AI注目記事のキュレーターページ

投資銀行のフロントオフィス取引デスクを管理している方は、トレーダーがクライアントの行動、取引パターン、市場動向に関するリアルタイムの洞察を必要としていることを知っているでしょう。しかし、彼らは日中にそのようなシステムを構築・維持する時間やコーディング能力がほとんどありません。データが何百万行にもわたり、複数の可視化ツールに分散しているため、エンドツーエンドの可視性を達成することは困難です。従来のアプローチでは、トレーダーは分析のために専門家に依存し、ITチームと協力してカスタムダッシュボードを構築する必要があります。このプロセスには数日から数週間かかることがあります。その結果、利用可能なデータとそれが情報を提供すべき意思決定との間にギャップが広がります。グローバルなフルサービス投資銀行であるジェフリーズは、この課題を機会と捉え、エージェントAIを活用して株式取引デスクの運営を最適化することを決定しました。AWS上にエージェントAI取引アシスタントを構築することで、ジェフリーズはトレーダーの手にリアルタイムデータ分析の力を直接提供し、コーディングやITの待機時間を必要とせず、精度を妥協することなく実現しました。

この投稿では、ジェフリーズがStrands Agentsというエージェント構築SDKを基にしたソリューションでこれらの課題を克服した方法を探ります。このソリューションは、大規模言語モデル（LLM）、Amazon Bedrock、Amazon Bedrock Knowledge Basesを使用しています。また、異なるデータソースやツールに安全に接続するためのオープンスタンダードであるModel Context Protocol（MCP）を利用しています。ソリューションの概要、基盤となる技術スタックの選定理由、得られた教訓、ジェフリーズでのビジネスへの影響についても説明します。

フロントオフィス取引アシスタントは、資本市場のフロントオフィス株式トレーダーがデータと対話する方法の変化を表しています。ソリューションの中心には、トレーダーとの自然言語テキストによる会話を促進するドメイン特化型エージェントがあります。MCPツールのセットにより、エージェントは取引データリポジトリ、金融情報交換（FIX）メッセージファイル、インメモリデータベースなどのデータソースに接続できます。トレーダーが取引アシスタントにクエリを提出すると、Amazon BedrockがLLM（Anthropic Claude）を呼び出して自然言語の意図を解釈し、対応するSQLを生成し、基盤となるデータソースに対して実行して応答を引き出します。このソリューションは会話型インターフェースを持ち、トレーダーがトピックを掘り下げ、会話を通じてデータの洞察を探求できるようにします。ソリューションは会話のコンテキストを維持し、セッションの全期間にわたって関連する洞察や深い分析の提案を提供します。

このソリューションは、ジェフリーズの既存の取引インフラストラクチャと統合されており、セキュリティの観点からは、Amazon Bedrock Guardrailsを使用してコンテンツのモデレーション、個人情報（PII）フィルタリングを行い、ジェフリーズのポリシーに沿ったソリューションを提供し、知的アクセス制御を通じて顧客の機密データへの偶発的なアクセスを防ぎます。また、監査証跡を満たすための会話ログも使用されています。

ユーザーのインタラクションは、ジェフリーズのフロントエンド取引インターフェースから始まり、そこには埋め込みAIアシスタントウィジェットが含まれています。トレーダーが質問をすると、そのリクエストは慎重に調整されたワークフローを通じて流れます。トレーダーは、ジェフリーズのオンプレミスビジネスインテリジェンスシステムであるGlobal Flow Monitor（GFM）に資格情報を使用してログインします。GFMにログインすると、トレーダーは取引アシスタントエージェントと対話するためのUIウィジェットを持ちます。認証サービスはAmazon Elastic Kubernetes Service（Amazon EKS）を使用しており、許可されたトレーダーのみが機密取引データにアクセスできることを確認します。ボットサービスはユーザーセッションを構築・管理し、複数のクエリにわたってコンテキストを維持します。クエリアジェント（Strands）は、ソリューションのインテリジェントなオーケストレーションレイヤーとして機能します。トレーダーが自然言語の質問をすると、エージェントはまずAmazon Bedrock Knowledge Basesにクエリを送り、Amazon Titan Embeddingsを使用してセマンティックリトリーバルを行い、関連するデータベーススキーマ、テーブル関係、クエリパターンを引き出します。このコンテキストをもとに、Claude Sonnetはトレーダーの意図を推論し、文法的に正しいSQLクエリを生成します。エージェントは、リアルタイムポジションのためのインメモリグリッドや時系列分析のための履歴データストアなど、実行のための適切なデータソースを決定するために利用可能なMCPツールを評価します。Amazon Bedrockは、エージェントのステップを計画・実行するためのLLMへのアクセスを提供します。LLMの高度な推論能力により、自然言語理解、SQL生成、マルチステップツールのオーケストレーションが可能になります。チームは、取引アシスタントが進化するにつれて異なるLLMを選択できる柔軟性を持つAmazon Bedrockを選びました。

