re:Invent 2025: AI活用で持続可能性規制の文書レビューを効率化するRAPIDソリューション
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！
re:Invent 2025 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
📖 re:Invent 2025: AWS re:Invent 2025 - Accelerating sustainability compliance with AI-powered document review (AIM237)
この動画では、AWSのソリューションアーキテクトKenta Satoが、持続可能性規制の文書レビューを効率化するオープンソースソリューション「RAPID（Review and Assessment Powered by Intelligent Documentation）」を紹介しています。規制は市場の失敗を防ぎ低炭素移行を促進する重要な役割を果たしますが、大量の複雑な文書処理が行政上のボトルネックとなっています。RAPIDは「lost in the middle」問題や説明責任のギャップを解決するため、2フェーズアプローチを採用。フェーズ1でAIがチェックリストを抽出し人間が検証、フェーズ2で各項目を個別処理しhuman-in-the-loopで結果を検証します。Amazon Bedrock、AWS Lambda、Step Functionsなどを活用したサーバーレスアーキテクチャで構築され、初期パイロットでは文書レビュー時間を最大75%削減した実績があります。GitHubでオープンソース化されており、AI Solution Boxで10分でデプロイ可能です。
※ こちらは既存の講演の内容を最大限維持しつつ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ご留意下さい。
本編
持続可能性規制の重要性：市場の失敗から経済全体の変革へ
みなさん、こんにちは。ここにいる誰か、規制が好きな人います？いますか？ああ、そうですよね、予想通りですね。でも、ここが重要なんです。規制は持続可能性の変革を推進するために本当に重要なんです。規制そのものではなく、終わりのない書類作成と官僚的なプロセス、それが皆さんが嫌いな部分ですよね？EU は正しい方向に進んでいます。こんにちは、私の名前は Kenta Sato で、AWS のソリューションアーキテクトです。今日は、AI を使って持続可能性規制をビジネス上の制約から能力へと変えることで、このシナリオを逆転させる方法をお見せしたいと思います。
規制が実際にビジネスを遅くすることなく持続可能性を加速させるとしたらどうでしょう。このセッションの終わりには、今日デプロイできるオープンソース化されたソリューションがあるので、始めるために必要なすべてのものを手に入れることができます。でも、まず規制がなぜ重要なのかをお見せしましょう。 規制がない世界と規制がある世界をお見せします。規制がない場合、持続可能性のいくつかの分野で市場の失敗と呼ばれるものに直面します。低炭素コンクリートや低炭素鋼などの低炭素材料を考えてみてください。これらの材料は従来の代替品よりもコストが高い傾向があります。社会の観点からは、長期的に環境を保護するためにこれらの材料に投資することは完全に理にかなっています。しかし、個々の企業の観点からは、競合他社がより安い代替品を使用している一方で、より高いコストを支払うことは、消費者がプレミアムに対して喜んでお金を払わない限り、常に理にかなっているわけではありません。
しかし、規制があると、すべてが変わります。規制は誰もが遵守しなければならないレベルプレイングフィールドを作成します。これで、企業は競合他社に値下げされることなく持続可能性に投資できます。実は、早期導入者は既に低炭素サプライヤーとの関係を確立しているため、競争上の優位性を得ています。つまり、持続可能性規制は経済全体にわたって低炭素への移行を導くために不可欠なのです。これらの規制は、再生可能エネルギー施設の許可、製造コンプライアンス、ESG 投資レビュー、フリート電動化など、あらゆる主要産業にわたって実装されており、リストはまだまだ続きます。
業界によって異なる規制があります。しかし、それらはすべて、巨大な行政上のボトルネックを生み出す共通の特性を共有しています。大量の複雑な文書を扱う必要があります。 これらは大規模なチェックリストに対して検証される必要があり、専門知識が必要です。 具体例をお見せしましょう。持続可能でエネルギー効率の良い建物の建設のための建築許可申請です。 申請者は、複雑な図、グラフ、テキストを含む 12 種類の異なる文書を準備する必要があります。レビュアーは法律と規制を参照する数百のチェックリストを持っており、このチェックリストはこれらの複雑な図に対して検証される必要があります。
