re:Invent 2023: AWSが語るGenerative AIの実用的ユースケースと責任ある活用
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 2023 - Choosing the right generative AI use case (AIM212)
この動画では、AWSのAI Solutions Marketingの責任者たちが、Generative AIの革新的な力と実用的なユースケースを紹介します。Amazon OneやTICMASなどの具体的な事例を交えながら、チャットボット、従業員アシスタント、データ拡張の分野での活用法を解説します。さらに、最新のAmazon Qの機能やデモンストレーションも含まれており、Generative AIの未来と責任ある使用について深い洞察が得られます。 ※ 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。
本編
Generative AIのユースケース概要：AWSのAlbert Esplugasによる導入
みなさん、こんにちは。このセッションにご参加いただき、誠にありがとうございます。午後5時半という遅い時間にもかかわらず、お越しいただいたことに深く感謝申し上げます。私はAWSのAI Solutions Marketingの責任者、Albert Esplugasと申します。本日は、後ほど登壇していただくAWSのSenior Product Marketing ManagerのKhali HeathとSama Baliと一緒に、このステージを共有できることを大変嬉しく思います。
本日のアジェンダをご紹介します。まず、私たちの顧客の間で見られる主要なGenerative AIのユースケースについて概要をお話しします。その後、 チャットボット、従業員アシスタント、データ拡張という3つのユースケースについて詳しく掘り下げていきます。最後に、私が再び登壇し、顧客の皆様やGenerative AI Innovation Centerでの経験に基づいた推奨事項とベストプラクティスをお伝えします。
Generative AIの革新的な力と従来のMLとの違い
まずは、Generative AIについてお話ししましょう。皆さんは、消費者向けアプリケーションを通じて、この技術の革新的な力を既に体験されていることと思います。しかし、私たちは、消費者の観点からは素晴らしい技術であっても、これをビジネスの場に持ち込み、皆さんの組織の文脈で活用することで、この技術が真に花開き、顧客や従業員に価値をもたらし、バックエンドのビジネスプロセスを最適化すると確信しています。実際、Goldman Sachsは、今後10年間でGenerative AIが7兆ドルのGDP増加をもたらすと予測しています。
この技術が特別である理由を見てみましょう。従来のMLは、大量のラベル付きデータを使用してモデルを訓練することに基づいています。 そして、特定のユースケース（予測、期間予測、予知保全など）に特化したモデルが得られます。大量のデータ、ラベル付け、1つのユースケースを実行できるモデルの訓練が必要です。一方、Large Language ModelやFoundation Modelは、ラベル付けされていない膨大な量のデータで訓練され、多くの異なるタスクを実行することができます。これが、従来のMLとGenerative AIおよびFoundation Modelの主な違いの1つです。
生成（新しいテキスト、画像、音楽の作成）、質問応答、要約（長文書を1段落に要約）、翻訳（言語の観点だけでなく、対象読者の観点からも）、コンテンツの修正、分類など、さまざまなことができます。これらが、Foundation Modelが実行できる6つの主要なユースケースであり、マルチモーダルFoundation Modelでは、異なる入力と出力を使ってこれらを実行できます。
入力としてテキストがあり出力としてテキストがある場合、入力がテキストで出力が画像の場合、入力が画像で出力がテキストの場合など、テキスト、画像、動画、音声などのさまざまな組み合わせがあります。出力として分子を生成することもできます。そして最後に、これら6つの機能と入出力の組み合わせ、さらに各業界のニーズを組み合わせると、さまざまな業界にわたって何百もの generative AI のユースケースが生まれます。
Generative AIの3つの主要カテゴリと具体的なユースケース
これらすべての generative AI のユースケースは、3つのカテゴリーにグループ化できます。私はいつもこのように説明します。この技術の恩恵を受けるのは誰でしょうか？ generative AI を使ってカスタマーエンゲージメントを向上させるので、顧客が恩恵を受けるのでしょうか？それとも、生産性と創造性を高めることができるので、従業員が恩恵を受けるのでしょうか？あるいは、バックエンドプロセスや IT プロセス、最適化など、generative AI をビジネスプロセスの最適化に活用するのでしょうか？
