公開：2026年9月24日, 最終更新：2026年9月24日
30秒サマリー
- AWS公式ブログが、自然言語で動画コンテンツに質問できるエージェント型AIシステムの構成を詳説
- Strands Agents SDK・Amazon Bedrock・Rekognition・Transcribeを組み合わせ、用途別パイプライン開発が不要に
- 導入事例では200本超の長時間録画の手動レビュー時間が約80%削減（顧客の内部比較、独立検証なし）
何が起きたか
AWS Machine Learning Blogは、自然言語の質問に対して動画コンテンツから回答を返す「エージェント型動画インテリジェンス」システムの構成と実装パターンを公式ブログで解説した。
このシステムは、Strands Agents SDKで構築したAIエージェントがAmazon Bedrock（Claude Sonnetを使用）を推論エンジンとして、Amazon Rekognition（映像解析・顔認識）、Amazon Transcribe（音声文字起こし・話者分離）、Amazon Bedrock Data Automation（BDA）を必要に応じて動的に呼び出す設計となっている。「会議でどのような決定が下されたか」「この人物は映像に映っているか」「衝突前に車線変更した車両はどれか」といった質問を投げかけると、エージェントが質問内容を解釈し、起動すべきサービスをランタイムで判断して処理を実行する。あらかじめ用途ごとに固定パイプラインを構築する従来手法とは異なり、ツールの追加だけで機能を拡張できる点が特徴とされている。
処理速度については、60分動画の初回解析に5〜10分（動画の長さや解像度、利用サービスにより変動）かかるものの、2問目以降はキャッシュを再利用するため1秒未満で回答が返ると説明されている。AWSプロフェッショナルサービスの支援を受けたメディア・エンターテインメント企業の事例として、200本超の長時間会議録画に対し手動レビュー時間が約80%削減されたと記載されているが、これは顧客の内部比較によるもので独立した第三者検証はないとブログ内で明示されている。
実装はGitHubリポジトリで公開されており、動作にはAmazon Bedrockへのアクセス権（Anthropic Claude Sonnet有効化）、Amazon S3、Python 3.11以降、Strands Agents SDKが必要。本番環境ではAmazon Bedrock Guardrailsによるコンテンツフィルタリングと回答の根拠確認を追加することが推奨されている。
原典ハイライト
エージェントはユーザーの質問を受け取るたびに「音声内容・映像内容・両方のどれが必要か」を自律判断し、該当ツールのみを呼び出す。キャッシュが有効なら再処理せず即答する。新機能の追加はツール関数を定義してリストに追加するだけで、ワークフロー本体の変更は不要、とAWSブログは説明している。
出典: AWS Machine Learning Blog（公式ブログ）
So What?（なぜ重要か）
従来、動画コンテンツの検索・分析には用途ごとの専用MLパイプライン開発が必要だったが、このアーキテクチャではエージェントが質問ごとに最適なAWSサービスを選択・組み合わせるため、開発・運用コストを大幅に圧縮できる可能性がある。会議録画・監視映像・現場点検動画など多様な動画資産を同一システムで扱える点は、動画データ活用の裾野を広げる。
日本企業への示唆
日本企業にとって直近の検討ポイントは三つ考えられる。①蓄積した会議録画・研修動画・現場点検映像を「検索可能な知識資産」として再活用できるか評価する。②自社のAWS環境でAmazon Bedrock（Claude Sonnet）が利用可能なリージョンか事前確認が必要（リージョン制限あり）。③顔認識・監視映像用途では責任あるAI統制（Guardrails設定）が必須とAWSが明示しており、法令・社内ポリシーとの整合を先に整理してから実装に入ることが望ましい。GitHubに実装例が公開されているため、PoC着手のハードルは低い。
背景・経緯
企業における動画データの蓄積は急増しているが、その内容を後から検索・活用する手段は限られており、多くの場合は担当者が手動で視聴するか、目的ごとにMLパイプラインを個別開発するしかなかった。AWSはStrands Agents SDK（エージェント開発用フレームワーク）を既に提供しており、今回のブログはそのSDKと既存AWSサービス群を組み合わせた動画インテリジェンスの実装パターンとして公開されたもの。サービス自体の新規ローンチを告知する内容ではなく、構成手法の解説記事として位置づけられる。
