Bedrockで複数エージェント連携による保険文書分類の実装解説

発表の概要

このほどAWSの機械学習ブログで、Amazon Bedrockを利用した保険文書の自動分類ソリューションが紹介されました。保険会社は毎日数千件の文書(保険証券、宣誓供述書、承認書、規制フォームなど)を分類しており、手作業では時間がかかり誤りも発生しやすいと指摘されています。

外見が似ていても目的が異なる文書を、従来の自動化手法では正確に分類できないという課題があります。このブログでは、複数の専門エージェントが連携するマルチエージェント方式を提案し、その実装方法をコード例つきで解説しています。

技術的な新しさ

単一モデルでの分類では、テキストと視覚の両方を必要とする複雑な文書に対応できないケースがありました。このソリューションでは、文書分析エージェントとベクトル類似度検索エージェントを分離し、それぞれがテキストの意味理解とレイアウトの視覚的パターン認識を担当します。

検証エージェントが両者の結果を比較し、最終的な分類と信頼度を出力します。エージェントをツールとして実装することで、各エージェントを独立して開発・テストでき、透明性が高く、システム全体を再構築せずに新しいエージェントを追加できるという利点があります。

アーキテクチャの構成

ソリューションの中心となるのは、Strands Agents SDKで実装された検証エージェント(Validation Agent)です。検証エージェントは「エージェントをツールとして実装する」パターンを採用し、2つの専門エージェントを呼び出します。

文書分析エージェント(Document Analysis Agent)はAnthropicのClaude Haiku 4.5を使い、文書のテキスト内容を解析して分類仮説を立てます。ベクトル類似度検索エージェント(Vector Similarity Search Agent)はAmazon Titan Multimodal Embeddingsで文書をベクトル化し、FAISSによる類似度検索で既知のテンプレートと照合します。

実装の流れ

実装は4つのステップで構成されています。最初にAmazon Bedrockの推論プロファイルを設定し、Claude Haiku 4.5のモデルIDを指定します。次に、テキスト分析用のエージェントを作成し、構造化出力を利用して分類結果と信頼度を返します。

3番目に、PDFをベース64エンコードしてマルチモーダル埋め込みを生成し、FAISSインデックスから類似ベクトルを検索するエージェントを構築します。最後に、検証エージェントが2つのエージェントの結果を統合し、人間のレビューが必要なエッジケースを判定します。

注意点と不明点

このソリューションを利用するには、AWSアカウントとAmazon Bedrockへのアクセス権限、モデルへのアクセスが必要です。Python 3.14以降、AWS CLI 2.0以降などが前提条件として挙げられています。

また、AWSサービスはコストが発生する可能性があるため、料金を確認し、不要になったらクリーンアップするように求めています。モデルのリージョン別の利用可能性はAmazon Bedrockのドキュメントで確認する必要があります。