re:Invent 2024: Amazon Bedrockの進化と活用事例 - Forcura・Cencosudの実装例
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 - Migrating to Amazon Bedrock and accelerating gen AI app development (AIM203)
この動画では、Amazon Bedrockの進化と活用事例について詳しく解説されています。Bedrockの特徴として、データを共有・保存しない方針、サーバーレスな開発体験、Custom Model Import機能などが紹介されました。具体的な活用事例として、ForcuraのCTOであるDavid Kerrが医療文書の要約による30%の業務効率化について、CencosudのTechnology DirectorであるDiego Rebolledoが小売分野でのGenerative AIの活用によるコンバージョン率37%から55%への向上について、それぞれ詳細な実装方法とともに解説しています。Amazon BedrockのRAG Evaluation、Knowledge Bases、Agent Workflowsなど、最新の機能についても包括的に説明されています。
※ 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
Amazon Bedrockの概要と本セッションの目的
皆さんがここにいらっしゃるのは、Generative AIアプリケーションを構築されており、Amazon Bedrockが何をしているのか、どこにあるのか、どのように進化しているのか、そして私たちがエンジニアリングリソースをどこに投資しているのかをより深く理解したいからだと思います。中には、Bedrockを他のプレイヤーと比較評価されている方もいらっしゃるでしょう。そういった方々は、Bedrockの採用を決めた他のユーザーの声をもっと聞きたいと考えているはずです。簡単に自己紹介させていただきますと、私はRitesh Kumarで、Bedrockのgo-to マーケットチームに所属しています。お客様のGenerative AIの取り組みを理解し、Generative AIアプリケーションの構築・スケーリングに向けて何を行っているのか、そしてBedrockを使ってどのように解決できるかを理解するためにお客様と協力させていただいています。
アジェンダを簡単にご説明しますと、まずBedrockをどのように捉え、どのように進化させているかについて簡単にお話しします。その後、ForcuraのCTOであるDavid Kerrをお招きして、ヘルスケア組織でBedrockをどのように活用しているかについてお話しいただきます。Davidは自社の取り組みとBedrockから得られる価値についてプレゼンテーションを行います。その後、Diego Rebolledoをお招きして、Cencosud S.A.の小売組織でBedrockをどのように活用しているかについてお話しいただきます。最後にQ&Aの時間を設けています。
Amazon Bedrockの特徴と進化：顧客ニーズに応える包括的なソリューション
Amazonらしく顧客視点で考えると、まずお客様のニーズを理解することが重要です。皆様から寄せられるテーマを見ると、主要な領域の一つはどのモデルを使用するかということで、これには複数のサブテーマがあります。一つ目は、独自モデルを使用するかオープンソースモデルを使用するかという点です。もう一つのサブテーマは、カスタムモデルについてで、カスタマイズする価値があるかどうかという点です。これらの選択肢がある中で、アプリケーションに最適なモデルをどのように素早く評価するかが重要になります。モデル評価において、お客様は主に精度、レイテンシー、コストという3つの重要な領域を考慮する傾向にあります。
誰も一般的な回答を得るためにモデルを構築しているわけではありません - 企業データを使用してビジネス上の課題を解決しようとしているのです。では、モデルが企業データを簡単に使用できるようにするにはどうすればよいでしょうか？単純なPrompt Engineeringや Fine-tuning、さらにはAugmented Generationを通じて、モデルにタスクを実行させるにはどうすればよいでしょうか？単純な回答を得るだけでなく、実際に行動を起こさせることが重要です。企業データを共有する際、データのプライバシーとセキュリティは非常に重要になります。AmazonとBedrockでは、この製品を立ち上げる際に基本的な選択をしました：データを共有することは決してしない、データを保存することも決してしない。お客様のデータはお客様のものです。これは他のクラウドプロバイダーとは異なるアプローチです。私たちは、お客様のデータを最優先事項として扱うべきだと考えています - 共有されることも、保存されることも、使用されることもあってはなりません。
