Amazon BedrockとMCPで画像解析ツールをエージェント化する構成

AWSは、Computer Visionの処理をMCPサーバーとして公開し、Amazon BedrockとStrandsエージェントから組み合わせて使う「エージェント型 vision」の実装例を公開しました。

要点

• 画像・動画の物体検出、切り出し、ラベル、説明、検索をエージェントがツールとして選択します。
• Computer Vision用とOpenSearch用のMCPサーバーを分け、標準化した呼び出し面を提供します。
• S3、Amazon Rekognition、OpenSearch、BedrockへのアクセスをIAMで集中管理します。
• Streamlit画面から最大200MBの画像または動画を投入する例が示されています。

今回のブログ記事で語られていること

従来の画像解析アプリケーションは、物体検出、切り出し、説明生成、類似検索を固定した順序で呼ぶことが一般的でした。記事の構成では、各処理をMCPのツールとして定義し、Strandsエージェントが利用者の質問に応じて必要なツールと順番を選びます。例えば、画像内の特定物体を探し、その領域を切り出し、説明を作り、過去の画像から似たものを検索する流れを対話から組み立てられます。Computer Vision用MCPサーバーはAmazon Rekognitionなどの解析を受け持ち、OpenSearch用MCPサーバーは索引と検索を担当します。

標準化したツール面は、モデルを変えても画像処理側の実装を再利用しやすい利点があります。一方、エージェントが自由に手順を選ぶと、同じ質問でも呼び出し回数と費用が変わり、不要な高解像度処理や重複検索が起きる可能性があります。ツールごとに入力サイズ、回数、タイムアウト、保存先を制限し、どの判断で何を呼んだかを記録する必要があります。公式例のStreamlit画面は最大200MBのファイルを受け付けるため、拡張子だけでなく実体形式、圧縮爆弾、動画時間、個人情報を検査し、隔離した領域で処理したいところです。

IAMでS3、Rekognition、OpenSearch、Bedrockへの権限を集中管理できても、すべての画像を一つの索引へ入れてよいわけではありません。利用者や案件ごとの検索境界、元画像と切り出し画像の保存期間、顔や車両番号などセンシティブな情報の扱いを決めます。精度評価では説明文の自然さだけでなく、物体の見逃し、誤検出、切り出し座標、類似検索の順位を用途別に測り、人が確認すべき場面を明確にする必要があります。

今回のブログ記事が関係する人

画像・動画検索を構築する開発者、MCPツールを管理するAI基盤担当、メディアデータの権限・保存・個人情報を管理するチームに関係します。

結局、今回のブログ記事をどう読むべきか

画像モデルの新機能ではなく、複数の視覚処理をエージェントから再利用する設計例です。導入側はツールごとの権限、入力上限、費用上限、失敗時の挙動、検索境界を固定してから自由な組み合わせを許可するとよいでしょう。