ניתוח

ארכיטקטורת סוכני AI לניתוח חוזים עם Amazon Bedrock ו-Quick

שילוב בין סוכני Amazon Bedrock AgentCore, שירות Amazon Textract ודשבורדים של Amazon Quick לחילוץ נתונים מובנה מחוזים

4 דקות קריאה
EN
ארכיטקטורת סוכני AI לניתוח חוזים עם Amazon Bedrock ו-Quick
מבוסס על כתבה שלAWS Machine Learning ↗תרגום וסיכום באמצעות מערכת חדשות בליווי AIאיך אנחנו עובדים

תקציר מנהלים

5 דברים שחשוב לדעת

  1. כלי RAG סטנדרטיים שולפים מקטעי top-k סמנטיים ומתקשים לבצע חישובי אגרגציה וסיכום על פני מאות מסמכים בו-זמנית.

  2. הארכיטקטורה משתמשת בסוכן Claude Sonnet לחילוץ 8 שדות מפתח ובסוכן Claude Haiku לאימות בלתי תלוי.

  3. Amazon Textract משמש כמכריע מבוסס ראייה ממוחשבת במקרים של אי-הסכמה בין הסוכנים לגבי קיום חתימה.

  4. הנתונים נשמרים ב-Amazon Aurora PostgreSQL ומתאפשר תשאול משולב באמצעות לוחות מחוונים וצ'אט ב-Amazon Quick.

  5. עלות הסקת ה-AI עומדת על כ-0.014 דולר לחוזה, כאשר עיקר ההוצאה החודשית נובע מרישוי כלי הניתוח.

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:

  1. מסמכי PDF של חוזים מועלים למאגר Amazon Simple Storage Service (Amazon S3), פעולה שמפעילה צינור עיבוד אוטומטי.
  2. 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).
  3. סוכן אימות נפרד (המופעל על ידי המודל הקל יותר Claude Haiku) קורא את אותו המסמך באופן עצמאי ומאמת את המידע שחולץ.
  4. במקרה של אי-הסכמה בין שני הסוכנים בנוגע לזיהוי חתימה, שירות Amazon Textract משמש כמכריע דטרמיניסטי באמצעות ניתוח ראייה ממוחשבת.
  5. הנתונים המאומתים נשמרים במסד הנתונים Amazon Aurora PostgreSQL.
  6. 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.

האם זה היה שימושי לעסק שלכם?

שאלות ותשובות

שאלות נפוצות

הכתבה הוכנה באמצעות מערכת בליווי בינה מלאכותית לתרגום, סיכום ובקרות איכות אוטומטיות מתוך פרסום מקורי של AWS Machine Learning. קראו על תהליך העריכה שלנו. קישור למקור המקורי.

קבלו עדכוני AI שימושיים למייל

תקציר ממוקד ממערכת החדשות שלנו.

עוד מ־AWS Machine Learning

כל הכתבות מ־AWS Machine Learning
ניהול עלויות מקצה לקצה ב-Amazon Bedrock: מדריך לצוותי FinOps
מדריך
5 דקות
מ־AWS Machine Learning

ניהול עלויות מקצה לקצה ב-Amazon Bedrock: מדריך לצוותי FinOps

בפוסט של מומחי AWS מוצג מודל תפעולי בן חמישה שלבים לניהול עלויות ב-Amazon Bedrock, המיועד לצוותי FinOps והנדסת פלטפורמה. המודל מתמקד בעומסי עבודה של סוכני בינה מלאכותית (agentic workloads), שבהם צריכת הטוקנים מושפעת מרמת האוטונומיה וגודל ההקשר. חמשת השלבים כוללים: שיוך עלויות לכל ישות וצוות באמצעות תגי IAM ודוחות CUR 2.0; יצירת יכולת תצפית ובקרה באמצעות רישום יומני הסקה ב-CloudWatch וב-S3 לצד מטא-דאטה מובנית; אכיפת תקציבים בשלוש רמות (התראות, שלילת הרשאות ב-IAM או חסימה סינכרונית בשער); מיטוב ברירות מחדל באמצעות שמירה במטמון (prompt caching) וניתוב מודלים חכם; והפעלת סקירת ביצועים משותפת מבוססת מדדים ברורים.