Amazon Bedrock Knowledge Basesは、基盤となるデータモデルメタデータ（テーブルスキーマ、カラム定義、クエリパターン）の埋め込み表現を保存する管理されたRetrieval Augmented Generation（RAG）パイプラインを提供します。クエリアジェントがトレーダーの質問を受け取ると、知識ベースから関連するスキーマコンテキストを取得して正確なSQL構築に役立てます。クエリ実行者は、クエリアジェントが適切なデータソースを特定し、SQLクエリを作成した後、基盤となるデータにクエリを実行します。クエリ実行者はユーザーリクエストを傍受し、データアクセスの行レベルセキュリティを提供するためにSQLフィルタを注入します。LLMは表示する可視化を選択し、マークダウンUIライブラリを使用して可視化をレンダリングしました。データストアは、クエリ実行者がクエリを実行する実際のデータソースであり、インメモリ、SQLデータベース、取引および実行データを含むFIXメッセージが含まれています。

Strands AgentsとMCPツールベースのアーキテクチャの選定理由を探ります。Strands Agentsは、AIエージェントを構築・運用するためのモデル駆動型アプローチを採用したオープンソースのエージェントハーネスSDKです。Strandsは、簡単なエージェントのユースケースから複雑なものまで、ローカル開発から本番環境へのデプロイまでスケールします。エージェント開発を簡素化し、LLMの能力を活用して計画、思考の連鎖、ツールの呼び出し、反映を行います。Strandsを使用すると、開発者はプロンプトとツールのリストをコードで定義し、エージェントを構築し、ローカルでテストし、クラウドにデプロイできます。Strandsはエージェントの次のステップを計画し、モデルの高度な推論能力を使用してツールを実行します。より複雑なエージェントのユースケースでは、開発者はStrands内でエージェントの動作をカスタマイズできます。たとえば、ツールの選択方法を指定したり、コンテキストの管理方法をカスタマイズしたり、セッション状態やメモリの保存場所を選択したり、マルチエージェントアプリケーションを構築したりできます。

ソリューションは、各データソースをStrands Agentsが呼び出すことができる独自のツールとして公開するModel-Context-Protocol（MCP）ツールベースのアーキテクチャを実装しています。このアプローチには、システムの長期的な成功を確保するための3つの利点があります。まず、このアプローチは、コアアーキテクチャの再構築を必要とせずに新しいデータソースを追加できる拡張性を提供します。これは、将来的な機能拡張を考慮して意図的に選択された設計です。次に、各特定のシステムとの相互作用のロジックを独自のツール内にカプセル化することにより、関心の分離を提供し、全体のアーキテクチャをより保守可能でテスト可能にします。最後に、この設計は、Strandsエージェントが各クエリに基づいて使用するツールを動的に選択できる柔軟性を提供し、複数のデータソースにまたがるワークフローを可能にします。

このソリューションは直感的なユーザーエクスペリエンスを提供します。トレーダーは「米国での取引のセクター内訳を教えてください」といった質問を入力できます。裏では、アシスタントがLLMを使用して適切なSQLクエリを生成し、インメモリデータグリッドにホストされている関連データソースに対して実行し、結果を瞬時に取得します。取引アシスタントは単なるデータ取得を超え、テキストクエリをSQLに変換して、チャートやグラフを用いた視覚的なストーリーを生成します。トレーダーが今日のセクター取引を昨日の活動と比較する必要がある場合、アシスタントは自動的に色分けされた凡例を持つ円グラフを生成し、トレンドや異常を迅速に見つけることができます。