Bedrockについて考えるとき、私たちが重点を置いているのは、開発者がGenerative AIアプリケーションを簡単に構築しスケールできるようにすることです。特に強調したい点は、開発者、容易さ、そしてスケールです。モデルの選択に関して、よく聞かれるテーマの一つは、サーバーレスエクスペリエンスです。開発者がインフラストラクチャの管理、スケールイン、スケールアウト、インフラの取り扱いについて心配する必要がないようにすることです。シンプルなAPIを通じてモデルを選択し、素早くモデルを変更できる、真のサーバーレスエクスペリエンスを提供します。Bedrockはそこに焦点を当てています。
この方針に基づき、約1ヶ月前に、Custom Model Importという機能を導入しました。これにより、24時間365日のインフラを確保する必要なく、オンデマンドで独自のモデルを導入できるようになりました。使用した分だけ支払えばよいのです。Custom Model Importは、ユーザーの皆様から素晴らしい反響をいただいており、大変感謝しています。
モデル評価の観点からは、この機能は約1年前から提供されており、最近、主要な2つの分野で進展がありました。1つは、新しいモデルが導入される際の異なる評価アプローチの活用です。もう1つは、単なるモデル評価だけでなく、タスク評価のサポートです。最近、RAG Evaluationを立ち上げ、これによってRAGパイプライン全体を評価できるようになりました。チャンキング戦略や埋め込み戦略などを変更する際も、RAGワークフロー全体を評価することが可能です。
企業データを開発者が活用しやすくするため、私たちは以下のような広範な観点で考えています。まず、1年前に立ち上げたPrompt Managementがあります。これにより、数百のプロンプトを簡単に管理でき、ABテストや新しいモデルに合わせたプロンプトの改訂が可能になります。Knowledge Basesは強力な機能で、開発者はRAGパイプライン全体を管理する代わりに単一のAPIを使用できます。また、RAGパイプラインのあらゆる段階でモデルの動作をカスタマイズできる機能を提供しており、この機能については非常に好意的なフィードバックをいただいています。
Bedrock Fine-tuningは、モデルを簡単に微調整できる単一のAPIを提供します。開発者にはこれが好評ですが、より詳細な制御を望むデータサイエンティストはAmazon SageMakerを使用でき、Custom Model Importを通じてBedrockでオンデマンド価格でモデルを利用できます。この半年間、Agent Workflowsについて継続的な議論があり、来年はさらに重要性が増すでしょう。私たちは開発者がAgent Workflowsを構築しやすくしています。今朝、Mattは複雑なタスクを実行するために複数のエージェントが協力できるMulti-agent Collaborationを発表しました。また、実行時に異なるツールをエージェントに提供できるInline Agentsや、ReActやCoTなどの異なるオーケストレーション技術を使用したり、独自のオーケストレーション技術を構築できるCustom Orchestratorも発表しました。
開発者エクスペリエンスの観点から、開発者とビジネスユーザーが決定論的なワークフローを簡単に構築できるようにする必要があるという重要なフィードバックを受けています。数週間前に発表されたBedrock Flowsでは、ドラッグアンドドロップインターフェースを通じて、Knowledge Bases、Prompts、Agentsなどのリソースを活用して、独自の決定論的フローを構築し、ワークフローを自動化できます。Bedrock Studioは、開発者とビジネスユーザーが1つの環境で協力できるように、しばらく前から利用可能です。テンプレートが含まれており、アプリケーションを素早く構築し、ビジネスユーザーと反復的に改善を重ね、アプリケーションをローンチできます。オンデマンド、プロビジョンドスループット、バッチなど、様々な利用オプションを提供しています。
