こんにちは。グループ情報部の池田（@mashiike）です。
今年も06/25・06/26にAWS Summitが開催されました。
現地に行ったのは06/25だけでした。06/26はライブ配信を視聴するのにとどめました。
AWS Summit 2026 は、何となくエンジニアリング観点では、以下のような共通課題をクリアした年なんだなと感じました。
LLM/Agentの管理自体はエンジニアがやるので良いのだけど、 効率化したいその業務に関するスペシャリストは他にいて、 スペシャリスト自身でプロンプトの管理を出来るようにしたい。 そのような管理をすることで、更新サイクルを早くしてAIのタスク精度を向上させて、AIの活用促進を進めたい。
というところに課題を感じている人が多いようでした。 それに対して、
そんな課題に対して、我々は次のように解決を試みました。 <<ここに具体的なアプローチ>> このアプローチによって、プロンプトないし文脈情報のデプロイメントをLLM/Agentのデプロイメントと切り離しに成功しました。 その結果AI活用がとても進みました！
という発表が多かったように思います。
具体的なアプローチとしては、 LangfuseというOSSを導入 or 内製のパターンだったと思います。
今年は、上記のような課題をクリアすることで、生成AIないしAgentの活用が一気に進み、一定の成果を見いだせた年になったのではないでしょうか。
来年はどうなっちゃうんでしょうね。
もっと内容についても触れたいところですが…一旦それは置いといて。
実は去年このような記事を出しました。
そう、Elastic座布団 クッションの比較記事です。もちろん、今年もクッションはしっかりとゲットしてきました。
会社のオフィスには、各年のクッションはちゃんと取っといてあります。
こうやって、並べてみますと、、、今年の分厚さは目立ちますね。
さて、去年の記事では、モデル作って分析してました。モデルができてるということは、予測ができるということで、予測結果をみましょう。
去年では、３種類のモデルを出してましたが、2次関数系は明らかにオーバーフィッティングということで除外しまして、対数モデルと線形モデルで予測結果を図示してみました。
個人的には、「対数モデルじゃないか？」って思ってるので大体 51.6 ~ 72.0 mm の何処かに収まるのではと思っています。
さて実測してみましょう。先ずは去年のクッションを再計測
概ね同じ数値です。計測方法は去年と同じっぽいですね。では問題の2026年今年のクッションです。
74.7mm と大きく分厚いです。去年の対数モデルの予測（51.6〜72.0mm）は68%PIだったので、今年の実測はそこをちょっと超えてきました。
とはいえ95%PIの範囲には収まっているので、「対数モデルが外れた」というより「稀な側に振れた」くらいの話です。
これを噛み砕くと、解釈は次の2通りくらいに分かれます。
- 「対数モデルで厚さが推移しているが、今年のAWS Summit は予算が潤沢で、クッションの厚さが想定より厚かった」
- 「線形モデルで厚さが推移していて、今年のAWS Summitのクッションも想定通りに厚かった」
クッションの厚さが線形で毎年増えてくなんて、さすがのAWSでも無理でしょ〜と思うので、多分対数モデルだとは思いますが、まだどちらも否定できないなと思っております。
来年のクッションの厚さがとても楽しみです。 2026年のクッションの実測ができたところで、来年の予測をしたいです。
最近のCodingAgentはすごいですね。予測を立ててと言うと、コードを書いてくれるのです。
2027年の予測は次のようになってるそうです。
ちなみに僕個人の予想を言うと、これまで薄め→厚め→薄め→厚めと交互に来ているので、来年は伸びが鈍る「薄め」の年かなと思っています。対数モデルでもだいたい 76.8mm くらいなので、その辺りに収まるんじゃないかと予想しています。
この予測を出したコードは以下のようになっています。
#!/usr/bin/env python3 """Predict 2027 cushion "before" thickness with linear and log models. Refits linear (y = a*year + b) and log (y = a*log(year-2022) + b) models on the 2023-2026 observations (incl. the measured 2026 = 74.7 mm), by least squares and Bayesian inference (PyMC), and plots the 2027 prediction with 68% prediction-interval bars (observation noise included) for each model. """ from __future__ import annotations import warnings import matplotlib import matplotlib.pyplot as plt import numpy as np import pymc as pm warnings.filterwarnings("ignore") matplotlib.use("Agg") plt.rcParams["font.family"] = "DejaVu Sans" YEARS = np.array([2023, 2024, 2025, 2026], dtype=float) BEFORE = np.array([20.9, 45.9, 50.0, 74.7], dtype=float) YEAR_2027 = 2027.0 YEAR_CENTER = float(np.mean(YEARS)) years_c = YEARS - YEAR_CENTER year_2027_c = YEAR_2027 - YEAR_CENTER t_obs = YEARS - 2022.0 t_2027 = YEAR_2027 - 2022.0 log_t_obs = np.log(t_obs) log_t_2027 = np.log(t_2027) RNG = np.random.default_rng(42) def fit_bayes_linear() -> np.ndarray: """Return posterior predictive samples of the 2027 measurement (linear).""" with pm.Model(): alpha = pm.Normal("alpha", mu=float(np.mean(BEFORE)), sigma=50.0) beta = pm.Normal("beta", mu=0.0, sigma=50.0) sigma = pm.HalfNormal("sigma", sigma=10.0) mu = alpha + beta * years_c pm.Normal("y_obs", mu=mu, sigma=sigma, observed=BEFORE) trace = pm.sample( 4000, tune=2000, chains=4, target_accept=0.95, random_seed=42, progressbar=False, ) a = trace.posterior["alpha"].values.flatten() b = trace.posterior["beta"].values.flatten() sigma_post = trace.posterior["sigma"].values.flatten() mu_2027 = a + b * year_2027_c return RNG.normal(loc=mu_2027, scale=sigma_post) def fit_bayes_log() -> np.ndarray: """Return