בפוסט שפורסם בבלוג של AWS, הוצגה ארכיטקטורה לפלטפורמת ניתוח חוזים המבוססת על סוכני בינה מלאכותית, שירות Amazon Bedrock AgentCore וכלי הניתוח של Amazon Quick. הפתרון נועד להתמודד עם המגבלות של כלי צ'אט מבוססי RAG בעת ניתוח תיקי חוזים גדולים, ומציע מעבר מחילוץ סמנטי מבוסס מקטעים לחילוץ נתונים מובנה לצד שאילתות אגרגציה במסד נתונים.
מגבלות RAG בשאלות אגרגציה על תיקי חוזים
לפי כותבי הפוסט, מנהל התקשרויות אחראי למאות או אלפי חוזי ספקים המכילים מידע חיוני כגון ערכי התקשרות, מועדי פקיעה, סטטוס חתימה ואנשי קשר. כאשר המידע נעול בתוך קובצי PDF, צוותים נאלצים לחלץ נתונים ידנית לגיליונות אלקטרוניים כדי להשיב לשאלות חוזרות ונשנות מההנהלה, למשל אילו חוזים עומדים לפקוע או מול איזה ספק היקף ההוצאה הוא הגבוה ביותר.
בפוסט מוסבר כי כלי צ'אט ארגוניים רבים נשענים על טכנולוגיית Retrieval Augmented Generation (RAG). שיטה זו מפרקת מסמכים ארוכים למקטעים (chunks), מאנדקסת אותם ומחזירה בחיפוש סמנטי רק את מספר המקטעים הרלוונטיים ביותר (top-k). גישה זו פועלת היטב עבור שאלות ממוקדות במסמך בודד, אך נכשלת כאשר נדרשת אגרגציה של נתונים על פני כלל תיק החוזים — כגון סיכום שווי כולל או איתור החוזה היקר ביותר. מכיוון שהמודל מקבל רק חלק קטן מהמקטעים, הוא מבצע חישוב על המקטעים שנשלפו בלבד ומחזיר תשובה שגויה.
התובנה המרכזית שהוצגה היא שהפתרון לשאלות רוחביות טמון בחילוץ מובנה של שדות המפתח למסד נתונים ייעודי, תוך שימוש בבינה מלאכותית להמרת מידע בלתי מובנה למבנה מוגדר, ושימוש במסד נתונים לביצוע פעולות מתמטיות וסיכומים. במקביל, המסמכים המקוריים נשמרים בבסיס ידע לצורך מענה על שאלות פרטניות מתוך מסמך ספציפי.
ארכיטקטורת הצינור: סוכנים כפולים ואימות נתונים
הפתרון המתואר הוא יישום רשת מבוסס React על גבי AWS, המורכב ממספר שלבים:
- מסמכי PDF של חוזים מועלים למאגר Amazon Simple Storage Service (Amazon S3), פעולה שמפעילה צינור עיבוד אוטומטי.
- סוכן חילוץ מבוסס בינה מלאכותית (המופעל על ידי סדרת מודלי Claude Sonnet) קורא את ה-PDF ומחלץ שמונה שדות מפתח, כאשר לכל שדה מוצמד ציון מהימנות (confidence score).
- סוכן אימות נפרד (המופעל על ידי המודל הקל יותר Claude Haiku) קורא את אותו המסמך באופן עצמאי ומאמת את המידע שחולץ.
- במקרה של אי-הסכמה בין שני הסוכנים בנוגע לזיהוי חתימה, שירות Amazon Textract משמש כמכריע דטרמיניסטי באמצעות ניתוח ראייה ממוחשבת.
- הנתונים המאומתים נשמרים במסד הנתונים Amazon Aurora PostgreSQL.
- המשתמשים מקבלים עדכוני סטטוס בזמן אמת דרך תקשורת WebSocket, ויכולים לתשאל את הנתונים באמצעות לוחות מחוונים מובנים וסוכן צ'אט בשפה טבעית.
כותבי המאמר מציינים כי הצינור מסוגל לעבד חוזה בשניות בודדות בתנאים טיפוסיים, והארכיטקטורה נטולת השרתים (Serverless) מתוכננת לאפשר התרחבות מקבילית לעיבוד חוזים רבים. הסוכנים נבנו באמצעות Strands Agent SDK ורצים בסביבת Amazon Bedrock AgentCore, המספקת אירוח נטול שרתים, הרחבה אוטומטית ובידוד סשנים. בנוסף, מנגנון המדיניות ב-Bedrock AgentCore מאפשר הגדרת בקרות אבטחה מבוססות שפת Cedar כדי לוודא שמשתמשים וסוכנים ניגשים רק לחוזים שהותרו להם.
