Registrybe és az AgentCore futtatási környezetébe telepíti.
A rendszerben a LangGraph ellenőrzési pontjai az Amazon DynamoDB-ben tárolódnak. Az Amazon Aurora PostgreSQL a munkamenetek adatait, a felhasználói visszajelzéseket és az analitikát tárolja, az Amazon ElastiCache pedig időkorlátos gyorsítótárként működik. A tartalmak az Amazon S3-ból az Amazon Titan Text Embeddings V2 segítségével kerülnek vektorizálásra, majd az Amazon OpenSearch Serverless indexeli őket.
A bevezetést közös AWS-es tervezés támogatta
A Bayer az AWS Unified Operations bevonásával készítette fel a rendszert az indulásra és az azt követő üzemeltetésre. A munkában egy kijelölt technikai ügyfélmenedzser és egy generatív AI-ra szakosodott mérnök vett részt, akik a tervezéstől az éles működésig a Bayer csapatának kiterjesztéseként dolgoztak.
A csapat hetente három technikai egyeztetésen vizsgálta meg a tervezési döntéseket. Ezek között szerepelt a LangGraph állapotának tartós mentése a DynamoDB-ben, az Entra ID, az IAM és a downstream szolgáltatások jogosultságainak szétválasztása, valamint a modellválasztás kezelése interfészszerződésként.
A Bayer egy újabb, bekapcsolt gondolkodási móddal rendelkező modellverziót is értékelt, de annak eszközhasználata és strukturált kimenete nem volt kompatibilis az ADE megvalósításával. A csapat ezért a kiadásra a jelenlegi modellt tartotta meg. A megközelítés a felhasználók számára azt jelenti, hogy a CDE működésével kapcsolatos kérdésekre egyetlen természetes nyelvű felületen kaphatnak választ, közvetlen naplókeresés és mérnöki segítség nélkül.