いくつか例を挙げましょう。チャットボットについては後ほど詳しく説明します。音声と文字起こしを追加した virtual assistant もあります。また、voice of the customer や conversational analytics もあります。これはコンタクトセンターでの会話を文字起こしし、その会話から重要な洞察を要約して抽出する能力です。何が起こっているのか、顧客が何について話しているのか、製品の観点からどのような要件があるのか、どのようなフィードバックを受けているのかがわかります。また、hyper-personalization と呼ばれるものもあります。これは単なる personalization ではなく、特定の製品のセグメントや次に推奨される製品を決めるのではなく、generative AI を使ってオーディエンスとパーソナライズされたコミュニケーションを行うことです。
従業員の生産性と創造性のカテゴリーでは、主なものは generative AI を使用して組織の文脈で従業員の生産性を向上させる employee assistants の概念です。また、開発者向けのコード生成にも使用できます。ビジネスアナリスト向けに、新しいグラフ、ビジュアル、データストーリーを作成するのにも使用できます。そして、バックエンドでのビジネスプロセスの最適化では、IDP（intelligent document processing）のような従来の AI ユースケースがあります。すべての組織が大量の文書を管理しており、document processing はそれらの文書からデータを抽出し、その情報をバックエンドで処理する機能です。しかし今では generative AI を使用して、その情報の要約や分類も行えます。また、cybersecurity モデルや fraud detection モデルのトレーニングにも使用できます。
純粋なプロセス最適化にも使用できます。そして、Sam が後ほど話す予定ですが、data augmentation のための synthetic data の作成に generative AI を使用することもできます。これらは一部の例に過ぎず、先ほど述べたように、他にもたくさんあります。
業界別のGenerative AIアプリケーション：医療からメディアまで
これを水平的な視点から見た場合です。しかし、業界の観点から見ると、新しいユースケースが出てきます。これらはいくつかの業界の例に過ぎません。ヘルスケアでは、ambient digital scribesがあります。患者と医師の会話を聞いて要約し、EHRにアップロードされる文書を作成したり、generative AIを使用してがんやその他の健康問題を検出するための医療画像の品質を向上させたりすることができます。創薬では、新しい分子を生成することに関連しています。
産業分野でも適用できます。例えば、maintenance assistanceがあります。製造工場の様々な資産に関するすべての文書に基づいて、agentをトレーニングし、技術者が特定の機器を修理するのを支援し、指導することができます。generative AIを使用して製品設計にも利用できます。金融業界では、不正検出や、generative AIを使用して会話を行い、推奨される投資や金融アドバイスを提案するintelligent advisoriesに使用できます。
小売業では、例えば製品からのフィードバックの要約に使用できます。これはAmazon.comが行っていることです。すべての異なる製品からのすべてのレビューを持ち、それらのレビューをすべて1つの段落または1ページの文書にまとめ、フィードバックの観点から重要なポイントを特定します。また、画像を取り込み、e-commerceプラットフォーム上で製品の魅力を高めるような製品説明を生成し、提案することもできます。
メディアエンターテイメントでは、大規模な高品質文書の作成に使用できます。既存のコンテンツ、メディア、ビデオの品質向上、解像度やフレーミングの観点からビデオの品質向上にも使用できます。ご覧のように、あらゆる業界で適用できます。これらが主なものの概要です。それでは、いくつかの例を詳しく見てみましょう。まずはchatbotsから始めましょう。Khali Heathさんを紹介します。彼がchatbotsについて詳しく説明してくれます。ありがとうございます。
Generative AIを活用したチャットボットの進化と利点
こんばんは。本日はお集まりいただき、ありがとうございます。本日、同僚たちと一緒にステージに立ち、conversational AIとgenerative AIについて、そしてあらゆる規模と背景を持つ企業がどのようにその技術を活用して顧客サービスを向上させることができるかについてお話しできることを大変嬉しく思います。私はself-service chatbotsに焦点を当てますが、conversational AIについて話す際には、IVRシステムやvirtual assistantsについても触れます。
AWSでは、お客様が会話型AIインターフェースに生成AIを組み合わせる新しい方法に大変興味を持ち始めています。これにより、会話型チャットボットをより自然な言葉遣いにし、よりスムーズな対話を実現し、人々がより自然な方法で対話できるようになります。最近のアナリストレポートもこの傾向を裏付けています。実際、Gartnerの最近の調査によると、2025年までに約80%の会話型AIアプリケーションに生成AIが組み込まれるとされています。これは2023年の現在の20%から大幅に増加する見込みです。