קרא עוד
אימון סוכנים ב-Multi-Turn Reinforcement Learning ב-SageMaker AI
מדריך
5 דקות
מ־AWS Machine Learning

אימון סוכנים ב-Multi-Turn Reinforcement Learning ב-SageMaker AI

מדריך טכני של מהנדסי AWS מציג את השימוש ב-Multi-Turn Reinforcement Learning (MTRL) על גבי Amazon SageMaker AI לאימון סוכני בינה מלאכותית על רצפי פעולות מרובי שלבים. באמצעות הדגמה על משחק Wordle, המאמר מפרט כיצד אימון מודל GPT-OSS-20B בעזרת סביבת Amazon Bedrock AgentCore ואלגוריתם GRPO העלה את שיעור הפתרון מ-61% ל-84% בהגדרות הגשה, בעלות של כ-339 דולר בטוקנים. המדריך כולל פירוט על ארכיטקטורת המערכת, הכנת מערך הנתונים ללא תוויות, נוסחת פונקציית התגמול המפרידה בין תוצאה לעיצוב התנהגות, והתמודדות עם תקלות תשתית ואימות במהלך האימון.

קרא עוד
תשלום לפי קריאה עבור סוכני AI: שילוב AgentCore payments ב-AWS
מוצר חדש
4 דקות
מ־AWS Machine Learning

תשלום לפי קריאה עבור סוכני AI: שילוב AgentCore payments ב-AWS

בפוסט שפרסמו מהנדסי AWS הוצגה היכולת המנוהלת AgentCore payments ב-Amazon Bedrock, המאפשרת לסוכני בינה מלאכותית לשלם לפי דרישה עבור שירותים דוגמת הסקת מודלים. השירות מנהל ארנקים, מטפל בפרוטוקול התשלום x402 ואוכף מגבלות הוצאה ברמת התשתית במקום ברמת המודל. הפוסט מפרט כיצד חברת Incarna שילבה את המערכת כדי לאפשר לסוכנים לשלם לנתב ההסקה BlockRun עבור כל קריאה בנפרד ברשת Base ב-USDC. האינטגרציה הושלמה בשלושה ימים ובכ-200 שורות קוד, ובשלב הבטא עובדו מעל 1,000 תשלומים בסכומים של 0.001 עד 0.05 דולר לקריאה. היכולת זמינה כעת באופן כללי.

קרא עוד
Claude Haiku 5.5 זמין כעת ב-Amazon Bedrock וב-AWS
מוצר חדש
4 דקות
מ־AWS Machine Learning

Claude Haiku 5.5 זמין כעת ב-Amazon Bedrock וב-AWS

חברת AWS הודיעה על זמינות המודל Claude Haiku 5.5 ב-Amazon Bedrock וב-Claude Platform on AWS. לפי Anthropic, המודל הוא המהיר והיעיל ביותר במשפחת Claude 5.5, נבנה עבור תתי-סוכנים ומשימות בנפח גבוה, ועולה כ-75 אחוז פחות מ-Claude Haiku 4.5 במרבית המשימות. השירות ב-Bedrock שומר על תושבות נתונים אזורית ומשתלב עם מנגנוני IAM, CloudTrail, CloudWatch ו-Guardrails. המודל כולל בקרות מאמץ לכוונון עלות מול תבונה, ומיועד להשתלב לצד Claude Opus 5.5 שמבצע את התכנון והשיפוט המורכב. המודל זמין בפרופילי הסקה גלובליים ואזוריים וב-AWS GovCloud.

קרא עוד

עוד כתבות שיעניינו אותך

לכל הכתבות
מדריך תמחור Make: כיצד עובד מודל הקרדיטים ומה ההבדל מול Zapier
ניתוח
5 דקות
מ־Zapier

