Amazon Bedrock AgentCoreとAmazon Nova Sonic 2.0を使用したエージェント型AI映画アシスタントで超パーソナライズされた視聴体験を提供

Amazon Nova Sonic 2.0 を活用したエージェント型 AI 映画アシスタントによる、超個別化された視聴体験の提供 推薦システムは現代のメディアストリーミングサービスの基盤であり、ユーザーがコンテンツを発見する方法を形作っています。従来の機械学習（ML）システムは、協調フィルタリングまたはコンテンツベースのフィルタリングを用いてコンテンツの嗜好を予測しますが、一日の時間帯や気分、社会的状況など、文脈に依存するニーズを見逃すことがよくあります。例えば、『ショーシャンクの空に』を見た後に、システムがさらに刑務所ドラマを提案し、リラックスするために軽い作品を求めている可能性を無視してしまうようなケースです。 ハイブリッドアプローチは、従来の機械学習のパターン認識能力と生成 AI の文脈理解・対話能力を組み合わせてこのギャップを埋めます。エージェント型 AI はこれを一歩進め、動的な対話を通じてユーザーと関わり、視聴の文脈について推論を行います。これらの推薦エージェントは、プロット要約、レビュー、視聴履歴など複数のソースから情報を合成し、リアルタイムのユーザーフィードバックを取り入れます。ユーザーは特定のシーンやテーマについて質問でき、エージェントは文脈に即した説明を提供します。これにより、コンテンツと個人の嗜好の両方を理解する知識豊富なキュレーターに相談するような体験が創出されます。 本稿では、ユーザーの視聴体験を向上させる 2 つのユースケースについて解説します。まず、長い一日を終えた後に「何か楽しいものが欲しい」と AI エージェントに伝えると、過去の視聴履歴だけでなく、現在の気分にも合致する推薦が得られる状況を想像してください。次に、映画鑑賞中に一時停止して「あの俳優は誰ですか？」や「直前のシーンの要約を教えてください」と問いかけると、即座に回答が返ってくる状況を思い浮かべてください。このような対話型アシスタントを構築するには、リアルタイム音声処理、文脈管理、ツール呼び出し、そして厳選された応答の調整が必要です。これは複雑な課題ですが、[Strands Agents SDK](https://strandsagents.com/latest/)、[Amazon Bedrock AgentCore](https://aws.amazon.com/bedrock/agentcore/)、および [Amazon Nova Sonic 2.0](https://nova.amazon.com/sonic) を含むエージェント型 AI ツールとフレームワークを活用することで、効率的に解決できます。このエージェント型 AI システムは [Model Context Protocol](https://modelcontextprotocol.io/docs/getting-started/intro) (MCP) を使用し、自然な対話を通じてユーザーの好みを理解するパーソナライズされたエンターテインメントコンシェルジュを提供します。本アプリケーションのコードサンプルは、[GitHub](https://github.com/aws-samples/sample-hyper-personalized-agentic-ai-media-assistant) リポジトリで公開しています。 ## アーキテクチャ 本ソリューションのアーキテクチャは、1/映画推薦と 2/映画シーンの分析に焦点を当てています。これらのフローについては、本稿の後続セクションでより詳細に解説します。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/23/architecture-diagram-1024x574-1.jpg) **ユーザーインタラクションワークフロー** - ユーザーは、Amazon Simple Storage Service (Amazon S3) でホストされる静的ウェブサイトとして提供され、Amazon Cognito を通じて Amazon CloudFront によって配信される Web UI を介して認証を行います。 - クライアントから AWS Fargate にホストされたサーバーへ WebSocket 接続が確立されます。このサーバーは Amazon CloudFront エンドポイントを通じて公開されています。クライアントとサーバー間のセッション通信はこの接続を介して行われます。WebSocket 接続では、接続時に JWT トークンの検証が必要です。 - AWS Fargate サーバーは着信接続を検証し、Amazon Nova Sonic 2.0 をインスタンス化して、サーバーとの双方向ストリーミング通信を開始します。 - ユーザーの音声コマンドは、確立された WebSocket 接続を介して Amazon Nova Sonic モデルに送信されます。Fargate コンテナは、Nova Sonic モデルと通信するために双方向の Smithy ストリーミング RPC プロトコルを使用します。モデルからの応答はコンテナによって処理されます。 - AWS Fargate コンテナは Nova Sonic からのツールイベントを管理し、MCP サーバーを使用してユーザーリクエストを処理することで、エージェントワークフローを開始します。Amazon Bedrock AgentCore Gateway は、AWS Lambda 関数をエージェント用の MCP 互換ツールに変換する役割を果たします。 - AWS Lambda は、処理に Amazon Nova 理解モデル（micro, lite, pro）を使用し、OpenSearch と S3 ベクターを意味検索およびストレージ層として活用します。結果は Amazon Bedrock AgentCore Gateway を介してサーバーへ返されます。 - AWS Fargate は応答を Amazon Nova Sonic に送信し、最終的な音声応答の生成を行います。生成された音声応答は WebSocket 接続を介して Web UI へストリーミングされます。 ## 自然音声ユーザーインターフェース 私たちは、低遅延で人間のような音声会話をリアルタイムに実現する最新の音声対音声モデル「Amazon Nova Sonic 2.0」を採用しています。これにより、本格的な会話のように滑らかなやり取りが可能となり、AI とのインタラクションが硬直した Q&A セッションから、動的で生産的な対話へと変革されます。タスク完了のための非同期サポート機能を活用することで、アクティブな会話中に複雑な処理をバックグラウンドで行いながら、会話を途切れさせることなく継続できます。最後に、Nova Sonic 2.0 はテキスト入力とストリーミング音声入力の両方をネイティブでサポートしており、AI アシスタントとのインタラクション方法に柔軟性をもたらします。また、会話の開始時にシステムプロンプトを提供することで、AI アシスタンの個性を定義することも可能です。アシスタントの個性を制御できる機能により、回答がブランドイメージに沿った適切な範囲内に留まり、サービスの評判を守ることに貢献します。Nova Sonic で効果的なシステムプロンプトを作成するためのベストプラクティスについては、[こちら](https://docs.aws.amazon.com/nova/latest/userguide/prompting-speech-best-practices.html)で共有しています。当ソリューションで定義された完全なシステムプロンプトは、この [モジュール](https://github.com/aws-samples/sample-hyper-personalized-agentic-ai-media-assistant/blob/main/react-client/src/helper/s2sEvents.js) で確認できます。 ## プリプロセッシングワークフロー 以下の図は、タイトルカタログデータ、映画シーン、および映画脚本から重要なインサイトを生成するオフラインプロセスを示しています。これらのインサイトは、当ソリューションにおける映画パーソナライゼーションとシーン分析のワークフローを支援し、映画アシスタントエージェントのための基盤知識として機能します。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/20/ds-offline-flow-scaled.jpg) 映画パーソナライゼーション機能を紹介するために、カタログを代表する 500 のサンプル映画を作成しました。タイトル、ジャンル、説明を含む映画のメタデータは、その意味を捉えた数値表現である埋め込み（embedding）に変換されます。これにより、正確なキーワードではなく意味に基づいてクエリがマッチングされるセマンティック検索が可能になります。キャストメンバーや公開日などの他のメタデータは、Amazon Simple Storage Service (Amazon S3) ベクトルをストレージ層とする Amazon OpenSearch Service クラスター内の同じインデックスに属性として保存されます。このインデックスは、前節で説明したハイブリッド検索および映画推薦ワークフローの駆動に使用されます。 高精度なシーン分析機能を有効化するために、メディアコンテンツの処理を2つのステップに分割しました。まず、[Amazon Bedrock Data Automation](https://aws.amazon.com/bedrock/bda/) を使用して、ビデオコンテンツから主要なインサイトを抽出します。このインサイトには、章ごとの要約と対応するタイムコード、文字起こし、音声セグメントなどが含まれます。さらに、[Amazon Rekognition の有名人認識機能](https://docs.aws.amazon.com/rekognition/latest/dg/celebrities.html) を使用して、各章に登場する有名人を特定します。次に、Amazon Bedrock Data Automation を通じて抽出された映画脚本から生成された埋め込み（embeddings）を用いて、意味的類似性検索を行います。これらの埋め込みは、エージェントが与えられた映画シーン要約と一致する脚本内の最も意味的に類似した瞬間を見つけるための基盤となります。これについては後述のセクションでより詳細を説明します。 ## 映画推薦フロー 以下のユーザーインタラクションは、コンテンツパーソナライゼーションワークフローをより詳細に示しています： ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/19/ML-19121-3.gif) 前回の図を参照すると、ユーザーが映画の推薦を求めた際、Amazon Nova Sonic はユーザーの意図を認識し、そのリクエストを処理するための適切なツールをトリガーします。