したがって、日常的なタスクを支援するための生成AIの使用が増加し、さらに普及することは間違いないでしょう。情報検索、ワークフローの自動化、さらには要約などが考えられます。カスタマーケアチームと連携してチャットボットを活用することのメリットも非常に魅力的です。コンタクトセンターを例に挙げると、通話量の減少や通話放棄率の低下が見込めます。また、製品やブランドとの対話において、お客様は音声やチャットなど、好みのチャネルで対話できるようになります。つまり、24時間365日、オムニチャネルでブランドにアクセスできるようになるのです。
これは、人間だけで24時間365日サポートを提供するよりも、運用コストが大幅に低くなります。また、カスタマーケアチームが本当に人間の対応が必要な問題に集中できるようになります。基本的な繰り返しの質問やQ&Aの問題をチャットボットに任せることで、カスタマーケアチームの負担を軽減できるのです。
Amazon Lexによるチャットボット構築の革新：Generative AIの活用
会話型インターフェースの導入を考える際、顧客体験の観点から何を達成したいかによって、チャットボットに必要な機能が決まります。一方では、従来型のチャットボットがあります。これらは予測可能性と制御の面で特に優れています。事前に決められた応答が必要な場合や、チャットボットの出力にあまり変動性が必要ない場合、例えば厳しく規制された業界にいる場合は、このタイプのチャットボットを選ぶとよいでしょう。これらは基本的なFAQチャットボットで、事前に決められた応答と構造化された応答のための制御が可能です。
しかし、最近では、お客様がチャットボットからより動的でパーソナライズされた応答を求めるようになってきています。ここで生成AIの強みが活きてきます。大規模言語モデルは他の面でも非常に優れています。これらは多くの実世界のデータにさらされており、特定のドメインのデータを引き出すことができ、さらには企業内の信頼できる知識ソースからも情報を引き出すことができます。ここに価値があります。なぜなら、会話の文脈を維持しながら対話を行い、より動的で創造的な方法で応答できるようになるからです。
私たちは、生成AIがボット構築プロセスを改善する機会も見出しています。 手を挙げていただきたいのですが、Amazon Lexを使ってチャットボットを構築した経験のある方は何人いらっしゃいますか？これは私たちのAIサービスの一つですが、おお、それはいいですね。皆さんがこのサービスを支持してくださっているのを見て嬉しいです。私たちのお客様から分かったことは、彼らがコールドスタートの問題に直面しているということです。開発者は何百時間もかけて、トランスクリプトの分析、過去の会話のアップロード、意図や発話の特定、そしてあらゆる質問と回答の組み合わせを予想して考えることに時間を取られています。これには膨大な時間がかかり、人為的ミスも起こりやすいのです。
これらのボットを構築する際、ゼロから始めるのではなく、会話フローのテンプレートから始められたら、実際にはずっと簡単になるでしょう。 そこで生成AIが大きな役割を果たします。ボット構築の全体験におけるデザインと構築プロセスの中で、生成AIが活躍するのです。今週初め、re:Inventの期間中に、Amazon Lexに関連するいくつかの生成AIの発表があったのをお聞きになったかもしれません。開発者がこれらのチャットボットを構築するのにかかる時間を短縮するのに役立つ、非常にエキサイティングな進歩が行われています。
何千行ものトランスクリプトをアップロードし、その意図を事前に定義する代わりに、チャットボットと非常に会話的で、平易な英語や他の言語で単純にやり取りをして、そのチャットボットを説明するだけで、Amazon Lexがそれを構築してくれます。例えば、顧客のユースケースで、顧客が注文を行えるボット、例えば食事配達の注文を受け付け、さらにその注文の変更やキャンセルにも対応できるボットを構築したい場合、Amazon Lexにその単純なプロンプトを自然な会話形式で与えるだけで、サンプルの意図、発話、プロンプトを構築してくれます。
実際、ボットがどのように機能するかを視覚化するための完全な会話フローを構築してくれます。私にとって、これは開発者がこれらのボットを市場に早く投入するための時間を節約できる大きな機会だと思います。
Generative AIを活用した顧客事例：Booking.com、Quext、PGA TOUR
ここで数分間、基盤モデルと会話AI機能の一部を活用して、顧客により良いサービスを提供している2、3の顧客事例を見てみましょう。 Booking.comは、オランダで創業した巨大なスタートアップ企業で、有名ブランドとなり、急速に成長して世界有数のデジタル旅行代理店の一つになりました。彼らは旅行予約に含まれる摩擦を取り除くことをミッションとしています。今日、旅行の予約は面倒です。目的地、価格、食事体験、エクスカーションなど、考慮すべきことが多すぎます。まるで、テクノロジーがそれらの点を結びつけ、より個人化された体験を提供してくれればいいのにと思うほどです。