昨日、私たちはLatency-sensitive inferについて発表したばかりです。もうひとつの重要な機能は、アプリケーションごとにコストをタグ付けできるCost taggingです。これにより、ワークロード1がX円、ワークロード2がY円というように使用コストを把握できるため、開発者がアプリケーションを構築し、ビジネスユーザーと共に改善を重ね、アプリケーションをローンチすることが容易になります。
Responsible AIの観点から、セキュリティとプライバシーは私たちにとって非常に重要です。お客様のデータはお客様のものであり、私たちはそのデータを他の目的で使用することはありません。データは安全に保管され、保存されることはなく、お客様が完全にコントロールできます。コンプライアンスの面では、今年はBedrockのコンプライアンス対応に積極的に取り組んできました。FedHigh、PCI、GDPR、ISO 42001に準拠しており、最近さらに新しい認証も取得しました。この包括的なコンプライアンスにより、特殊な業種での利用が可能になります。さらに、Guardrailsを使用することで、アプリケーションが従うべき独自の企業ポリシーを構築できます。例えば、銀行のお客様であれば、適切なGuardrailsを設定することで、顧客に取引アドバイスを提供することを防ぐことができます。
まとめますと、開発者がGenerative AIアプリケーションを簡単に構築・スケールできるよう、私たちは4つの重要な領域に注力しています：モデルの選択、企業データを活用しやすくすることでアプリケーションをお客様とその顧客にとってより意味のあるものにすること、適切なResponsible AIのGuardrailsを確保すること、そして適切な開発者エクスペリエンスを提供することです。
Forcuraの事例：ヘルスケア分野におけるAmazon Bedrockの活用
ここで、Davidに彼の経験を共有してもらいましょう。ありがとうございました。皆様、こんにちは。私はDavid Kerrと申します。Forcuraのチーフテクノロジーオフィサーを務めています。私たちはフロリダ州ジャクソンビルを拠点とし、2012年にCEOのCraig Mandevilleによって設立されました。ForcuraはPost-acute careヘルスケア分野のSaaS企業です。Post-acute careとは、病院から通常の生活に戻る際に受ける医療ケアのことです。私たちが注力しているのは主に在宅ケアで、これにはリハビリテーション、痛みの管理、在宅看護、さらには食事の準備や入浴といった基本的なケアも含まれます。
規模に関して言えば、私たちは900以上のクライアントを持ち、このPost-acute careワークフロー分野で第1位のプロバイダーです。100万人以上の患者さんを担当しているため、私たちが構築するものは必ずスケーラブルで、適切な経済性を持ち、ヘルスケアに携わる以上、一貫して確実に機能する必要があります。急性期から回復期へのケアの移行を扱う際、信頼性は極めて重要なのです。
業界内には、クライアントのために改善に取り組む人々にとって機会となる課題がいくつかあります。これらの課題は、ポストアキュート・ケアだけでなく、ヘルスケア全般で認識されているものです：スタッフ不足、特にMedicareの償還における利益率の圧縮、規制要件の増加による文書作成時間の増加。そして最も重要なのが、これから話すユースケースにつながる課題です。
重要な情報が、非常に大きな文書の中で、それほど重要でない大量の情報に埋もれてしまうということです。急性期ケアからポストアキュート・ケアへの移行を行うには、インテイクコーディネーターが処理しなければならない文書がありますが、その中で必要な情報は一部だけです。これが差別化されていない重労働、つまりAIのユースケースです。簡潔な情報が欲しいところ、平均して17ページ、時には数百ページにも及ぶ様々なフォーマットの文書が存在します。簡潔な情報の代わりに、Cheesecake Factoryのメニューのような巨大なものを受け取ることになるのです。
Generative AIの主要なユースケースを考えると、テキスト生成、翻訳、感情分析、会話AI、そして要約が本質的な機能です。差別化されていない重労働と要約という観点から見ると、まさにこれが私たちの重要な課題に対するユースケースとなります。 この要約ユースケースについて、最初にどのように取り組んだかをご説明します。私たちは2024年4月にOpenAI上でGenerative AI製品をローンチしました。私たちはAWSネイティブな企業なので、4月のローンチから現在のGA（一般提供）に至るまでの journey において、大きな利点がありました。
