re:Invent 2024: AWSのGenerative AIで実現する商品検索の進化
はじめに
海外の様々な講演を日本語記事に書き起こすことで、隠れた良質な情報をもっと身近なものに。そんなコンセプトで進める本企画で今回取り上げるプレゼンテーションはこちら！
📖 AWS re:Invent 2024 - Building an AI-powered shopping assistant (RCG204)
この動画では、オンラインの小売店舗が直面する商品検索や情報過多の課題に対して、AWSのGenerative AIがどのように解決できるかを説明しています。90年代のRegex検索から、2024年のChatbotやAgentワークフローまでの検索技術の進化を振り返りながら、Amazon BedrockとOpenSearch、DynamoDBを組み合わせた実践的なソリューションを紹介しています。特に、DIYプロジェクトのための商品選びを例に、文脈を理解して適切な商品を推奨できるショッピングアシスタントのデモを通じて、Generative AIによる顧客体験の向上方法を具体的に解説しています。Amazon Titanモデルで生成された商品画像や説明を活用し、セキュリティとプライバシーにも配慮した実装方法まで詳しく説明されています。
※ 動画から自動生成した記事になります。誤字脱字や誤った内容が記載される可能性がありますので、正確な情報は動画本編をご覧ください。
※ 画像をクリックすると、動画中の該当シーンに遷移します。
re:Invent 2024関連の書き起こし記事については、こちらのSpreadsheet に情報をまとめています。合わせてご確認ください！
本編
オンライン小売店舗の課題とAWSのGenerative AIソリューション：イントロダクション
ありがとうございます。3日目の皆様、いかがお過ごしでしょうか。私はPat Reillyと申します。Senior Specialist Solutions Architectとして、Generative AIを専門に担当しております。本日は、私とYuriで、オンラインの小売店舗が直面している課題と、AWSのGenerative AIがどのようにそれを解決できるかについてお話しさせていただきます。
それでは始めましょう。皆様がよくご存知の課題についてお話ししたいと思います。まず、AWSで実装できるソリューションについてご説明させていただきます。その後、Yuriから、この近くのキオスクでもご覧いただける実際のデモをご紹介し、お客様の店舗でのショッピング体験をどのように向上できるかについてお話しします。
オンラインショッピングの課題と検索の進化
私たちは皆、これらの課題をよく知っています。誰もが一度は経験したことがあるでしょう。オンラインショッピングをする側として、また、それを快適にする側として、いかに難しいかを理解しています。まず、Product discoveryだけでも非常に大きな課題です。カタログには何千もの商品があり、それをいかに素早く見つけられるか。情報過多の問題もあります。15種類のハンマーから選べるのは素晴らしいですが、フレーミングハンマーとスレッジハンマーの違いは何でしょうか？そして、どちらが手首に優しいのでしょうか？今週末はどんなプロジェクトに取り組もうとしているのでしょうか？そして、ハンマーを見つけた後、どれを選ぶべきでしょうか？どれが最も評価が高く、業界で最も採用されているのでしょうか？これらは新しい課題ではありませんが、業界としてまだ解決に取り組んでいる最中です。そして最後に、一般的な体験の問題があります。パーソナライズは進化していますが、まだまだ改善の余地があります。そしてAccessibilityの問題もあります。視覚や聴覚に障害がある場合、Generative AIはそういったお客様のオンラインショッピングをサポートできるでしょうか？
ここで、小売業における検索の歴史を振り返ってみましょう。90年代には、Regex検索から始まりました。カタログ内の文字列を完全一致で検索する方法です。その結果がどうだったかは皆さんご存知の通りです。2000年代には、Search Engine Optimizationの時代に入りました。オートコンプリートやより良いUIなど、検索体験は快適になりましたが、まだまだ改善の余地がありました。2020年代に入ると、Machine Learning最適化やNatural Language Processingが登場し、体験は大幅に向上しました。そして今、2024年では、ChatbotやAgentワークフロー、そしてオンラインショッピングの未来について語り合っています。これから、私たちがどのように協力してこれを実現できるかについてお話ししたいと思います。
