Amazonの膨大な商品カタログが、自己学習型アーキテクチャによって劇的な進化を遂げている。日々投稿される数百万件ものデータを効率的に処理するため、Amazonは「モデル間の不一致」を失敗ではなく、貴重な学習のシグナルとして捉えるシステムを開発した。このシステムはAmazon Bedrockを基盤とし、役割の異なる複数の基盤モデルを階層的に組み合わせた「ワークフォース」を形成している。 ワークフローでは、まずAmazon Nova Liteのような低コストで高速な「ワーカー」モデルが属性の抽出を行う。複数のワーカーが一致した結論を出せばその結果を採用する。一方で、意見が分かれたりデータが曖昧な場合には、Anthropic Claude Sonnetを搭載したより強力な「スーパーバイザー」AIエージェントが起動し、原因を調査する仕組みだ。 特筆すべきは、スーパーバイザーが単にエラーを修正するだけでなく、根本原因を分析して再利用可能な「知見」を生成する点にある。この知見は階層的なナレッジベースに保存され、プロンプト・エンジニアリングを通じてワーカーに自動でフィードバックされる。これにより、大規模言語モデル (LLM) が自ら複雑な用語を学習し続けるクローズドループが実現した。Amazonは高負荷な計算リソースを「価値ある学習機会」にのみ集中させることで、運用コストを抑えつつデータ品質を向上させることに成功している。

Amazonの膨大な商品カタログが、自己学習型アーキテクチャによって劇的な進化を遂げている。日々投稿される数百万件ものデータを効率的に処理するため、Amazonは「モデル間の不一致」を失敗ではなく、貴重な学習のシグナルとして捉えるシステムを開発した。このシステムはAmazon Bedrockを基盤とし、役割の異なる複数の基盤モデルを階層的に組み合わせた「ワークフォース」を形成している。 ワークフローでは、まずAmazon Nova Liteのような低コストで高速な「ワーカー」モデルが属性の抽出を行う。複数のワーカーが一致した結論を出せばその結果を採用する。一方で、意見が分かれたりデータが曖昧な場合には、Anthropic Claude Sonnetを搭載したより強力な「スーパーバイザー」AIエージェントが起動し、原因を調査する仕組みだ。 特筆すべきは、スーパーバイザーが単にエラーを修正するだけでなく、根本原因を分析して再利用可能な「知見」を生成する点にある。この知見は階層的なナレッジベースに保存され、プロンプト・エンジニアリングを通じてワーカーに自動でフィードバックされる。これにより、大規模言語モデル (LLM) が自ら複雑な用語を学習し続けるクローズドループが実現した。Amazonは高負荷な計算リソースを「価値ある学習機会」にのみ集中させることで、運用コストを抑えつつデータ品質を向上させることに成功している。