最初の利点は、AWS Generative AI Innovation Centerから多大なサポートを受けられたことです。彼らは私たちと緊密に協力し、モデルの選択を支援し、スケーリングとプロンプトエンジニアリングの専門家を提供してくれました。OpenAIと比べてはるかに良い商業条件を提示してくれました（率直に言ってOpenAIはかなり高額です）。サポートは非常に手厚く、私たちのサポート担当者のLavenderは、ノートPCをベッドの横に置いて寝ているんじゃないかと思うほど、メールを送ると5分後には返信が来るような状況でした。彼らは最高の製品を作るための私たちの取り組み全体を導いてくれました。
Riteshが言及したように、AWSネイティブであることは、AWSエコシステム内のすべての利点を活用できることを意味します。私たちの場合、この新製品へのアクセス権を制御したかったため、Identity and Access Managementを挙げましたが、これはすべて組み込まれています。また、AWSのGenerative AIとMLツールキットの他のツール、独自のモデルを構築したい場合のAmazon SageMaker、そしてAWS HealthScribeやAmazon Comprehendのような目的特化型モデルについても見通しを得ることができました。このサポートのおかげで、2024年4月にOpenAIでローンチし、2週間後にAnthropicのモデルに切り替え、さらに2週間後に別のモデルに切り替えることができました。これは、Amazon Bedrockのデカップルされたパワフルな性質と、タスクに最適なモデルを選択できる能力を示しています。
これが私たちが実際に行ったことの核心部分です。Generative AIプロダクトであれ、現在のスタックの拡張であれ、すべての実装をサービスベースでメッセージが分離された形にしたいと考えました。この具体的なケースでは、システムに入ってくるデータがあります。最初の2つのボックス、つまりドキュメントとSQSを見ると、これは単なる入力で、この実装に特有のものではありません。SQSは優れたキューイングインターフェースで、過剰な量を吸収できます。シングルコンシューマーがあり、入ってくるドキュメントは非構造化されています。そこで、従来型のMLである現在のStep Functionを使用して、その非構造化ドキュメントを構造化された出力に変換します。そこから、新しいオファリング全体をサービスベースの分離されたサービスに変換します。その結果の通知をKafkaキューにドロップし、データをS3バケットに置くだけです。この場合、3番目のボックスを見ると、S3キューにドロップされた構造化データが利用可能になったことを示すトピックをリッスンしています。
プロンプトを構築し、Amazon Bedrockを通じてプロンプトリクエストを送信します。完了結果を受け取り、S3バケットに保存し、Kafkaストリームに通知を送信します。この実装では、ドキュメントパッケージの入力イベントをトリガーとして使用しているため、非常に優れています。Kafkaを使用しているので、何でも使えます - ユーザーのクリックでも、Cronジョブでキューにドロップすることもできます。
コントローラー（私は3番目のボックスをそう呼んでいます）への呼び出しをキューに入れる頻度とコンテンツの両方から完全に抽象化されています。私たちはテキストを使用していますが、Amazon Bedrockを通じて提供されるマルチモーダルモデルを使用すれば、画像分析のための画像など、何でも可能です。そこで、このコントローラーが使用するモデル、取り込むコンテンツ、出力する内容に依存しないようにするにはどうすればよいかを考えました。別のLLMへの呼び出しをトリガーするメッセージを出力することもでき、非常に抽象化されてスケーラブルな方法でワークフローを管理する機能を作り出します。
この最初の行は自発的なものでした - クライアントにとってどのように機能したかについて尋ねていなかったのですが、人生を変えるようなものだったというフィードバックを得ました。この30%という統計は実際には古いものです。インテイクのタイムラインが大幅に圧縮されました。17ページのドキュメントを考えると、非常によく設計されたプロンプトでドイツのデータを取り込んだ要約を読むのは極めて困難です。これにより、インテイクコーディネーターは患者の受け入れについて非常に迅速な判断を下すことができ、サービスを提供する医療提供者は何に対処しているのかを素早く理解し、適切なレベルのケアを提供することができます。