オンラインショッピングアシスタントは、すでにそうでなくとも、今後ますます重要になっていくでしょう。デッキを作るのにどんな木材が必要か、木材の専門家に相談できるとしたらどうでしょうか？防腐処理された木材が必要でしょうか？それとも枠材でしょうか？何千ドルもするウォールナット材を買ってデッキを作ることはできるのでしょうか？Generative AIアシスタントは、こういった判断をサポートできます。コンバージョンやショッピングカートの放棄率をどのように改善できるでしょうか？最初から適切な商品をカートに入れられるのか、それとも何度も商品を追加・削除する必要があるのでしょうか？Decision paralysisの解消も重要です。専門知識を学習したAgentと会話することで、素早く意思決定を行うことができます。これは、ホームセンターの通路で、どんなネジを使うべきか店員に尋ねるのと同じようなものです。情報過多の軽減も可能です。Chatbotウィンドウで、カートに追加ボタン付きで2～3個のオプションを表示することで、通常の大規模なストアフロントで経験する情報過多を即座に解消できます。
Generative AIを活用したオンラインショッピングアシスタントのデモンストレーション
Yuriが、小売アシスタントのデモを使ってこれらの問題をどのように解決したのか説明してくれます。ありがとう、Pat。みなさん、こんにちは。私はYuri Chamarelliと申します。私もAWSのGenerative AIスペシャリストです。今から皆さんに私たちが作ったものをお見せしますが、その前に一つ質問させてください。手を挙げて見せていただきたいのですが、DIYプロジェクトを始めようと決意して、ホームセンターに行ったものの、自分が何を探しているのかすら上手く説明できなかった経験のある方はどれくらいいらっしゃいますか？かなりの方が手を挙げていますね。私の家では、DIYプロジェクトの複雑さをホームセンターへの往復回数で測っています。「あのプロジェクト？ああ、7往復もかかったやつだよ」なんて言います。中には20往復もかかるプロジェクトもありますが、最近では、アクセントウォールなどを作るのもだいぶ自信がついてきました。
私たちが作ったものは、まさにこの課題に対応するものです。顧客から、商品の閲覧や発見を支援し、デジタルな店内体験を提供し、質問もできるようなオンラインショッピング体験が欲しいという声を聞いた時、これは素晴らしいアイデアだと思いました。私たちは、最もストレスフルなシナリオは何かを考え、Home Improvementが非常に高くランクされたため、これに取り組むことにしました。
このビデオを再生しながら、典型的な体験をご説明します。 まず商品を閲覧して、どんな商品があるか見てまわり、おそらく大まかに探しているものがわかっている状態です。 例えば、私は浴室の工事をしているので、シンクを見てどんなものが利用可能か確認してみましょう。ちなみに、このフィクショナルなウェブサイトに表示されているすべての画像と説明は、 Amazon Titanモデルで生成されています。この場合、私はシンクが必要だとわかっていましたが、 必要なものがわからない場合はどうでしょう？
屋外デッキを作ってみましょう。家を持っていると、裏庭にデッキを置いてバーベキューをしたり、スペースを作ったりできる小さなスペースがあることがあります。チャットボットはまず、あなたが何をしようとしているのかを理解していることを確認します。実際、進める前に考慮すべきいくつかのポイントを教えてくれます。10フィート×10フィートのデッキを作りたいと説明して確認すると、商品の推奨が始まります。ここで店内体験のような感覚が味わえます。最初の推奨には手すりと デッキ階段が含まれています。これらが既製品として購入できることすら知りませんでした - 自分で作らなければならないと思っていたのです。今わかったのは、デッキを作って、その周りにこれらのコンポーネントを設置するだけでいいということです。まさにホームセンターの専門スタッフから学べるような内容です。
もちろん、そういったスタッフを見つけられればの話ですが - それも別の課題です。時には見つからないか、あるいはHome Improvement専門スタッフや木材専門スタッフが夏休みのアルバイト学生だったりします。そこで私たちは、この課題に真正面から取り組み、Generative AIが既に このような課題を解決できる段階に達していることを示したいと考えました。 これから、このデモンストレーションをどのように構築したのかについて説明していきます。もっと詳しく見たい方は、そちらのRetailキオスクにお越しください。ライブデモをお見せします。
