Amazon Nova Bedrock AgentCore Rilis: Cara Asisten AI Bantu Engineer

Kenapa Evaluasi Suku Cadang Selama Ini Bikin Pusing?

Pas sebuah komponen kedirgantaraan mendadak dinyatakan usang alias end-of-life, atau waktu tunggunya (lead time) molor parah, seorang insinyur biasanya butuh waktu berhari-hari cuma buat mencocokkan spesifikasi. Mereka mesti buka datasheet vendor, ngecek dokumen kontrol antarmuka (ICD), sampai memeriksa berkas kualifikasi sebelum bikin dokumen justifikasi substitusi.

Sistem pencarian berbasis teks biasa sering banget gagal nangkap informasi penting yang kekunci di dalam diagram teknik, plot termal, atau kurva torsi. Akibatnya, tim teknik kudu ngecek manual satu demi satu grafik tersebut. Lewat pendekatan multi-agent dan pemrosesan visual, sistem AI bisa bantu ngecek data visual itu bareng teksnya secara otomatis tanpa bikin mata perih.

Membedah Arsitektur Amazon Nova Bedrock AgentCore

Desain sistem asisten teknik ini punya satu pegangan utama: manusia yang memegang keputusan akhir, sementara AI cuma bertugas mengumpulkan bukti dan menyusun draf dokumen. Pegangan ini yang nentuin kapan kita butuh bantuan model bahasa (LLM) dan kapan kita murni memakai kode deterministik.

Ada tiga pilar yang bikin arsitektur ini jalan rapi:

1. Evaluasi spesifikasi deterministik: Kode Python berbasis aturan toleransi dipakai buat ngasih skor kandidat komponen terhadap part acuan. Karena input yang sama bakal ngasih vonis pass atau flag yang persis sama setiap saat, hasilnya aman dipakai buat audit resmi.
2. Orkestrasi multi-agent: Model perencana (planner) memetakan kueri ke satu atau tiga agen spesialis (Catalog, Evaluation, Knowledge). Agen supervisor baru turun tangan merangkum temuan kalau ada lebih dari satu spesialis yang kerja bareng.
3. Keputusan human-in-the-loop: Sistem cuma bikin draf memo justifikasi dan Integration Impact Assessment (IIA) buat direview manusia, bukan ngasih persetujuan sendiri. Setiap pengecekan otomatis nyatet jejak audit yang cocok sama standar kedirgantaraan AS9100 bagian 8.4 dan 8.5.6.

Semua alur obrolan dari aplikasi engineer masuk ke graf multi-agent yang jalan di runtime AgentCore. Di sini, Claude Haiku 5.5 bertindak sebagai planner, Claude Sonnet 5.5 mengeksekusi tools tiap spesialis, dan Claude Opus 5.5 bertugas jadi supervisor. Agen terhubung ke Amazon Bedrock Managed Knowledge Bases lewat AgentCore Gateway, lengkap bareng Web Search connector buat ngecek kabar terbaru di internet secara langsung.

Menyiapkan Korpus Data Komponen Multimodal

Buat bahan uji coba, tim AWS memakai contoh dataset tujuh reaction wheel dari produsen fiktif bernama AnyCompany, dengan kapasitas penyimpanan momentum mulai dari 0,003 sampai 5,0 Nms. Tiap folder komponen menggabungkan data terstruktur dan dokumen asli yang biasa dibaca insinyur:

• specs.json buat nampung data angka spesifikasi dan profil siklus hidup suku cadang.
• description.txt buat pencarian teks biasa.
• Berkas PDF Interface Control Document (ICD).
• datasheet_page.png yang merupakan gambar halaman lembar data utuh.
• datasheet_chart.png potongan visual area grafik kurva torsi.
• photo.png foto produk fisik asli.

Data nama produsen di file specs.json diperlakukan sebagai acuan wajib. Instruksi sistem (prompt) tiap agen spesialis melarang keras model menebak nama pabrikan dari nama folder, nama file, foto, atau hasil pencarian web. Aturan ketat ini dipasang biar AI nggak asal tebak vendor cuma gara-gara bentuk barangnya mirip sama hardware lain yang pernah dia pelajari.

Membagi Tugas Tiga Spesialis Pakai Strands SDK

Tiap agen spesialis dirancang memakai open source Strands Agents SDK dengan batas tools yang terisolasi rapi. Pembatasan ini penting banget biar perilaku agen tetap terkontrol dan nggak ngawur, misalnya Knowledge specialist dilarang menyentuh tool pencarian katalog, dan Catalog specialist nggak boleh megang tool evaluasi.

Berikut pembagian kerja ketiga agen spesialis tersebut:

• Catalog Specialist: Menemukan suku cadang lewat pencarian knowledge base dan filter spesifikasi ketat (kb_search, filter_parts_by_spec, get_part_specs, get_substitution_requirements).
• Evaluation Specialist: Menghitung skor kandidat secara deterministik dan membandingkan bentuk visual (score_substitution_fit, compare_parts, visual_similarity_score, check_qualification_status, generate_substitution_memo).
• Knowledge Specialist: Menjawab pertanyaan dari lembar data dan ICD, mengecek status pensiun suku cadang di web, dan mengambil visual teknis (get_part_specs, web_search_eol, retrieve_visual_content).