文書作成の負担の多くが軽減され、臨床医は今や書類作業に時間を費やすことなく、本来あるべき姿である必要性に基づいて患者の診察の優先順位をつけることができます。より早くケアを開始できるようになり、これはポストアキュートケア領域のヘルスケア組織としての私たちのミッションである、より良い患者体験の提供につながっています。
ビジネス面では、製品の導入が非常に好調で、Referral Summaryを使用した場合と使用しなかった場合の成約率を比較したところ、新規クライアントの3分の2がReferral Summary製品のライセンスを取得しています。これは商業的に大きな成功を収めています。まだGenerative AI製品を市場に投入していない方々に向けて申し上げますと、Large Language Modelという非常に強力で有能なエンジンの抽象化が実現されているため、非常に素早いイノベーションが可能です。というのも、プロンプトに入力できる内容によって機能が抽象化されており、プロンプトを変更することで、ほぼ全く新しいコンテンツや推論を素早く生成できるからです。そのため、私たちは市場投入までのスピードを大幅に向上させることができました。
将来の展望については、競合他社が私たちの色使いまでも真似してくる傾向があるため、少し慎重にお話しさせていただきます。しかし、要約のユースケースがある場合、どのように拡張できるか想像していただけると思います。より読みやすくしたり、パケットに新しい文書が追加された際の要約生成のトリガーとなるイベントを変更したりすることができます。既存のユースケースを拡張する方法は数多くあり、私たちのClient Advisory Boardからのインプットには事欠きません。新製品を立ち上げると、次のステップはほぼ自然と見えてくるので、とてもエキサイティングです。
Cencosudの事例：小売業におけるAmazon Bedrockの実装と成果
それでは、長旅を経てここに来た同僚のDiegoに引き継ぎたいと思います。どうぞ。ありがとう、David。まず最初にお詫びしなければならないのですが、チリから戻る飛行機で風邪をひいてしまいました。プレゼンテーションの最後まで声が持ちこたえることを願っています。
これからCencosudがAmazon Bedrockをどのように活用しているかについてお話しします。 Davidのプレゼンテーションと同様に、私たちの取り組みについてお話しし、直面した課題や、Amazon Bedrockを使用する主な理由、そしてなぜこれを選択したのかについて説明します。その後、小売業で非常に重視している結果について直接お話しします。実装したモデルとユースケースで得られた結果をご紹介します。私はDiego Rebolledoで、現在ChileにおけるCencosudの全ビジネスのTechnology Directorを務めています。
Amazon Bedrockのプレゼンテーションに入る前に、まずCencosudについてご紹介させていただきます。Cencosudは南米最大の小売企業の一つで、ホームインプロブメント、デパートメントストア、スーパーマーケット、ショッピングセンターなど、さまざまな事業を展開しています。8つの国で事業を展開していますが、そのうち2つは小売事業ではなく、UruguayにTechnology Hub、中国に商品調達オフィスを置いています。また、2〜3年前にはデジタル事業を開始し、Cencosud Mediaを立ち上げ、エコシステム内のさまざまなスタートアップに投資するベンチャーキャピタルとしても活動しています。Chileを拠点とする60年以上の歴史を持つ企業で、従業員数は12万人以上、1,447店舗以上、67以上のショッピングセンターを展開しています。これは非常に大規模な企業であり、これからご紹介する内容は全て、このスケールを必要とする文脈で考える必要があります。
まず、私たちの事業における課題を4つの主要な領域にまとめました。Cencosudが競合他社と異なる点は、常にお客様を第一に考え、カスタマーエクスペリエンスを重視していることです。そのため、パーソナライゼーションとカスタマーエクスペリエンスが最初の課題となります。私たちは、パーソナライズされた関連性の高いショッピング体験の提供を常に最優先事項としています。小売業である以上、業務効率化は常にトップ3の優先事項に入ります。プロセスの自動化、オペレーションの改善、コスト削減は常に意識している点です。3番目の課題はInsightsです。社内プロセスであれ、顧客対応業務であれ、あらゆるデータポイントが価値に変換される巨大な環境を管理することが重要です。4番目の課題はコンテンツ生成で、これは前述の3つの課題をある程度包含しています。お客様が十分な情報を得た上で購買決定ができるよう、質の高い魅力的でパーソナライズされたコンテンツを制作することも私たちの優先事項です。
