AWS, Amazon Bedrock AgentCore ile kendi kendine öğrenen belge işleme sistemini tanıttı

AWS, Amazon Bedrock AgentCore üzerinde çalışan ve iş belgelerini sınıflandırıp veri çıkaran, doğrulayan ve her yeni formattan öğrenen bir ajan tabanlı belge işleme sistemi tanıttı. Şirketin Machine Learning Blog'unda paylaşılan çözüm, şablon yapılandırmasına ihtiyaç duymadan tedarikçi faturaları, satın alma siparişleri, sigorta hasar dosyaları ve kredi başvuruları gibi belgeleri işleyebiliyor.

Blog yazısında aktarılan IDC araştırmasına göre belge kaynaklı sorunlar kuruluşlara her bilgi çalışanı için yıllık 19.732 dolar maliyet çıkarıyor ve üretkenliği yüzde 21,3 azaltıyor. Personelin zamanının yüzde 30'a varan kısmı belge işlerine gidiyor; manuel veri girişinde hata oranı ise yüzde 1 ile 4 arasında değişiyor.

Amazon Bedrock AgentCore nedir, ne işe yarıyor?

Amazon Bedrock AgentCore, ajanları herhangi bir çerçeve veya modelle ölçekli biçimde kurmak, bağlamak ve optimize etmek için sunulan bir platform. Yeni çözümde sistem, Strands Agents adlı açık kaynak SDK ile kurulan iki grafik tabanlı iş akışı üzerinden çalışıyor. Sekiz özel ajan bu akışlarda görev paylaşımı yapıyor.

Tanımlama iş akışında Analyzer ajanı Amazon Textract ile metni çıkarıp belge türünü ve göndereni belirliyor. Matcher ajanı ise Amazon S3 Vectors'ta vektör benzerliği araması yaparak benzer belgeleri buluyor.

Yeni belge türleri nasıl öğreniliyor?

Eşleşme bulunamadığında eğitim iş akışı devreye giriyor. Instructions ajanı çıkarım istemlerini üretiyor, Extractor ajanı yapılandırılmış veriyi çıkarıyor ve Validator ajanı sonuçları Amazon Aurora DSQL'deki şemalar ve iş kurallarıyla karşılaştırıyor. Doğrulama başarısız olursa Instructions Fixer ajanı istemleri iyileştirip yeniden deniyor; başarı durumunda Save Instructions ajanı talimatları ileride kullanılmak üzere saklıyor.

Bilinen bir belge türü geldiğinde otomasyon iş akışı çalışıyor ve Extractor ajanı mevcut talimatları doğrudan uyguluyor. Doğrulama başarısız olursa Troubleshooter ajanı talimatları değiştirmeden çıkarılan veriyi düzeltiyor.

Sistem pratikte ne kadar hızlı?

Blog yazısında paylaşılan örnekte yeni bir perakendeci olan Two Wheel Store'dan gelen ilk satın alma siparişi, Matcher ajanının vektör deposunda benzer belge bulamaması üzerine eğitim iş akışına yönlendiriliyor. Validator ajanı, tedarikçinin SB-004 biçimindeki SKU'sunun Acme Bikes'ın AB-SB-004 iç formatıyla eşleşmemesi nedeniyle doğrulamayı başarısız buluyor. Instructions Fixer ajanı, tedarikçi SKU'larının başına AB- eklenmesini söyleyen açık bir dönüşüm kuralı ekliyor. İkinci denemede yedi satır kalemi doğrulanıyor ve rafine edilen istem vektör deposuna kaydediliyor. Bu ilk çalışmanın uçtan uca süresi 3 dakika 49 saniye.

Aynı tedarikçiden ikinci bir sipariş geldiğinde Matcher ajanı, önceki çalışmadan kalan talimatları 3,946 güven puanıyla (eşik değer: 3,7) buluyor ve işi otomasyon iş akışına yönlendiriyor. Eğitim sırasında öğrenilen SKU dönüşüm kuralı bu kez kendiliğinden uygulanıyor. Üç satır kalemi ilk geçişte doğrulanıyor ve sipariş toplamı 5.979,19 dolar olarak hesaplanıyor. Uçtan uca işlem 1 dakika 30 saniyede tamamlanıyor.

Kurulum ve dağıtım

Çözümü dağıtmak için Amazon Bedrock'ta Amazon Nova ve Anthropic (Claude) modellerinin etkin olması, AgentCore (Runtime, Gateway, Identity), S3 Vectors ve Aurora DSQL erişimi, AWS CDK v2, Docker, Python 3.11+ ve Node.js 18+ gerekiyor. GitHub'daki aws-samples/agenticidp-guidance deposu klonlandıktan sonra uv run deploy.py --admin-email komutuyla altı CloudFormation yığını kuruluyor. Dağıtım yaklaşık 15-20 dakika sürüyor.

Kurulum sonrası gelen e-postadaki CloudFront adresi, kullanıcı adı ve geçici parolayla web arayüzüne giriş yapılıyor. Belgeler Amazon SES veya doğrudan Amazon S3'e yükleme yoluyla sisteme giriyor; EventBridge bir Lambda fonksiyonunu tetikleyerek DynamoDB'de takip işi oluşturuyor ve AgentCore runtime'ı çağırıyor. Ajanlar AWS kaynaklarına AgentCore Identity ve Amazon Cognito ile yönetilen makineden makineye kimlik bilgileriyle erişiyor.

Blog yazısına göre çözüm, kurulumdan sonra yeni belge formatlarını şablon yapılandırması olmadan işleyebiliyor ve öğrendiklerini yeniden kullanarak aynı türden sonraki belgelerde doğrudan çıkarıma geçebiliyor. Türkiye'deki AWS kullanıcıları için AgentCore, S3 Vectors ve Aurora DSQL'in hangi bölgelerde kullanıma açık olduğu ise AWS'nin desteklenen bölgeler listesine bakılarak doğrulanması gerekiyor; blog yazısında Türkiye'ye özel bir erişim bilgisi yer almıyor.