フロントオフィス取引アシスタントエージェントを提供する過程で、ジェフリーズチームは、企業のAI戦略と実装ロードマップを形成するいくつかの重要な教訓を発見しました。これらの洞察は、資本市場の組織がスケールでエージェントAIアプリケーションを構築する際の貴重な指針となります。まず、チームは視覚化を生成するためにLLMに依存しないことで、ハルシネーションのリスクを軽減しました。代わりに、自然言語理解とクエリ生成をLLMが担当し、実際のチャートやグラフをレンダリングするために専用の視覚化エンジンを実装するハイブリッドアプローチを採用しました。この関心の分離により、データの正確性が保たれ、トレーダーが期待する会話型インターフェースが維持されます。

次に、チームは応答時間を最大化するためにインメモリデータベースを使用しました。トレーダーはクライアントの行動、取引パターン、市場動向に関する瞬時の洞察を必要とします。このアーキテクチャの選択がなければ、基盤となるデータセットに対するクエリは、リアルタイムの取引意思決定に対して許容できない遅延を引き起こしていたでしょう。さらに、チームはユーザーの行動が進化することを予期することを学びました。実際の使用は動的であり、トレーダーは予期しない方法でシステムと対話し、彼らのパターンは時間とともに変化しました。可視性とユーザーフィードバックループへの投資が、これらの変化する行動に迅速に適応するために不可欠であることが分かりました。最後に、チームは意図的な言語戦略を採用しました。彼らは、AIおよび機械学習（AI/ML）の豊富なエコシステムを考慮し、LLMとのインタラクションや迅速な実験にはPythonを使用しました。高スループットのデータ処理と既存の取引システムとの統合におけるパフォーマンス特性を活かすために、複雑なビジネス処理にはJavaを実装しました。

導入以来、取引アシスタントソリューションは、グローバルな営業および取引業務において測定可能な効率向上をもたらし、トレーダーが手動でのデータ処理ではなく、クライアント関係や戦略的意思決定に時間を再配分できるようにしました。これらの効率向上は、取引デスクがクライアントのオンボーディングや既存の関係の深化により多くのキャパシティを割くことを可能にし、競争優位性に直接つながります。このソリューションは、MCPツールを使用して構造化データ、非構造化データ、インメモリデータソースにアクセスし、クライアントのクエリに応じて動的にグラフやチャートを生成することで、パーソナライズされた体験を提供します。取引デスクを超えて、このソリューションは、以前に繰り返しダッシュボードを作成するために消費されていたITの時間と労力を大幅に削減し、技術チームがより高価値な戦略的イニシアチブに集中できるようにしました。おそらく最も注目すべきは、自然言語を使用して数百万行の株式取引データを安全にクエリできる能力が、データアクセスを民主化したことです。これにより、意思決定が直感や遅延したレポートではなく、リアルタイムの分析に基づくデータ駆動型の文化が育まれます。

今後の展望として、ジェフリーズのロードマップは、このエージェントAIアプローチのスケーラビリティと野心を示しています。チームは、複数の製品タイプやデスクに対して取引アシスタントをグローバルに展開し、自然言語処理（NLP）を使用したコード生成ツールで監査機能を強化し、Amazon Bedrock AgentCore機能を企業AIシステムに追加する計画です。これらの投資は、組織全体でAI駆動の能力を拡大することへのコミットメントを示しています。既存の株式ビジネスインテリジェンス（BI）アプリケーションとの統合や、複数の構造化データ、非構造化データ、インメモリデータソースをクエリする能力は、ジェフリーズをAI駆動の取引革新の最前線に位置付けています。

この投稿では、ジェフリーズとAWSが協力して、トレーダーがグローバルな営業および取引業務における株式データと対話する方法を変革するエージェントAI取引アシスタントを構築した方法を紹介しました。ジェフリーズの株式取引アシスタントは、エージェントAIが資本市場をどのように再形成しているかを示すものであり、すべてのトレーダーが単純な会話を通じて高度な洞察を引き出すことができるデータサイエンティストに変わることを可能にします。これらのエージェントAIシステムは、コンテキストを理解し、インタラクションから学び、ユーザーをより良い結果に導く知的な協力者として機能します。受動的なデータ取得から能動的なインテリジェンスへのシフトは、取引業務における新たな時代を示しています。この技術がグローバルに、そして資産クラス全体にスケールするにつれて、フロントオフィス業務における競争優位性を再定義することが期待されます。自分自身のエージェントAIアプリケーションを構築するために、Strands Agentsを探求したり、このソリューションで使用されるMCP統合パターンについて学んだり、AWSアカウントチームに連絡してユースケースに合わせたエンゲージメントについて相談したりしてください。