複数の国で事業を展開し、多数の従業員と様々な事業を抱える大手小売企業というこの文脈と、先ほどの4つの主要な課題を踏まえると、私たちがAmazon Bedrockを選んだ理由を見ていただければ、すぐにビジネス課題とのつながりがお分かりいただけると思います。その理由を5つのトピックにまとめました。1つ目は、DavidとRiteshも言及していた最新のGenerative AIへの迅速な適応です。これは分離されたフレームワークとプラットフォームで、ローカル環境とモデルを提供するサービスの両方において、あらゆるものに素早く適応できます。2つ目は、CencosudのeコマースとデジタルプラットフォームがAWS上に90%構築されているため、Bedrockを使用することで、私たちのビジネスやeコマースのエコシステムとBedrockプラットフォームとの間でほぼネイティブな統合が可能となり、統合と利用が迅速かつ容易になりました。
3つ目の理由は当たり前に聞こえるかもしれませんが、低コストで高いパフォーマンスを実現できることです。Cencosudでは、あらゆる場面で可能な限りのコスト削減を心がけているため、これは非常に重要な点です。4つ目の理由は、研究でも確認されており、私たちも実際に経験している高い可用性とスケーラビリティです。最後の理由は、私たちのチーム、開発者、データサイエンティストからの直接のフィードバックですが、使用、統合、ナビゲーション、作業が本当に容易だということです。
次に、お客様とさまざまなコンポーネントが相互作用する高レベルのアーキテクチャ図をご覧いただきます。お客様が私たちの環境と相互作用する際、まず悪意のあるアクセスと正当な顧客の相互作用を適切に分離するためのファイアウォールを通過します。その後、広範なタグ付けを開始します。顧客の意図を比較またはタグ付けする際には、図の下部に示されているナレッジベースを参照します。意図のタグ付けの際、ナレッジベースと比較してすべての意図を分類します。外れ値となる意図はその他と悪意のあるものに分類し、Bedrockのフロー全体を通過せずに特定の応答を提供します。
中央のフローは関連性のある意図を処理し、Amazon S3ストレージに保存します。意図とタグ付けをナレッジベースと比較し、そこにデプロイされている販売前と販売後のテンプレートを通じてフローを継続します。その後、ナレッジベースとAmazon Bedrock環境で生成された応答を比較します。このアーキテクチャにより、RAG、分類とコンテキストの区分け、SKUの説明と特性のための画像生成と解釈、会話フロー、レコメンデーションのためのHyperpersonalization、Red TeamとSecurityテストを実行できます。Cencosudには独立したセキュリティチームがあり、セキュリティチームとプラットフォーム構築チームの間で監査を行っています。
それでは、現在展開中のユースケースについて直接ご説明させていただきます。3つのケースはすでに本番環境で顧客に利用されており、Generative ConversationalなRAG Chatbotは現在POC段階にあります。各ビジネスについて見ていきますと、左端にあるのは、私たちのホームインプルーブメント事業部であるEasyです。画像から始まり、アーキテクチャ全体のフローを使用して、商品の説明や特徴的な寸法を生成しています。これにより、お客様はウェブサイト上で適切で質の高い商品情報にアクセスできるようになり、商品説明やPDPの作成にかかる時間とコストを削減することができます。評価とレビューについては、2つの主要なユースケースがあります。1つは、過去のすべての顧客評価とレビューを統合し、お客様の声をまとめて表示するボックスにサマリー化するものです。
これは、すべての評価とレビューを統合して、お客様の声をまとめ、レビュー全体を要約したバージョンを作成するものです。下には、商品の主な特徴がタグ付けされているのが見えます。この例ではXboxコンソールで、下に緑と黄色のタグが表示されています。これらは顧客レビューから自動生成されたタグです。