posterior predictive samples of the 2027 measurement (log).""" with pm.Model(): a = pm.Normal("a", mu=30.0, sigma=20.0) b = pm.Normal("b", mu=0.0, sigma=20.0) sigma = pm.HalfNormal("sigma", sigma=10.0) mu = a * log_t_obs + b pm.Normal("y_obs", mu=mu, sigma=sigma, observed=BEFORE) trace = pm.sample( 4000, tune=2000, chains=4, target_accept=0.95, random_seed=42, progressbar=False, ) a_post = trace.posterior["a"].values.flatten() b_post = trace.posterior["b"].values.flatten() sigma_post = trace.posterior["sigma"].values.flatten() mu_2027 = a_post * log_t_2027 + b_post return RNG.normal(loc=mu_2027, scale=sigma_post) def main() -> None: coeffs_lin = np.polyfit(years_c, BEFORE, 1) coeffs_log = np.polyfit(log_t_obs, BEFORE, 1) pred_lin_ols = float(np.polyval(coeffs_lin, year_2027_c)) pred_log_ols = float(np.polyval(coeffs_log, np.log(t_2027))) samples_lin = fit_bayes_linear() samples_log = fit_bayes_log() def stats(s: np.ndarray) -> tuple[float, float, float]: return ( float(np.mean(s)), float(np.percentile(s, 16.0)), float(np.percentile(s, 84.0)), ) mean_lin, lo_lin, hi_lin = stats(samples_lin) mean_log, lo_log, hi_log = stats(samples_log) print("=== 2027 'before' thickness prediction ===\n") print("Observed:") for yr, val in zip(YEARS, BEFORE): print(f" {int(yr)}: {val:.1f} mm") print() print("Linear model:") print(f" OLS prediction : {pred_lin_ols:.1f} mm") print(f" Bayes pred. (w/ noise): {mean_lin:.1f} mm (68% PI: {lo_lin:.1f}-{hi_lin:.1f})") print("Log model:") print(f" OLS prediction : {pred_log_ols:.1f} mm") print(f" Bayes pred. (w/ noise): {mean_log:.1f} mm (68% PI: {lo_log:.1f}-{hi_log:.1f})") # ------------------------------------------------------------------ # Plot # ------------------------------------------------------------------ fig, ax = plt.subplots(figsize=(8, 6)) ax.scatter(YEARS, BEFORE, s=90, zorder=5, color="black", label="Observed") t_plot = np.linspace(2023, 2027.3, 200) t_plot_c = t_plot - YEAR_CENTER t_plot_log = t_plot - 2022.0 ax.plot(t_plot, np.polyval(coeffs_lin, t_plot_c), "--", color="steelblue", label="Linear fit") ax.plot(t_plot, np.polyval(coeffs_log, np.log(t_plot_log)), "--", color="seagreen", label="Log fit") ax.errorbar( 2026.85, mean_lin, yerr=[[mean_lin - lo_lin], [hi_lin - mean_lin]], fmt="D", markersize=9, color="steelblue", capsize=7, label=f"Linear 2027: {mean_lin:.1f} (68% PI [{lo_lin:.1f}, {hi_lin:.1f}])", ) ax.errorbar( 2027.15, mean_log, yerr=[[mean_log - lo_log], [hi_log - mean_log]], fmt="D", markersize=9, color="seagreen", capsize=7, label=f"Log 2027: {mean_log:.1f} (68% PI [{lo_log:.1f}, {hi_log:.1f}])", ) ax.set_xlim(2022.5, 2027.8) ax.set_xlabel("Year") ax.set_ylabel("Thickness (mm)") ax.set_title("AWS Summit Cushion 'before' Thickness — 2027 Prediction") ax.legend(fontsize=9, loc="upper left") ax.grid(True, alpha=0.3) plt.tight_layout() plt.savefig("images/prediction_before_2027.png", dpi=150, bbox_inches="tight") plt.close() print("\nSaved plot to images/prediction_before_2027.png") if __name__ == "__main__": main()
まとめ
今年もAWS Summit 2026に参加し、無事にクッションをゲットできました。
そして、前年のモデルでの予測と実際のクッションの比較を行い、「今年のは分厚いな」という最初に持ったときの感覚を数値としても確認できました。
昨年に比べると人が２倍くらい増えていたような気がしています。
内容は、去年に引き続いて生成AIやAgentに関する話がとても多かったです。去年は「生成AIを導入し始めました」「Agentを試してみました」という発表が多い印象でしたが、今年は「Agentを導入した結果こういう成果がありました、その過程でこんな課題がありました」という、より実践・運用フェーズの話が増えていました。
冒頭で感じた「プロンプトや文脈情報のデプロイをLLM/Agentのデプロイと切り離す」という共通課題も、まさにそうした運用の深まりの中から生まれてきたものなんだと思います。
来年は一体どうなるのかと、セッションの内容とクッションの厚さという２重の意味で楽しみに待っていたいと思います。
