AWS показала архітектуру ШІ-підтримки
AWS описала систему з двох рівнів: робочого простору на Amazon Bedrock і Strands Agents SDK та аналітичного шару. Вона перетворює навчальні відео на структуровані SOP зі скриншотами, а RAG зіставляє заявки з процедурами й політиками та формує інструкції для розв’язання.
ML-моделі розподіляють навантаження й прогнозують ризик порушення SLA. Агентні сценарії ставлять теги, додають коментарі та оновлюють статуси, але людина зберігає контроль. Це замінює ручний пошук знань у вікі, чатах і записах єдиним процесом із підказками та ранніми сигналами ризику.
Як система перетворює відео на перевірювані SOP
Це не окремий готовий сервіс, а опис архітектури, яку команди можуть спроєктувати й реалізувати на AWS. Після завантаження запису модель Marengo Embed 2.7 ділить довге відео на налаштовувані сегменти, асинхронно створює мультимодальні векторні подання зображення, мовлення та контексту інтерфейсу, а Amazon OpenSearch Serverless індексує їх для пошуку по бібліотеці записів.
Паралельно Pegasus 1.2 формує покрокові резюме, розділи та описи дій і станів інтерфейсу, а також виділяє вхідні дані, результати, умовну логіку й точки погодження. Після відбору кадрів Claude Sonnet 4.6 в Amazon Bedrock збирає SOP із послідовністю кроків, скриншотами, перевірками та очікуваними результатами.
- Кожен крок можна звірити з точним моментом вихідного відео за інтерактивною часовою міткою.
- Редактор дозволяє змінювати формулювання й порядок кроків, додавати уточнення та експортувати результат у Word.
- Є шаблони Comprehensive, Quick Reference, Training-Focused і ProServe SOP with Controls; можна завантажити власний шаблон або задати структуру розділів.
- У виробничих середовищах ця архітектура скоротила час створення SOP на 80%, водночас передбачаючи перевірку людиною.
Що відбувається із заявкою
Нову заявку система нормалізує та збагачує за допомогою мовних моделей: із текстових полів і вкладень витягує сутності, наміри та залежності, додає операційні метадані й зберігає векторне подання в OpenSearch Serverless. RAG знаходить релевантні SOP, політики та історичні рішення, після чого модель у Bedrock формує покрокову підказку на основі перевірених внутрішніх матеріалів.
Amazon Bedrock Guardrails використовується для фільтрації контенту та перевірки прив’язки відповіді до політик організації. Рекомендації оновлюються з появою нових даних, оцінки впевненості позначають випадки для додаткового перегляду, а зворотний зв’язок аналітиків може виявляти прогалини в документації та запускати оновлення бази знань. Дії агентів — теги, коментарі та зміна статусу — виконуються лише після перегляду й схвалення аналітиком.
Що отримують керівники та де межі описаного
Другий шар побудований на Amazon Quick. Його панелі показують розподіл заявок між аналітиками за кількістю та складністю, індикатори доступності, тренди перевантаження чи недозавантаження, обсяги заявок і ризик SLA. ML-моделі групують звернення за функціональними категоріями та присвоюють оцінки ризику, а агент Quick пропонує перерозподіл навантаження і пріоритети. Рішення проходять контрольований процес із повним аудиторським слідом.
Карти процесів у форматі інтерактивних swim lane поєднують дані попередніх і наступних етапів та показують затримки, тертя на погодженнях і прогалини координації. Це дає керівникам не лише ретроспективний звіт, а поточну картину того, як складність, передачі між командами та залежності впливають на строки.
Матеріал не називає дату загальної доступності, ціну, готовий пакет для придбання чи перелік підтримуваних систем заявок. Також немає окремих показників точності рекомендацій, прогнозу SLA або автоматичних дій агентів. Тому сьогодні це слід читати як виробничу архітектуру й приклад застосування, який можна адаптувати для фінансових послуг, охорони здоров’я, логістики, виробництва та енергетики, а не як оголошення нового продукту з визначеними тарифами.