3つ目の機能は、Generative ConversationalなRAG Chatbotで、先ほどアーキテクチャで説明したIntentの分類によって応答を改善します。Intentを比較して、顧客がそのやり取りで何を達成したいのかを定義・理解し、より良い応答を提供できるようにしています。この例では、お客様が料理をしたいと考えているのが分かります。Chatbotはそのインテントと、お客様が何を調理したいのかを理解し、必要な材料をすべて自動で提案し、それらをカートに素早く追加して購入を完了できるようにしています。
最後の機能については、私たちが達成した成果についてもう少し詳しくご説明します。レコメンデーションとHyperpersonalizationについて、ここで詳しく見ていきましょう。主なユースケースが2つあります。上部に表示されている1つ目は類似商品です。ウェブサイトやアプリを閲覧する際、閲覧中の商品に類似した様々な商品を表示する機能です。例えば、白身肉や鶏肉を探している場合、商品に関連するものだけでなく、お客様の好みに合わせた類似商品も表示します。
この機能では、3つの主要なKPIを測定しています。1つ目はClick-Through Rate（CTR）で、これらの類似商品の表示に対してお客様がクリックした数を測定します。2つ目はコンバージョン率で、クリックした人のうち何人がカートに商品を追加したかを示します。最後はCTRとコンバージョン率を組み合わせたもので、これらのインタラクションが総売上に占める割合を測定します。表示されている数字は10月末までの集計で、CTRが2.3%増加、コンバージョン率が37%から55%に上昇、売上比率が11.23%となっています。
2番目のユースケースを見てみましょう。こちらは補完商品の例です。例えば、鶏肉を探している場合、塩やトマト、レモンなどの補完商品が表示されます。これにより、顧客一人あたりの平均売上高や客単価を増加させることができます。私たちはClick-Through Rate（クリック率）、カート追加率、売上への貢献度を測定しています。場合によってはマイナス24%といった、マイナスの結果が出ることもあります。常にAmazon Bedrockを使用したモデルと、以前のAWS Personalizeを使用したモデルの2つを比較しており、結果が最適でない場合は、リアルタイムでモデルを切り替えて、最も効果的なものを使用することができます。
Cencosudの今後の展望：Gen AIの組織全体への展開
お見せしたユースケースと結果を踏まえると、Cencosudではまだまだやるべきことが多くあります。これはGen AIの活用が進んでいる事業だけでなく、企業全体に当てはまります。では、私たちの次のステップは何でしょうか？今後の優先事項や取り組むべきトピックを5つにまとめてご説明します。
1つ目は、Gen AIベースのアプリケーションの改善です。先ほどお見せしたアプリケーションに加えて、組織内の様々なチームが開発した他のアプリケーションもあります。まずは既存のアプリケーションカタログを改善し、その後モデルや使用方法を標準化することが最初の優先事項です。2つ目は、Gen AIの活用を組織全体に広げることです。私は、Gen AIやAI全般の話題が技術チームに集中しすぎていて、それ以外のチームではあまり活用されていないと考えています。技術チーム以外の人々にもユースケースや活用理由を示し、トレーニングを行うことで、プロセスの改善や業務の効率化に活用してもらうことを目指しています。
3つ目は、データガバナンスとセキュリティの強化です。データガバナンスとセキュリティは、その後の発展のための基盤だと考えています。良質なデータ、適切なポリシー、組織全体と効果的に連携できるモデルがあり、それを全社に展開できれば、その上に構築するアプリケーションでより良い結果が得られると考えています。4つ目は、真ん中の項目に関連していますが、Cencosudのスタッフに対するGen AIリテラシーとトレーニングの向上です。Gen AIの活用を広げていく中で、リテラシーとトレーニングも拡充していく必要があります。というのも、人々を導き、フレームワークを定義して活用してもらうことが目的だからです。
最後になりますが、Cencosudにとってイノベーションは常に成長のテーマでした。私たちはスタートアップとの協業や投資も積極的に行っています。AI の観点からも、AIを活用したイノベーションの推進は重要な検討事項だと考えています。もし最も重要な、あるいは最優先の事項を挙げるとすれば、 Gen AIの効果が小売分野だけでなく組織のあらゆる部分で実証されているため、組織全体へのGen AIの活用拡大だと考えています。そのため、Gen AIの活用を組織全体に広げていくことができると考えています。
※ 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