AgentCore Gateway を介して Lambda 関数が起動され、リクエストが処理されます。この関数はまず DynamoDB テーブルからユーザーのアフィニティ（親和性）を取得し、ユーザーのプロファイルをより深く理解します。このテーブルは、各ユーザーの好み、嗜好、視聴パターンを表すパーソナライズされたプロファイルです。例えば、過去に**ハリー・ポッター**シリーズを視聴したことがある場合、システムはそのユーザーに対してファンタジーやアドベンチャージャンルにより高いアフィニティを割り当てることができます。ユーザーのアフィニティとクエリを組み合わせて、一連の連鎖型大規模言語モデル（LLM）呼び出しでリクエストを処理します。まず、LLM がクエリの意図に基づいて検索タイプを分類します。この分類により、使用する適切な検索クエリを決定できます。具体的には、一般的な映画推薦、直接的な映画検索、映画のセリフ引用、あるいは映画とは全く無関係の内容などです。ここでは価格対効果に優れる Amazon Nova Micro をこのプロンプトに使用しています。意図分類やその他のメタデータを抽出するためのプロンプトは、こちらの [コードサンプル](https://github.com/aws-samples/sample-hyper-personalized-agentic-ai-media-assistant) で確認できます。 次に、ユーザーのクエリを別の大規模言語モデル（LLM）に送信し、映画カタログデータに対するセマンティック検索で使用できる、より豊かで関連性の高い検索クエリへと書き換えます。例えば、以下のユーザークエリ： 「面白い映画を探しています。何かおすすめはありますか？」 は以下のように書き換えられます： 「ユーモア、興奮、または楽しいストーリーテリングを提供する、面白くてエンターテインメント性の高い映画」 内部テストの結果、Amazon Nova Lite を使用することが、構造化された応答を最もコスト効率よく生成する方法であることが判明しました。完全なクエリ書き換えプロンプスのスニペットは、以下の [コードサンプル](https://github.com/aws-samples/sample-hyper-personalized-agentic-ai-media-assistant/blob/main/backend/stack/stack_constructs/prompts/rewrite_prompt.txt) で確認できます。 リライトおよび意図分類プロンプトへのクエリの出力は、Amazon OpenSearch Service の検索クエリのパラメータとして使用されます。意味検索のために、リライトされたクエリを [Nova embeddings](https://docs.aws.amazon.com/nova/latest/nova2-userguide/embeddings.html) を用いて 1024 次元ベクトルに変換します。さらに、検索クエリには新規性と人気度のブーストを組み込み、ランキング上位に新しい作品や高パフォーマンスの番組を配置しています。具体的な検索クエリのスニペットは、以下の [OpenSearch モジュール](https://github.com/aws-samples/sample-hyper-personalized-agentic-ai-media-assistant/blob/main/backend/stack/lambdas/create_update_conversation/opensearch_helper.py) 内の _get_titles_from_query_v2 関数で確認できます。 サンプル検索クエリの結果として、30 の関連する映画が返されました。最後に、Amazon Rerank モデルを使用して、検索結果とリライトされたユーザーのクエリに基づいて推薦映画の順位を再調整し、最も関連性の高い上位 3 つの映画を返します。このプロセスはユーザーセッション全体で繰り返され、会話履歴は前の LLM チェーンへの文脈の一部として組み込まれ、ユーザー体験をさらに豊かにする役割を果たします。以下に、映画推薦クエリの例を示すスクリーンショットを掲載します： **一般的な推薦リクエスト** **Q:** 「面白い映画を探しています。何かおすすめはありますか？」 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/19/ML-19121-4.png) ** Q:** 「もっと最近のものはありますか？」 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/19/ML-19121-5.png) **映画の直接検索** **Q:** 「『Tears of Steel』という映画を探しています。この映画はありますか？」 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/19/ML-19121-6.png) **映画シーンの分析フロー** 推薦のフローと同様に、ここでは同じコンポーネントを介して可能になるシーン分析のワークフローを概説します。お気に入りの番組を見ている途中で休憩が必要になり、数分見逃してしまったと想像してください。このアシスタントは、その部分の要約を提供してくれます。また、出演者やそのシーンで何が起こっているかを含む、シーンの詳細な分析も提供可能です。