Biar nggak boros biaya token dan nggak lemot, pemilihan model dibagi sesuai bobot tugas. Claude Haiku 5.5 yang kencang dipakai buat klasifikasi rute, Claude Sonnet 5.5 ngerjain eksekusi tools, dan Claude Opus 5.5 cuma dipanggil pas butuh sintesis laporan akhir yang panjang. Kalau cuma satu spesialis yang kerja, jawabannya langsung dikasih ke user tanpa manggil Opus, jadi bisa nghemat waktu sekitar 8 detik.

Cara Kerja Dua Jalur Pencarian Visual Nova

Amazon Nova Multimodal Embeddings memegang dua peran penting di arsitektur ini. Pertama, menyatukan teks dan dokumen ke dalam ruang vektor 1.024 dimensi yang sama. Kedua, menghitung kemiripan visual (cosine similarity) antara dua foto komponen yang mau dibandingkan.

Pas ngebandingin bentuk fisik komponen, skor kemiripan vektor foto berada di angka sekitar 0,84 buat komponen dari seri yang sama, dan turun ke 0,40 buat komponen beda kelas. Setelah angkanya keluar, giliran model Claude yang ngejelasin detail fisiknya, kayak pola lubang baut dudukan sampai ukuran rumah pelindungnya.

Buat fitur upload gambar grafik (image-as-query), sistem langsung memanggil indeks Amazon S3 Vectors dari agen. Cara ini diambil karena API knowledge base terkelola saat ini belum nerima input kueri berwujud file gambar langsung. Hasil pencarian vektor lalu dirapikan dan disaring biar cuma ngambil satu skor tertinggi buat tiap suku cadang.

Hasil Evaluasi dan Akurasi Sistem di Lapangan

Kualitas kerja agen dipantau secara langsung memakai Amazon Bedrock AgentCore Evaluations. Fitur ini membaca jejak data OpenTelemetry bawaan Strands SDK tanpa perlu kamu ubah kodenya sama sekali. Pengujian dilakukan memakai 36 kueri terkurasi yang mencakup pencarian katalog, pencarian visual, sampai uji keselamatan.

Berikut ringkasan angka evaluasi rata-rata selama 30 hari dari dataset pengujian:

Hampir semua metrik kualitas di level trace tembus angka 0,95 ke atas, dan ekstraksi parameter tool nyaris sempurna di angka 0,980. Skor Goal Success Rate ada di angka 0,892 karena ada kueri uji coba yang sengaja meminta AI menyetujui penggantian suku cadang. Agen dengan pintar menolak permintaan itu karena melanggar aturan keselamatan, tapi evaluator otomatis mencatat penolakan itu sebagai tujuan yang belum tercapai.

Langkah Deploy Agen ke Runtime AgentCore

Pas sistem udah siap dibawa ke tahap produksi, kodenya tinggal dibungkus ke kontainer Docker berbasis Linux ARM64, diunggah ke Amazon ECR, lalu dijalankan secara serverless di AgentCore runtime.

Tahapan deploy praktisnya kayak gini nih:

1. Bikin kontainer Docker buat arsitektur platform linux/arm64.
2. Kasih tag kontainer yang unik berbasis tanggal dan jam biar versinya nggak tertimpa-timpa.
3. Login dan kirim (push) kontainer ke repositori Amazon ECR.
4. Siapkan izin execution role yang mencakup bedrock:InvokeModel, bedrock:Retrieve, bedrock-agentcore:InvokeGateway, dan s3vectors:QueryVectors.
5. Pasang aturan kebijakan Cedar buat memastikan memo cuma bisa dibuat kalau evaluasi awal udah selesai dan log audit udah tercatat.

Buat kamu developer di Indonesia yang pengin nyobain arsitektur multi-model kayak gini tanpa ribet urusan kartu kredit luar negeri, kamu bisa langsung manfaatin Classai Router. Lewat satu API key aja, kamu bisa langsung manggil model-model canggih kayak claude-haiku-5.5 (Rp1.620 / Rp4.500 per 1M token), claude-sonnet-5.5 (Rp3.600 / Rp18.000 per 1M token), sampai claude-opus-5.5 (Rp4.500 / Rp22.500 per 1M token) dengan pembayaran praktis via QRIS atau transfer bank lokal.

Biar skill ngeracik aplikasi berbasis agen dan integrasi model makin mantap, kamu juga bisa gabung di kelas AI untuk Developer bareng komunitas developer lainnya.

Kamu adalah Evaluation Specialist untuk komponen mekanikal presisi. Tugasmu membandingkan spesifikasi kandidat dengan komponen acuan berdasarkan batas toleransi ini:1. Nilai bus voltage harus sama persis (exact match).2. Massa kandidat maksimal boleh 20% lebih berat dari acuan.Tampilkan tabel hasil komparasi dan tandai parameter yang tidak lolos toleransi. Ingat aturan utama: jangan pernah menuliskan kalimat rekomendasi atau persetujuan penggantian, serahkan vonis akhir sepenuhnya ke engineer.