בחירת המודלים והכרעה בזיהוי חתימות
הארכיטקטורה משלבת שני מודלים שונים: Claude Sonnet לחילוץ, בשל יכולתו לקרוא קובצי PDF ישירות ללא עיבוד OCR מקדים ולהחזיר מבנה JSON, ו-Claude Haiku לאימות מהיר וחסכוני בעל נקודת מבט עצמאית שתופסת שגיאות.
במהלך הבדיקות גילו המפתחים כשל שבו מודל האימות סימן לעיתים חוזה כחתום בביטחון של 95%–100% אף על פי שלא הופיעה בו חתימה, בעוד סוכן החילוץ זיהה נכון שהחוזה אינו חתום. המודל זיהה את הטקסט של שורת החתימה הריקה ("Signature: __________") כהוכחה לחתימה. במקום להסתמך על הנחיות פרומפט מורכבות, נוסף שירות Amazon Textract כמכריע ראייתי הפועל רק כאשר ישנה אי-הסכמה בשדה is_signed. Textract מנתח חזותית את הדף כדי לזהות חתימה ידנית או דיגיטלית ממשית, ובכך מונע תוצאות חיוביות כוזבות בעלות מזערית.
בניסוי שבוצע על מדגם של 20 חוזים עם 8 שדות מתויגים ידנית (160 ערכים בסך הכל), נמצא כי שלב החילוץ הוא בעל ההשפעה הגבוהה יותר על הדיוק. שימוש במודל חילוץ בעל יכולות גבוהות יותר שמר על הדיוק גם כשהוצמד לו מודל אימות קל, בעוד שמודל חילוץ קל יותר הוריד את הדיוק ללא תלות במודל האימות.
תשאול וניתוח באמצעות Amazon Quick
כדי לאפשר גישה לנתונים, המערכת מחוברת ל-Amazon Quick המשלב דשבורדים מובנים וסוכן שיחה בשפה טבעית:
- שאלות אגרגציה (כגון שווי כולל של כלל התיק או מספר החוזים שפגו) מנותבות לשאילתות מול מסד הנתונים PostgreSQL והנושאים המוגדרים (Topics).
- שאלות ממוקדות מסמך (כגון תנאי תשלום בחוזה של ספק מסוים) נשלפות ישירות מתוך בסיס הידע של קובצי המקור.
לוחות המחוונים של Amazon Quick Sight מוטמעים ישירות ביישום ה-React באמצעות ה-SDK הייעודי, ושולפים נתונים ישירות ממסד הנתונים כדי להציג מידע מעודכן מייד עם סיום עיבוד החוזה. התצוגות כוללות מדדי ביצוע מרכזיים (KPIs), טבלת חילוץ מלאה, ציוני מהימנות של שני הסוכנים ופילוח עלויות.
עלויות תפעול ותובנות מרכזיות
לפי ניתוח העלויות שפורסם, עיקר העלות החודשית נובע מרישוי כלי הניתוח ולא מהרצת מודלי השפה:
- רישוי Amazon Quick למשתמש Enterprise ותשתית: כ-290 דולר.
- מסד נתונים Amazon Aurora Serverless v2: כ-44 דולר.
- הרצת מודלים ב-Amazon Bedrock (חילוץ ואימות): כ-12 דולר לחודש עבור 1,000 חוזים.
- שירות Amazon Textract (הכרעה בחתימות): כ-2 דולרים לחודש.
- שירותי תשתית נוספים (AWS Lambda, API Gateway, S3, CloudFront): פחות מדולר אחד.
- סך העלות החודשית להערכת הצוות עומד על כ-349 דולר עבור עיבוד של 1,000 חוזים בחודש.
עלות הסקת המסקנות של מודלי ה-AI מסתכמת בכ-0.014 דולר לחוזה. הכותבים סיכמו כי עבור תרחישי אגרגציה על פני מסמכים רבים, מומלץ לחלץ שדות מפתח למסד נתונים מובנה לפני ביצוע שאילתות, להשתמש בשני מודלים בלתי תלויים לאימות כדי לתפוס שגיאות בנתונים בעלי השלכות קריטיות, ולהסתמך על שירותים דטרמיניסטיים ייעודיים כאשר מודלי שפה נוטים להזיות. במקרים שבהם שני המודלים אינם מסכימים באופן ששירות דטרמיניסטי אינו יכול ליישב, השלב הבא הוא ניתוב החוזה לבדיקה ידנית של גורם אנושי במקום פתרון אוטומטי.