これは Booking.com が行っていることです。彼らは Amazon Bedrock を活用し、独自のデータを用いて大規模言語モデルをカスタマイズしています。これは彼らのビジネスにとって大きな差別化要因となっています。顧客データや特定の旅行市場に関するデータを活用し、顧客ごとに異なるインサイトを重ね合わせることができるのです。Amazon Bedrock を使用することで、Booking.com は会話型チャットを通じてよりパーソナライズされた体験を提供しています。
次に、Quext についてお話しします。Booking.com ほど大規模ではありませんが、これもデジタルファーストの企業で、住民と不動産管理会社間のコミュニケーションを提供することに注力しています。 彼らは、より会話的な方法でこれを行う市場機会を見出しました。そこで、Amazon Bedrock、特に Amazon Titan モデルを活用して、非常に会話的な最先端の仮想アシスタントを展開しています。
彼らは、賃借人が市場に関する最も関連性の高い最新のデータ、様々な近隣の設備、空室状況、価格帯にアクセスする必要があることを理解しています。また、不動産管理会社もその情報を提供したいと考えていますが、コストを抑えて行う必要があります。メール、チャット、音声、テキストなど、顧客が好むチャネルを通じて24時間365日のサポートを提供することで、 先ほど述べたように、顧客とのコミュニケーションとエンゲージメントを向上させる方法を実現しています。
最後に、北米を拠点とする非営利のプロゴルフ協会である PGA TOUR は、 世界28カ国からゴルファーが参加しています。彼らは数年前から AWS とのパートナーシップのもと、データ変革に取り組んでおり、新しい generative AI の機能を活用してファン体験をさらに向上させることを目指しています。彼らは、retrieval-augmented generation、prompt engineering、さらにはベクトルデータベースなどを実験的に活用し、顧客に新たなつながりをもたらそうとしています。
実際、彼らは AWS Generative AI Innovation Center を活用して、会話機能を提供する仮想エージェントの概念実証を迅速に立ち上げました。これは、選手やトーナメントに関するインサイトにすぐにアクセスしたいファンだけでなく、そうした情報を手元に置いておきたい放送局のためにも役立っています。
これらは、既存の会話型AIアプリケーションにgenerative AIを追加しようとしている顧客の3つの例に過ぎません。の背後にある全体的な目標は、顧客にとってより自然な会話を生み出すことです。なぜなら、そこにこの技術を持つことの利点があると彼らは考えているからです。
AWS Q&Aチャットボットソリューションの紹介
手元にあるこの革新的な技術は、顧客体験の向上に役立ちます。最後に、ご覧いただいているのは見た目は良くないかもしれませんが、実際にはQ&Aチャットボットソリューションです。これはAWS Solutionsライブラリで見つけることができます。これは、今日お話ししたことの多くを始める方法です。つまり、Amazon Bedrockの機能や大規模言語モデルの機能を使って、会話型AIインターフェースを強化することです。
これはConsoleで起動できるCloudFormationソリューションで、コーディング経験なしでセルフサービスのオムニチャネルチャットボットソリューションをデプロイできます。これにより、適切な制御を設定し、データを非常に安全な方法で大規模言語モデルに重ね合わせ、なおかつコンタクトセンター、音声、またはテキストアプリケーションを通じて、希望するチャネルで提供することができます。顧客体験を向上させるためのこれらの異なるアプリケーションや方法を使って実験を始めることをお勧めします。また、ここ数日で発表されたAmazon Lexの最新のgenerative AI関連の発表についても調べてみることをお勧めします。
それでは、generative AIが従業員支援やデータプロセスの改善にどのように役立つかについて、さらに詳しくお話しするSama Baliさんにバトンタッチしたいと思います。ありがとうございました。
Generative AIによる従業員支援：効率性向上の可能性
皆さん、こんばんは。Sama Baliです。ご覧の通り、私はAWSのmachine learningとgenerative AIの製品マーケティングチームの同僚たちとタッグを組んでいます。私は従業員支援について本当にお話ししたいと思います。ここにいる皆さんも同意してくださると思いますが、今日の職場で最も重要なのは生産性です。Generative AIは、特に従業員の効率性を高める点で、大きな可能性を秘めています。このセクションでは、generative AIが効率的な仕事の未来への道しるべとなる方法について、皆さんにご説明します。
今日のワークプレイスでは、ほとんどの活動がルーチン的な繰り返し作業ですよね。会議のスケジューリング、データ入力、文書処理、定型的な顧客の質問への回答などがあります。実際、McKinseyが今年行った最新の調査によると、これらのルーチン作業だけで従業員は60〜70%の時間を費やしており、現在ではgenerative AIによって自動化できるとされています。同じ調査では、従業員のためにgenerative AIに投資している企業が、4つの主要な分野で利益を得ていることも指摘されています。
