Een IoT-agent met Strands Agents is software die een AI-model en tools inzet voor taken met verbonden apparaten, zoals sensoren uitlezen of robots coördineren. Dat kan op drie verschillende manieren: lokale en cloudanalyse combineren, sensoren aan de rand verwerken of een robotvloot via een netwerk laten samenwerken.
Drie patronen voor verschillende IoT-taken
De voorbeelden van AWS en het Strands Agents-project beschrijven drie aparte architecturen. AAIF verdeelt monitoringtaken over lokale modellen en Amazon Bedrock; een Greengrass-opstelling verwerkt sensorgegevens op een Raspberry Pi 5; Strands Robots richt zich op communicatie tussen robots en andere apparaten.
| Patroon | Taak | Lokaal | Cloud en connectiviteit |
| AAIF | Apparaten monitoren en complexe analyses uitvoeren | Een klein taalmodel stuurt lokale tools en modellen aan | Amazon Bedrock verwerkt geselecteerde complexe verzoeken; daarvoor is netwerktoegang nodig |
| Greengrass-landbouwopstelling | Bodemvocht en apparaatstatus controleren, plus plantenbeelden analyseren | Sensoruitlezingen, apparaatstatus en lokale orkestratie op een Raspberry Pi 5 | Plantenbeelden gaan voor analyse naar Amazon Bedrock; die functie vereist netwerktoegang |
| Strands Robots | Meerdere robots of apparaten laten communiceren en coördineren | Zenoh is het standaardtransport voor apparaten op hetzelfde lokale netwerk | AWS IoT Core is bedoeld voor verspreide vloten en beheer vanuit de cloud |
AAIF combineert lokale verwerking met cloudanalyse
AWS beschrijft de Adaptive Agentic Intelligence Framework (AAIF) als een architectuur met drie lagen: een lokaal model voor de aansturing, lokale verwerking en optionele analyse via Amazon Bedrock. In het voorbeeld stuurt llama3.2:1b verzoeken door naar lokale tools of naar een cloudfunctie. Ollama voert de lokale modellen uit; llama3.2-vision analyseert beelden.
De telemetrie in dit voorbeeld komt niet van echte sensoren. De functie get_device_telemetry leest uit een vooraf ingevulde Python-dictionary en kiest willekeurig een van drie voorbeeldapparaten. De waarden zijn dus demonstratiedata. AWS beschrijft een koppeling met echte sensoren als mogelijke stap voor een productieversie.
Het cloudpad is bedoeld voor complexere analyse en vereist voor deze AAIF-opstelling AWS-inloggegevens en toegang tot een Amazon Bedrock-model. AWS vermeldt dat modelaanroepen kosten per verzoek met zich meebrengen. In de gepubliceerde AAIF-code staat voor modelId nog <<model_id>>; bovendien zijn de //-commentaarregels geen geldige Python-syntaxis.
Greengrass verwerkt sensoren op het apparaat
In een afzonderlijke landbouwopstelling beschrijft AWS Strands Agents als component op AWS IoT Greengrass op een Raspberry Pi 5 met 4 of 8 GB werkgeheugen. Een digitale bodemvochtsensor is aangesloten op GPIO-pin 17. Verzoeken komen binnen via het MQTT-onderwerp gg/monitor/request; reacties gaan terug via gg/monitor/response. MQTT is een berichtenprotocol waarmee apparaten berichten uitwisselen via onderwerpen.
De lokale webdashboardcomponent beheert de camera. Wanneer de agent een plantenbeeld nodig heeft, vraagt die een opname op via localhost:8080/snapshot in plaats van zelf de camera te openen. Zo voorkomen de componenten dat ze tegelijk toegang tot dezelfde camera proberen te krijgen.
Bij een netwerkstoring kunnen de lokale sensoruitlezingen en controles van de apparaatstatus doorgaan. Analyse van plantenbeelden met Amazon Bedrock is dan niet beschikbaar, omdat daarvoor een verbinding met de clouddienst nodig is. Dat onderscheid bepaalt welke taken op afstand kunnen blijven werken: bodemvocht en apparaatstatus worden lokaal verwerkt, beeldanalyse niet.
Strands Robots is bedoeld voor coördinatie
Strands Robots beschrijft een ander gebruik van agents: meerdere robots of apparaten ontdekken en met elkaar laten communiceren. Voor apparaten op hetzelfde netwerk gebruikt het project Zenoh als standaardtransport. Voor vloten die over netwerken verspreid zijn of vanuit de cloud worden beheerd, beschrijft het AWS IoT Core.
De ondersteuning voor de Model Hardware Standard (MHS), een interface met onder meer gestandaardiseerde read- en write-bewerkingen, is volgens het project een pre-releasefunctie in een beperkte onderzoekspreview. Dat maakt dit voorbeeld iets anders dan sensormonitoring: de agent coördineert fysieke apparaten in een meshnetwerk.
Welke architectuur past bij de taak?
Voor statuscontroles en sensordata is lokale verwerking relevant wanneer die taken bij een netwerkstoring moeten doorgaan. De Greengrass-opstelling maakt concreet welke functies lokaal blijven en welke afhankelijk zijn van Amazon Bedrock. AAIF laat zien hoe een lokaal model verzoeken kan verdelen, maar de telemetrie in de demonstratie is gesimuleerd.
Robotcoördinatie vraagt om een netwerkpatroon voor apparaten die met elkaar communiceren. In de beschrijving van Strands Robots vervult Zenoh die rol binnen een lokaal netwerk en AWS IoT Core bij verspreide vloten. De drie voorbeelden beantwoorden daarmee verschillende vragen: sensoren monitoren, taken aan de rand verwerken of robots onderling laten samenwerken.
