この作品は、2025年9月に行われた "Progateハッカソン powered by AWS & Project LINKS" での出場作品です。

概要

こんな経験はありませんか？

飛行機や夜行バスに乗ったとき、「今から数時間、他人の運転に命を握られるのオモロいな...」と思ったこと
実際に死にかけたこと

長い旅程に危険はつきもの。「Go島てる」を使用することで、過去のデータから自分の通る経路上でどんな事故があったかを分析し、あるかもしれない可能性に気付き、理由もなく恐怖することができます。

使用したオープンデータ

Project LINKSで公開されている「自動車運送事業事故データ」の02_jikohoukokusyo.csv「自動車運送事業の事故報告書データ（ファイル02）」を使用しました。 https://www.geospatial.jp/ckan/dataset/links-jidousyaunsoujigyoujiko-2024 （データ処理は下に記載があります）

つかいかた

マップが描画されると、「開始」「終了」のマーカーを置くことができるようになります。

2.ふたつのマーカーを設置し「シミュレーション開始」をクリックすると、過去の事故データがDBからクローリングされ、表示されます。画像は試しに500件くらい表示してみたやつ。

最後に、事故情報を学習した AI が、事故状況から起こりうる「最悪の状況」を教えてくれます。やったね。

技術

アプリとインフラに分けて紹介します。

App

Next.js
- MAPまわり
  - Maplibre
Postgres DB
strandsagents(Agent作成)

Infra

前提として、全てのリソースを aws でホスティングしています。

Amplify (app)
Aurora Serverless v2 (db)
Location Service
Bedrock AgentCore

AIエージェント

strandsagents(Agent作成)
Amazon Bedrock AgentCore
Amazon Bedrock
Amazon Bedrock ナレッジベース
Amazon ECR
Amazon S3

アーキテクチャ図

※間違ってる可能性があります

データ処理

Amazon Sagemaker AI (notebook instance)
- pandas
- Amazon Bedrock
S3
RDS (Aurora Serverless v2)
(EC2) (RDS接続用)

使用したオープンデータには、事故の情報が約60カラムに渡って詳細に記載されていました。 Amazon Bedrock経由でモデルに各行のデータの一部をプロンプトとして渡し、各事故データに対し「タイトル」と「概要」を生成しました

Sagemakerのnotebookインスタンス上で処理を行いS3にcsvを保存し、EC2からpsqlで、RDSのデータベースにアクセスしクエリを叩いて、S3に保存した加工済みデータをテーブルへ挿入しました

SELECT aws_s3.table_import_from_s3(
    '{table_name}',
    '',
    '(format csv, header true)',
    aws_commons.create_s3_uri(
        '{bucket_name}',
        '{file_path}',
        '{region}'
    )
);

参考: Amazon S3 から RDS for PostgreSQL DB インスタンスにデータをインポートする

serverlessを使うことでコスト削減が・・・できませんでした（本当に申し訳ございません）