AWSサービスを活用したGenerative AIショッピングアシスタントの構築方法
それでは、この構築方法についてご説明させていただきます。ここにはたくさんのAWSサービスが表示されていて少し複雑に見えるかもしれませんが、特に右側のインテグレーションとアプリケーションの部分に注目してください。認証とReactフロントエンドは典型的なAWSスタックで、その実装方法については多くのガイダンスをご用意しています。ウェブサイトのホスティングには、どのIdentity Providerを使用することも、まったく使用しないことも可能です。CloudFrontとS3を使用したReactフロントエンドは非常にうまく機能します。そしてAppSyncですが - GraphQL APIをご存知の方はどれくらいいらっしゃいますか？はい、かなりの数の方がご存知ですね。AppSyncはAWSで完全にサービス提供されているGraphQL APIです。コードを作成するだけで、必要に応じて自動的にスケールアップダウンします。このデモでAppSyncを選んだ理由は、チャットボットをDynamoDBに簡単に接続できることと、TitanによってDynamoDBテーブルに生成された画像を含む商品カタログを接続できることでした。AppSyncを通じて実現できたため、非常にパフォーマンスの高いデモを簡単に構築することができました。では、チャットボットはどのように動作するのでしょうか？私たちはAmazon Bedrockを使用しています。
Amazon Bedrockについて、もう少し詳しくお話しさせていただきます。私たちは、OpenSearchをベクターデータベースとして使用して商品カタログを構築しました。ホームセンター向けに作成した全ての商品、画像、説明、詳細情報をS3に格納し、それらをエンベディングに変換してOpenSearchで使用しています。これにより、OpenSearchでも可能な「シンク」を探すような単純な意味検索だけでなく、BedrockをLambda関数と組み合わせることで、エージェントのように顧客の質問を理解し、推論することができます。
DynamoDBはメモリバッファとして機能し、文脈的な知識の流れを保持します。例えば、屋外デッキについて質問した場合、手すり、デッキ材、そして次にはネジや工具が必要になるかもしれませんが、その会話の流れを維持し続けます。以前の会話を忘れることがなく、これは優れた顧客体験にとって非常に重要です。顧客に楽しんでいただけるものを提供したい場合、この文脈的な知識を常に保持しておく必要があります。
最後に、Amazon Bedrockを使用した構築がいかに簡単で効果的かをお伝えしたいと思います。独自のモdelを開発することは可能でしょうか？はい、ユースケースに適している場合は可能です。Amazon SageMakerでサポートしているモデルのトレーニングや微調整、モデル強化の手法を使用することができます。現在のBedrockでも、商品推奨や検索に最適なパフォーマンスを発揮できるようにモデルをカスタマイズすることができます。しかし今回のケースでは、コンセプトの実証が可能だったためBedrockを使用しました。
多くのお客様は、自社の製品やサービスに最適なショッピング体験を見つけようとしています。私たちは、Bedrockが素晴らしい出発点になると考えています。なぜなら、素早く実装できるからです。必要に応じてモデルのトレーニングやカスタマイズが可能で、多くのプロバイダーのモデルを利用できることをご理解いただけたと思います。また、マルチエージェントやシングルエージェントを使用したエージェントワークフローを試すこともでき、すべてのセキュリティとプライバシー機能が付属しています。ウェブサイトを利用するお客様を扱うため、安全性が必要不可欠であり、さらに厳重なセキュリティが求められます。フィードバック用のQRコードをご用意していますので、ぜひご意見をお寄せください。それが私たちの改善につながります。ありがとうございました。
※ こちらの記事は Amazon Bedrock を利用することで全て自動で作成しています。
※ 生成AI記事によるインターネット汚染の懸念を踏まえ、本記事ではセッション動画を情報量をほぼ変化させずに文字と画像に変換することで、できるだけオリジナルコンテンツそのものの価値を維持しつつ、多言語でのAccessibilityやGooglabilityを高められればと考えています。
Discussion