まず第一に、カスタマーオペレーションです。Khaliが先ほど説明したように、generative AIを搭載したチャットボットや仮想エージェントを使用して、顧客体験を本当に変革することができます。第二に、マーケティングとセールスがあります。generative AIを使用して、ターゲットを絞ったメール、広告、キャンペーンを大規模に作成し、さらに自社のデータを活用してこれらのキャンペーンを最適化し続けることができます。第三に、ソフトウェアエンジニアリングがあります。generative AIを使用して、自動生成されたコードによって開発者の効率を向上させ、多くのワークフローを自動化することができます。そして最後に、R&Dがあります。これはすべての業界に適用可能で、generative AIを使用してデータから新しい仮説を導き出し、発見を加速することができます。
では、組織がどのようにgenerative AIを従業員のために活用しているかについて話しましょう。それは従業員アシスタントから始まります。これは単なるチャットボットではありません。画期的なAIによって動作し、文脈を理解し、自然な会話ができます。人間の潜在能力を本当に増幅させる味方だと考えてください。そして、日々の面倒な作業を処理してくれます。従業員アシスタントの利点が特に顕著な4つの主要分野があります。まず、コンテンツ発見です。新しい会社やチームに加わるたびに、単純な情報を探すのに15分以上かかったことがある人は手を挙げてみてください。私もその一人です。ほら、そうでしょう。generative AIを搭載したこれらの従業員アシスタントを使えば、すべてのwiki、SharePoint、Salesforce、Confluenceなど、あらゆるアプリケーションを接続して、統一された検索体験を提供できます。
様々な部門におけるGenerative AIの活用例
組織内のデータから洞察を引き出し、より迅速なデータ駆動型の意思決定を可能にすることで、従業員の意思決定プロセスを改善できます。generative AIは、組織内で見つかった大量のデータを要約し、競合分析を行うことができます。最後に、コンテンツ作成を強化できます。マーケターとして、エンジニアや製品マネージャーがソーシャルメディアの投稿を頼んでくることがよくあることを知っています。generative AIを使えば、セールスからマーケティング、HR、エンジニアリングまで、すべての従業員があらゆるプラットフォームでコンテンツを作成できるようになります。
さまざまな機能におけるgenerative AIの使用についてさらに詳しく見ていきましょう。まずセールスから始めると、特定の顧客の課題、痛点、要件、競合状況を指定しながら、generative AIを使用してパーソナライズされたメッセージ、メール、トーキングポイントを作成できます。マーケティングについては、コンテンツ作成について話しましたが、generative AIは定義されたパラメータ内でロゴや色のパターンの作成にも役立ち、組織のアイデンティティ確立に要する時間とリソースを節約できます。
プロダクトマネージャーは、ジェネレーティブAIを活用して顧客フィードバックを要約し、新しいデザインを作成し、既存のデザインを最適化し、デプロイメントのための機能を優先順位付けすることができます。上級管理職は、ジェネレーティブAIを活用して組織全体のインサイトを分析し、より迅速なデータ駆動型の意思決定を行い、チームのコラボレーションを改善するために組織化することができます。法務部門は、ジェネレーティブAIを使用して大量の法的文書を要約し、インサイトを抽出するだけでなく、特定のテンプレートとユーザー入力に基づいて契約書、合意書、レターを作成することができます。
HRは、ジェネレーティブAIを活用して新しい職務記述書を作成するだけでなく、提出された履歴書を分析することもできます。さらに、従業員の職務スキル、地理的位置、トレーニングのタイムラインに基づいて、パーソナライズされたオンボーディング計画を作成することもできます。
これらの従業員支援ソリューションを実現している組織を見てみましょう。まず、グローバルなフットウェアとアスレチックアパレルの組織であるAdidasは、エンジニアコミュニティのためのジェネレーティブAIソリューションを作成しました。この検索インターフェースを通じて、入門レベルから高度な技術的質問まで、あらゆる情報や回答を会話形式の検索インターフェースで見つけることができます。
次は、Amazon Bedrockを使用してジェネレーティブコンテンツアクセラレーターを作成したコンサルティング会社のCrederaです。彼らは、Large Language Models (LLMs)を使用してマーケティングブリーフを分析し、キャンペーンのフレーズを作成し、コンテンツをローカライズし、キャンペーン画像のプロンプトを生成しています。
LexisNexis Legal Professionalは、Lexis+ AIシステムを開発しました。このシステムは、インテリジェントな検索、要約、法的文書作成機能を備えており、弁護士の効率性と効果を高めます。これらの事例に共通するテーマは、ジェネレーティブAIを活用して日々のタスクを処理し、従業員をより積極的で生産的、そして力強くすることです。
Amazon Qの紹介：ビジネス向けGenerative AIパワードアシスタント
