ИИ-агент Natera разбирает поломки приборов в 130 раз быстрее: 8 минут вместо 17,4 часа
В лаборатории Natera ушёл старший техник, а с ним и знания о ремонте приборов; на заявку в Jira инженеры отвечали 17,4 часа. Агент SWARM на Amazon Bedrock AgentCore сам читает заявку, ищет по мануалам и старым тикетам и прикладывает отчёт с версией причины. Первый ответ приходит примерно за 8 минут, в 130 раз быстрее, а отчёт получают 96,2% заявок. Вывод: если точность буксует, сначала пополняйте базу документов.
AI-обработка оригинала AWS Machine Learning Blog; редакция Hamidun News
Представьте: в лаборатории ломается прибор, а единственный человек, который знал, как чинить именно это семейство оборудования, уволился. Инженеры открывают заявку в Jira, ищут PDF-мануалы, спрашивают коллег, и первый ответ приходит через 17,4 часа. Именно так жила Natera, известная тестами на бесклеточную ДНК (cfDNA). Для неё простой приборов означает задержку обработки образцов и отчётов для пациентов. Команда лабораторной инженерии под руководством Ариэля Жирау вместе с AWS построила агента SWARM (Systematic Workflow Analytics and Resolutions Manager) на Amazon Bedrock AgentCore, управляемом сервисе AWS для запуска ИИ-агентов. По данным AWS, система отвечает примерно в 130 раз быстрее (около 8 минут вместо 17,4 часа) и выдаёт автоматический отчёт по 96,2% заявок.
Какую проблему решали
В Natera много приборов из разных семейств, и у каждого свои типовые поломки, документация и привычные способы починки. Сервисная команда держалась на личном опыте отдельных людей, а не на единых инструкциях. Когда ушёл эксперт, который годами разбирался в одном из семейств, его знания фактически пропали: никакой системы, которая бы их собирала и раздавала, не было.
Нагрузка при этом росла: больше 65 заявок в день в трёх очередях Jira. Нанимать инженеров так же быстро не получалось. Задача звучала просто: отвечать за минуты, давать точный диагноз по разным типам оборудования и постоянно улучшаться за счёт оценки результатов.
Как устроена система
Работают два агента на общей библиотеке навыков. Swarm-agent сам берёт новую заявку ещё до того, как её открыл инженер, выбирает навыки по типу прибора и симптомам, ищет в базе знаний и кладёт в заявку ссылку на HTML-отчёт: ведущая гипотеза причины, ранжированные шаги проверки и метка уверенности. Swarm-hive нужен для диалога: инженер уточняет, загружает фото и пробует альтернативные пути, а память AgentCore хранит контекст разговора по каждому человеку. Раз туда пишут свободным текстом, запросы проходят через Bedrock Guardrails.
Библиотека состоит из 33 навыков: 24 под семейства приборов и 9 сквозных. Каждый навык имеет понятный интерфейс и тестируется отдельно, как обычный продакшн-код. Python делает детерминированную работу, например разбирает поля Jira и верстает отчёт, а LLM интерпретирует симптомы и сопоставляет их с мануалами. Практическая польза очевидна: если диагноз неверен, можно указать на конкретный навык, а не разбирать всю систему.
Заявки попадают в агента через EventBridge Scheduler и Lambda-функцию, которая опрашивает Jira, поэтому вебхуки настраивать не пришлось. Дальше тикеты идут в очередь SQS, а DynamoDB убирает дубли по ID заявки и хранит статус, стоимость и расход токенов каждого запуска. Очередь отвязывает агента от доступности Jira. Трассировку ведёт X-Ray, так что медленный или дорогой шаг находится быстро.
Среда клиническая, поэтому деплой сделан без долгоживущих ключей: GitLab CI получает временные учётные данные через OIDC и AWS STS, трафик идёт по приватным подсетям VPC, а оставшиеся секреты ротируются раз в 30 дней. Работа идёт на сервисах AWS, пригодных для HIPAA, по соглашению BAA. Персональные данные пациентов не попадают ни в векторный индекс, ни в модель: тикеты содержат только метаданные оборудования и процессов.