מדריך תמחור Make: כיצד עובד מודל הקרדיטים ומה ההבדל מול Zapier

מדריך שפורסם באתר Zapier מנתח את מודל התמחור של פלטפורמת האוטומציה Make (לשעבר Integromat), המבוסס על צריכת קרדיטים חודשית. במודל זה, מרבית המודולים בתרחיש – כולל טריגרים, חיפושים ואיטרטורים – גורעים קרדיט אחד בעת ביצועם, גם אם לא נמצא מידע חדש. חריגים לכך הם נתבים ומודולים לטיפול בשגיאות שאינם צורכים קרדיטים, לצד מודולים יקרים יותר כגון הרצת קוד (2 קרדיטים לשנייה) ופעולות בינה מלאכותית מסוימות. המדריך מפרט את תוכניות החיוב, החל מתוכנית חינם המציעה 1,000 קרדיטים ושני תרחישים פעילים, דרך תוכנית Core ב-12 דולר לחודש עם 10,000 קרדיטים, ועד מסלולי Pro, Teams ו-Enterprise. לצד זאת, המדריך משווה בין Make לבין Zapier: בעוד ש-Make מחייבת על כל שלב וטריגר ומציעה מעל 3,500 אפליקציות, Zapier גובה תשלום רק על משימות שהושלמו וכוללת מעל 9,000 אפליקציות. בנוסף מצוין כי Make דורשת עקומת למידה משמעותית, כאשר התמיכה של הפלטפורמה המליצה על כ-19 שעות לימוד ב-Make Academy לפני בניית תהליכים לייצור.

קרא עוד
מעבר לייצור קוד: מדריך לפיתוח תוכנה מבוסס סוכנים ב-GitHub
ניתוח
4 דקות
מ־GitHub AI and ML

מעבר לייצור קוד: מדריך לפיתוח תוכנה מבוסס סוכנים ב-GitHub

בפוסט שפורסם בבלוג של GitHub, מוצגת מסגרת עבודה לשילוב סוכני בינה מלאכותית בארבעה שלבי פיתוח: תכנון, בנייה, אימות ותצפית. הדבר מגיע על רקע נתוני אוקטובר שהצביעו על יותר מ-1.2 מיליארד קומיטים בשבוע אחד, לצד ממצאי מחקר של Faros AI שלפיהם בקשות משיכה ממתינות 441% יותר זמן בסקירה כאשר צוותים מגבירים את אימוץ הבינה המלאכותית. המדריך סוקר כלים כגון מצב תכנון, ארגזי חול בענן, סקירות קוד אוטומטיות, וחיבור למערכות תצפית כדי לייעל את התהליך כולו.

קרא עוד
כיצד צריכה בינה מלאכותית לבקש אישור: לקחי Zapier מפיתוח Sidekick
ניתוח
4 דקות
מ־Zapier

כיצד צריכה בינה מלאכותית לבקש אישור: לקחי Zapier מפיתוח Sidekick

בפוסט שפרסמה חברת Zapier, מפרטת החברה את הלקחים מפיתוח מנגנון ההרשאות בסביבת העבודה Sidekick. המערכת עברה מספר איטרציות: החל מבקשת אישור על כל כלי בנפרד, דרך הצמדת כללים למשאבים מוגנים (כמו קבצים או חשבונות), ועד להעברת בקשות האישור מחוץ לזרם הצ'אט לפאנל ייעודי ותיבת דואר נכנס. בנוסף, Zapier בחנה מצב Auto שבו בודק בינה מלאכותית מקבל החלטות על בסיס כללים בשפה חופשית, ומצב YOLO שבוטל לאחר שהתברר כי דילוג גורף על אישורים אינו מתאים לסביבת העבודה. כעת מפתחת החברה מצב חדש המבוסס על הפיכות הפעולה וההקשר שלה.

קרא עוד
חיבור ידע מוצר לסוכני בינה מלאכותית: ארבעה לקחים מסיילספורס
ניתוח
4 דקות
מ־Salesforce Blog

חיבור ידע מוצר לסוכני בינה מלאכותית: ארבעה לקחים מסיילספורס

במאמר מאת Salesforce מפורטים ארבעה לקחים מניסיונה כמשתמשת הראשונה במוצריה (Customer Zero), ובפרט בחיבור ידע מוצר לסוכני בינה מלאכותית באמצעות Data 360 ו-Agentforce. החברה מתארת כיצד תשובות סוכן RAG תלויות באיכות התוכן הנשלף, וממליצה להעריך את מאגר הידע לפי התאמה, פער והתנגשות לפני בניית אינדקס. בנוסף מומלץ לפתח תצורות על בסיס השערות שנבדקות כמותית ואיכותית ולא לפי מפרט קשיח, להגדיר מראש מאגר נתוני ייחוס לבדיקות, ולשלב בדיקות אנושיות לצד מדדים אלגוריתמיים כדי למנוע דחיות שווא לפני עלייה לייצור.

קרא עוד