従業員支援ソリューションを組織に導入する際、いくつかの選択肢があります。Amazon Bedrockを使って独自のソリューションを構築するか、Amazon Qのようなすぐに使えるソリューションを利用するかです。 Adam が本日のkeynoteで発表した Amazon Q は、ビジネス向けにカスタマイズされた、仕事のための生成AIパワードアシスタントです。Amazon Q を使えば、会話をしたり、コンテンツを生成したり、問題を解決したり、あなたのデータと専門知識を使ってアクションを起こしたりすることができます。
Amazon Q は、企業のリポジトリ、コード、エンタープライズシステムにある情報を活用します。Amazon Q との会話では、ワークフローの合理化、意思決定の迅速化、そして最も重要なこととして、職場でのイノベーションと創造性を促進するのに役立つ、関連性の高いアドバイスや回答を得ることができます。Amazon Q はセキュリティとプライバシーを念頭に置いて構築されており、既存のアイデンティティ、役割、権限を理解し尊重します。例えば、私に給与情報へのアクセス権がない場合、Q を使用していても、その情報にアクセスすることはできません。
また、Amazon Q は企業の厳しい要件を満たすように設計されています。Amazon Q からのデータや入出力プロンプトは、あなた以外の誰のためにも、Q の基礎となるモデルのトレーニングには使用されません。Amazon Q は、 あなたが仕事をしているどこでも利用できるように設計されています。ビジネスの一部として利用できますが、Amazon Q は過去17年間のAWSの情報でもトレーニングされています。つまり、これがあなたのAWSエキスパートになるのです。ワークロードやアプリケーションの構築、デプロイ、運用を行う際、Amazon Q は AWS Management Console、CodeWhisperer を通じた IDE、Microsoft Chat ルーム、Slack ルーム、そしてドキュメンテーションの一部として利用できます。
これは、AWS 上で Q と会話し、新しいソリューション、新しいアーキテクチャ、ベストプラクティスを見つける良い方法です。これを AWS のエキスパートとして考えてください。Amazon Q は、ビジネスインテリジェンスサービスである Amazon QuickSight の一部としても利用可能です。例えば、QuickSight の特定のダッシュボードを見ていて、「先週の売上が上がったのはなぜ？」と疑問に思ったとします。その質問を Amazon Q にすると、先週の売上増加のきっかけとなった要因を示すミニダッシュボードが返ってきます。ビジネスアナリストは Amazon Q と会話をして、使用したい特定のデータに基づいて新しいダッシュボードを作成するよう依頼することもできます。
また、コンタクトセンターサービスである Amazon Connect でも Amazon Q を利用できるようにしました。これにより、コンタクトセンターのエージェントは顧客とチャットしながら Amazon Q と会話して、素早く回答を得ることができます。同様に、サプライチェーンインサイトサービスである AWS Supply Chain の一部としても Amazon Q を利用できるようにしました。サプライチェーンマネージャーや在庫マネージャーは、在庫切れや過剰在庫のリスクを詳しく調査し、より早く緩和計画を立てることができるようになりました。さて、皆さんにとても素敵なサププライズがあります。皆さんは恐らく、Amazon Q の実際の動作を見る最初の人たちでしょう。ですので、ここからは私は黙って、皆さんに見ていただきましょう。さあ、
みなさんが非常に感銘を受けたことをプロダクトチームに伝えておきますね。
データ拡張：Generative AIによる機械学習モデルの性能向上
さて、ここまでAlbertとKhaliと私で、generative AIを適用できるユースケースについてお話ししてきました。ここからは少し方向を変えて、generative AIを使って機械学習モデルのトレーニングデータを増やす方法についてお話しします。ここにいる皆さんも同意してくださると思いますが、機械学習モデルの性能は、トレーニングに使用するデータの質に大きく左右されます。現実の多くのシナリオでは、特に医療画像や自動運転の分野では、generative AIアプリケーションを本当に強化するための大規模なラベル付きデータセットが不足しています。このデータ不足により、機械学習モデルの性能が制限され、汎化能力も低下してしまいます。そこで登場するのがデータ拡張（data augmentation）です。
最もシンプルな形で言えば、データ拡張とは既存のトレーニングデータから新たなトレーニングデータを生成するプロセスです。この考え方は、機械学習モデルをより大規模で多様なデータセットにさらすことで、その性能を向上させることを目的としています。 では、どのような場合にデータ拡張が必要になるのでしょうか。主に3つの要因があります。まず1つ目は、データセットが小規模な場合です。例えば、自動運転車のための歩行者検出モデルを作成する際、十分な画像がないことに気づくかもしれません。すぐにデータ収集が簡単ではないことがわかり、結局100〜150枚程度の画像しか集められなかったとします。合成データを使えば、わずかな時間で何千、何百万もの画像を生成できます。