Главный урок: сначала данные, потом модель
Первые прототипы с обычным поиском без метаданных об оборудовании давали нестабильные результаты, и команда написала свой конвейер обработки документов. Тексты режутся на куски по 1000 токенов с перекрытием 150 и индексируются пачками по 100 документов через Titan Text Embeddings и Bedrock Knowledge Bases. Для документов с таблицами и схемами авторы советуют отдельный парсер вместо стандартной нарезки.
Самая показательная цифра: после добавления недостающих вендорных мануалов для самого слабого семейства приборов точность выросла с 71% до 75% без каких-либо изменений модели. По словам Жирау, точность диагностики в первую очередь вопрос качества данных, поэтому при плато команда проверяет покрытие документацией, а уже потом занимается моделью.
Что взять в свой проект
- Не вшивайте логику в промпты: версионируемая библиотека навыков упрощает аудит и отладку.
- Разделяйте фоновую пакетную работу и интерактивный диалог на разные рантаймы.
- Всё детерминированное отдавайте обычному коду, а LLM оставляйте для рассуждений по тексту.
- Включайте трассировку и учёт стоимости запусков до первого релиза.
- Если качество встало, ищите дыры в документах раньше, чем меняете модель.
Оговорка: цифры публикует сама AWS в корпоративном блоге, а 71% и 75% относятся к одному, самому слабому семейству приборов, а не ко всей системе. SWARM остаётся помощником, который готовит отчёт-подсказку, и решение по ремонту принимает инженер.
- 21 нояб. 2026 г.Восемь open-source инструментов для ИИ-агентов: Browser Use лидирует со 121 тысячей звёзд
- 21 нояб. 2026 г.Parallel Search взял 83 балла в рейтинге 26 поисковых API для ИИ-агентов
- 21 нояб. 2026 г.MCP-сервер на 360 строк без SDK: пять решений, после которых агент перестал ломать ссылки
- 21 нояб. 2026 г.Text-to-cad: ИИ-агент рисует детали робота по описанию, проект набрал 26 тысяч звёзд
Вопросы и ответы по материалу
Что известно по теме: какую проблему решали?
В Natera много приборов из разных семейств, и у каждого свои типовые поломки, документация и привычные способы починки. Сервисная команда держалась на личном опыте отдельных людей, а не на единых инструкциях. Когда ушёл эксперт, который годами разбирался в одном из семейств, его знания фактически пропали: никакой системы, которая бы их собирала и раздавала, не было. Нагрузка при этом росла: больше 65 заявок в день в трёх очередях Jira. Нанимать инженеров так же быстро не получалось.
Что известно по теме: как устроена система?
Работают два агента на общей библиотеке навыков. Swarm-agent сам берёт новую заявку ещё до того, как её открыл инженер, выбирает навыки по типу прибора и симптомам, ищет в базе знаний и кладёт в заявку ссылку на HTML-отчёт: ведущая гипотеза причины, ранжированные шаги проверки и метка уверенности. Swarm-hive нужен для диалога: инженер уточняет, загружает фото и пробует альтернативные пути, а память AgentCore хранит контекст разговора по каждому человеку.
Что известно по теме: главный урок: сначала данные, потом модель?
Первые прототипы с обычным поиском без метаданных об оборудовании давали нестабильные результаты, и команда написала свой конвейер обработки документов. Тексты режутся на куски по 1000 токенов с перекрытием 150 и индексируются пачками по 100 документов через Titan Text Embeddings и Bedrock Knowledge Bases. Для документов с таблицами и схемами авторы советуют отдельный парсер вместо стандартной нарезки.
От чтения про ИИ-агентов — к запуску своего агента за вечер
Пошаговая сборка автономных агентов и MCP-связок в Hamidun Academy (academy.hamidun.com) (72 часа бесплатно) или мгновенный запуск готовых мультишаговых агентов в облаке Nomad.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.