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/19/ML-19121-7.gif) ユーザーが映画を一時停止して質問をした際、アプリケーションは現在のタイムコードや映画タイトルなどの関連メタデータを取得し、後で使用するために Amazon DynamoDB テーブルに保存します。例えば、ユーザーが「**このシーンで何が起こっているのか教えてくれますか？**」と尋ねた場合、アプリケーションはユーザーの視聴ログを参照して、最新のステートと現在視聴中の映画を特定します。このシーンの分析は、ユーザーとの対話の文脈理解に基づいて Amazon Nova Sonic によってトリガーされるツールによって処理されます。シーン分析リクエストは、一連に連鎖された複数の LLM（大規模言語モデル）呼び出しで処理されます。まず、Amazon Nova Micro を使用し、ユーザーのクエリに基づいてシーン分析の意図を分類するプロンプトを実行します。このタスクに使用されるプロンプトは、[movie scene assistant](https://github.com/aws-samples/sample-hyper-personalized-agentic-ai-media-assistant/blob/main/backend/python-server/movie_scene_assistant.py) モジュール内の movieScene_classfier 関数で確認できます。 意図分類機能に基づいて、シーン詳細を処理する適切なワークフローがトリガーされます。このセクションでは、シーンレベルの詳細に焦点を当てます。取得したユーザー視聴ログを使用して、該当するタイムコードに一致する章の要約、文字起こし、および有名人情報を抽出します。映画の洞察（シーン詳細や映画脚本を含む）は、Amazon Bedrock Data Automation を用いて処理され、意味検索とフィルタリングのために Amazon OpenSearch Serverless コレクションに保存されます。ユーザー視聴ログが章の冒頭にある場合、文脈をより豊かにしてシーンの分析を支援するために、オプションで前の章の情報を含めることもあります。次に、抽出したシーン詳細を使用して、映画脚本から最も意味的に類似したセグメントを検索し、脚本の詳細情報を活用して、 enriched（拡張された）なシーン理解を提供します。このプロセスを実証するため、「[Tears of Steel](https://mango.blender.org/)」の 5:15 から 5:40 の間のシーンを例として考えましょう。 Amazon Bedrock Data Automation によって生成された洞察に基づき、前のシーンの章要約は以下の通り表示されます： 歴史的なヨーロッパの都市において、大型ロボットが屋根を突き破り、破壊を引き起こしています。サイバーネット義眼を持つ男がバルコニーからロボットの動きを見守っています。彼は画面外の誰かと通信し、「彼女を中に入れろ」「残り 2 分だ」と言い、さらに「急げよ、仲間よ」と促し、時間制限のある作戦であることを示唆します。ライフルを持った別の男が現れ、ロボットへの迎撃態勢をとります。このシーンは軍事または戦術的な作戦が行われている様子で、ロボットが主要な脅威となっています。サイバーネット義眼の男はカウントダウンタイマーを監視しており、ロボットとの対峙に備えていることが示唆されます。 [spk_0]: 彼女を中に入れろ。残り 2 分だ。2 分。急げよ、仲間よ。 前記のシーン要約を用いて、Amazon Bedrock Knowledge Bases が管理する Amazon OpenSearch インデックスに対してセマンティック検索を実行します。データソースには、300 トークンのチャンクサイズと 10% のオーバーラップで前処理された映画スクリプトが含まれています。取得したドキュメントは [Amazon Rerank](https://docs.aws.amazon.com/bedrock/latest/userguide/rerank.html) モデルを使用して再ランク付けされ、シーンの説明の最終表現として使用されるトップセグメントが選択されます。以下は、この再ランク付けプロセスから導き出されたスクリプトセグメントの例です： 周囲を見回すと、塔の中にいるバーリーを見つけます。BARLEY:（ラジオを通じて）OK、彼らが来るぞ。残り2分！14. 内部。教会/バンカー。朝ディレクターがバーリーの声をラジオで聞いています。BARLEY:（続）（ラジオを通じて）あと2分。DIRECTOR:（ラジオから拡声器へ）スピードアップしろ、トム！ヴィヴァチッシモ！15. 外部。通り。昼トムとセリアの別れの再演が再開され、セリアは当初よりもさらに脅迫的になっています。もはや動揺しているというよりは、むしろ威圧的な態度です。CELIA: 私のロボットの手に対してビビっているだけだと認めないのか？空に新しい言葉が表示され、トムがそれを読むことになります。「セリア、私のロボットの手を愛しています」という内容ですが、トムはそれを無視することにします。6. THOM: 聞いてくれ、セリア、私は若かったんだ。でもそれが世界を破壊する理由にはならない。セリアは依然としてトムを威圧的な目でじっと見つめ続けています

Amazon Bedrock AgentCoreとAmazon Nova Sonic 2.0を使用したエージェント型AI映画アシスタントで超パーソナライズされた視聴体験を提供

背景や根拠まで確認しますか？

調べる

選ぶ

サイト