次に、不均衡なデータセットがある場合にデータ拡張が必要になります。これは、データセット内のすべてのクラスが均等に表現されていない状況を指します。例えば、銀行システムの不正検出モデルを作成する場合、正常な取引は不正な取引よりもはるかに多くなり、不均衡なデータセットになってしまいます。3つ目は、データセットに機密情報が含まれている場合です。従業員の離職率を予測するモデルを作成する場合、従業員に関する機密情報を扱うことになります。これらが、データ拡張が必要となる3つのシナリオです。将来のAIシステムのほとんどは、実データと合成データの組み合わせになると予想されています。
この組み合わせが必要な理由はいくつかあります。まず、ほとんどのシナリオ、特にヘルスケアや自動運転の分野では、機械学習モデルのトレーニングに必要な大量のデータを収集することがほぼ不可能です。次に、データを収集する際にもデータプライバシーに関する懸念があります。長期間にわたってこのデータを収集し保存する責任が生じます。最後に、先ほど不均衡なデータセットについて触れましたが、合成データを使えば、これらの偏ったデータセットを簡単にバランスを取り、十分に表現されていないクラスを適切に表現することができます。実データがもたらす信頼性と、合成データがもたらす柔軟性とコントロール性を組み合わせることで、両方の利点を最大限に活かすことができるのです。
次に、Amazon Oneがデータ拡張をどのように活用したかを説明する事例に移ります。Amazon Oneは、手のひらを使って様々なことを行う、迅速で便利な非接触型の体験です。
これらの用途には、店舗での支払い、ロイヤリティカードの提示、年齢確認、サードパーティの会場への入場などがあります。Amazon Oneは現在、数百のWhole Foodsや、12のパートナーを通じて数千のサードパーティ会場に展開されています。実際、アメリカの空港にあるHudsonの店舗に立ち寄れば、これらのうちの1つを目にする可能性があります。
Amazon Oneの仕組みは、赤外線スキャナーで手のひらをスキャンすることです。手のひらにある独特の線、溝、隆起を観察します。同時に、皮膚の裏側にある脈動する神経網も観察しています。手のひらをスキャンすると、独自の数値ベクトルを割り当て、それをクレジットカードやAmazonアカウントに紐付けます。
Amazon Oneの成功は精度にかかっています。エラーの余地はありません。Amazon Oneの開発チームは機械学習モデルのトレーニングを開始しました。しかし、最後に手の写真を見たのはいつですか？InstagramやTikTokではありませんよね。そこで彼らはデータ拡張に目を向け、わずかな修正を加えた何百万もの合成的に生成された手のひらの画像を作成しました。異なる線、結婚指輪をつけた手、絆創膏を貼った手など。さらに、精度を向上させるために、人工的に生成されたシリコン製の手を検出するよう機械学習モデルをトレーニングしました。
Amazon Oneは現在、99.9999%の精度で300万回以上使用されていることをお知らせできて嬉しいです。これは4つの9の精度率です。また、虹彩よりも100倍正確です。もう1つお話ししたい事例はTICMASです。これはオンライン教育プロバイダーで、あらゆるスキルレベルの学生に個別化された学習体験を提供しています。彼らのミッションは、個々の学習者を本当に理解し、それに応じてコンテンツや学習リソースを適応させることです。
TICMASは、AWS Generative AI Innovation Centerに対して、チャットボットの開発を依頼しました。このチャットボットは、各生徒のスキルと学習レベルを理解し、学習者の感情状態を把握し、さまざまな質問に答えられるものでなければなりませんでした。しかし、問題はTICMAS自身が質問にアクセスできず、このチャットボットを評価する方法がなかったことでした。そこで、AWS Generative AI Innovation Centerは、学習内容に沿って、感情レベル、生徒の読解力、生徒のスキルなどのパラメータを制御できる何千もの合成質問を生成しました。これらの質問はTICMASの専門家によって精査され、良質なデータセットが作成され、現在チャットボットの動力源となっています。
データ拡張はさまざまなユースケースに使用できます。画像に対して使用して、データセットのバランスを取ったり、データを増やしたりすることができます。動画、音声、テキストにも使用できます。また、異常検知モデルを作成するために、異常な動作を注入するためにデータ拡張を使用することもできます。しかし、データ拡張の最大の利点は、AIの責任ある使用を促進することにあります。
まず、データセットのバランスを取ることで、バイアスを減らすのに役立ちます。次に、実際のデータをそれほど必要としないため、プライバシーリスクが軽減されます。長期間にわたってデータを保存・管理する必要がありません。個人情報を含まない合成データでも、機械学習モデルに必要なシグナルを提供します。第三に、アクセシビリティの向上に役立ちます。合成データは計算ニーズとデータコストを大幅に削減し、さまざまなユースケースでアクセス可能にします。最後に、モデルの堅牢性も向上します。機械学習モデルが多様で変化に富んだ大量のデータにさらされることで、パフォーマンスが向上し、機械学習のためのデータ使用のベストプラクティスが促進されます。
AWSのResponsible AI戦略とGenerative AIプロジェクト開始のアドバイス
実際、AWSも責任ある方法でGenerative AIを構築することをミッションとしています。私たちは4つの重要な分野に焦点を当てています。
まず、Responsible AIを理論から実践へと変換することを確実にしています。そのために、Generative AIを責任ある方法で構築するだけでなく、責任を持って使用するためのツール、ガイダンス、リソースを提供しています。第二に、Foundation Modelの作成において、設計から開発、デプロイメント、継続的な使用に至るまで、エンドツーエンドでGenerative AIを統合しています。これが単独では実現できないことを理解しているので、公平性と正確性のための広範なテストを約束しています。
第三に、私たちは生成AIの適切な使用方法に関する教育を優先しています。昨年、AIサービスカードを導入しました。これは、AWSのすべてのAIサービスに関する情報を透明性をもって提供する、ワンストップの情報源です。これらのカードには、ユースケース、メリット、制限事項、責任あるAIデザインに関する詳細が記載されています。最後に、生成AIの背後にある科学が進歩するにつれて、私たちが軽減しなければならない課題があることを理解しています。私たちは、生成AIを責任を持って開発し続けることを確実にするために、政府、学界、産業界のパートナーと協力していくことを約束します。
ここで一旦話を中断し、Albertを再び舞台に招いて、生成AIプロジェクトを始めるためのヒントとコツをお話しいただきます。ありがとうございました。
ありがとうございます。良いニュースです。私が最後の講演者です。この セッションを締めくくるにあたり、Innovation Centerでの経験に基づいたアドバイスと推奨事項をいくつかお伝えしたいと思います。LinkedInで「答えは生成AIです。質問は何でしたっけ？」というフレーズを見たことがあると思います。私たちは少しそういう状況にあると思います。CEOたちは皆、「我が社の生成AI戦略は何か、そして何をしているのか」と尋ねています。
主なアドバイスの1つは、問題に焦点を当てることです。解決策ではなく、問題に夢中になりましょう。生成AIは魅力的で試してみたいと思いますが、まずは解決しようとしている問題を特定しましょう。それは、非常に具体的で測定可能な、影響力のある目標であるべきです。また、独自のものであり、自社のデータで訓練されているべきです。他の企業と同じように生成AIを導入しても、差別化にはなりません。競争優位性のある独自のものを持つ唯一の方法は、RAGや自社データによるファインチューニングを通じて調整された基盤モデルを持つことです。
ユースケースを特定し、その価値をどのように測定するかを決めたら、うまくいくまで複数回の反復プロセスを開始します。また、これが組織内での多くのプロジェクトの最初のものになることを目指します。組織内で影響力があり、目立つものを見つけるようにしましょう。それは自然に目立つものか、コミュニケーションを通じて目立たせるものかもしれません。 他の人々が「素晴らしい例だ。理解できるし、共感できる。自分の部署でも似たようなユースケースを見つけられそうだ」と言えるような、わかりやすいものであるべきです。
AIと generative AI の追加のユースケースを見つけたい場合は、昨年 AI Use Case Explorer をローンチしました。これは非常に使いやすいツールで、業界、ビジネス機能、望むビジネス成果を選択すると、ツールが異なるユースケースを提案し、それぞれについて顧客の例、ソリューション、実装方法を提供します。また、AI Solutions Library も用意しています。 これには、AIと generative AI 用の CloudFormation ソリューションのコレクションが含まれており、コンソールにダウンロードして出発点として使用できます。
最後に、AWS と協力してイノベーションプロジェクトを始めたい組織向けに、AWS Generative AI Innovation Center があります。私たちは多くの異なる顧客と協力してきました。また、Bedrock や私たちの generative AI 技術を使用して喜んでお手伝いする多くのパートナーがいる、パートナーエコシステムも持っています。
このセッションの目的は、多くの異なるユースケースと顧客事例の例をお見せすることでした。主なポイントは、今日ご覧になったものの中で、あなたの組織に適用できるものを見つけられたかどうかです。技術だけでなく、ソリューションとその影響に焦点を当てるというガイダンスに従ってください。このセッションにご参加いただき、誠にありがとうございました。Khaliさん、Samaさん、ご参加ありがとうございました。
ありがとうございました。良い一日をお過ごしください。
※ こちらの記事は Amazon Bedrock を様々なタスクで利用することで全て自動で作成しています。
※ どこかの機会で記事作成の試行錯誤についても記事化する予定ですが、直近技術的な部分でご興味がある場合はTwitterの方にDMください。
Discussion