これは両者にとって何を意味するのでしょうか？申請者にとっては、申請が却下された場合、追加の作業、より多くのコスト、そしてより多くの遅延を意味するため、内部検証のためにデータを整理する必要があります。レビュアーにとっては、文書レビューのための膨大な行政作業を行う必要があります。経済的なリスクがありますよね？建物の建設が長すぎると遅延する場合、経済を遅くするリスクがあります。だからこのような圧力により、規制当局は経済的および環境的影響のバランスを取る必要があるため、野心的で強力な持続可能性規制を導入するようになるのです。
AI による規制コンプライアンスの課題と RAPID の 2 フェーズアプローチ
つまり、ここが難しいところなんです。これを AI で解決できるでしょうか？シンプルなアプローチがあります。レビュー文書とチェックリストがあるなら、それらを生成 AI に入力して、すぐにレビュー結果を得られるということです。シンプルですよね？でも、このアプローチをテストしてみたところ、 規制コンプライアンスのワークロードには不適切な重大な問題が見つかったんです。最初の問題は「lost in the middle」です。 大量のコンテキストを生成 AI に入力すると、パフォーマンスが低下することが知られています。例えば、200 ページの文書と 100 項目のチェックリストを入力した場合、50 番目のチェックリスト項目は、最初の項目や最後の項目と同じレベルの注意を受けません。
2 番目の問題は、アカウンタビリティギャップです。 AI が間違いを犯した場合、誰が責任を持ち、誰がそれを修正するのでしょうか？
規制当局は単に「AI がそう言ったから」という言い訳を受け入れることはできません。では、すべてを AI に投げ込むアプローチがうまくいかないなら、どうやって解決すればいいのでしょうか？ これが、私たちが RAPID を開発した理由です。RAPID は「Review and Assessment Powered by Intelligent Documentation」の略で、オープンソースのソリューションで、今すぐデプロイして、大量の文書レビューを効率化できます。まずデモをお見せして、その後、どのように機能するかを説明します。
このデモでは、新しい機器の設置がエネルギー効率基準に適合しているかどうかを確認したいと思います。ここが、私が扱うサンプル文書です。左側がエネルギー効率コンプライアンスチェックリストで、右側が機器仕様書です。 まず、チェックリストをアップロードします。PDF ファイルをドラッグ&ドロップして、作成をクリックするだけです。バックエンドでは、RAPID がチェックリストの抽出に取り組みます。 このチェックリストを使用する前に、専門家が各項目が元の文書から正しく抽出されたかどうかを確認できます。 チェック項目があいまいすぎる場合、RAPID は提案とともに明確化するよう促します。この例では、チェックリストはエネルギー効率基準への適合を要求していますが、その基準の具体的な詳細がありません。ですから、AI が十分な情報に基づいて評価できるように、詳細な基準を追加したいかもしれません。
デモで何が起こったのかを理解しましょう。これが RAPID を使用するフェーズ 1 です。AI を活用したチェックリスト抽出です。AI がチェックリスト PDF ファイルを取得して、それを構造化データとして抽出します。その後、人間がチェックリストが正しく抽出されたかどうかを検証できます。これがフェーズ 1 です。フェーズ 2 を見てみましょう。今度は、レビュー用に機器仕様書ファイルをアップロードします。
ドキュメントをアップロードして、さっき抽出したチェックリストとマッピングするだけです。それからコンペアをクリックします。バックエンドでは、RAPID が各チェック項目を 1 つずつドキュメントに対して処理します。数秒後に、結果を確認できます。各結果について、コストと合格または不合格のステータスが表示され、信頼度スコアを調整できます。信頼度が高いというのは、AI が判断を下すのに十分な証拠を持っているということです。詳細を開くと、AI の詳細な推論と、人間が結果を検証するためのソーステキストからの引用が表示されます。このチェックリストでは、定格電力と銘板が一致する必要があります。そして、実際にモーター仕様で一致しています。人間に検証してもらいたい場合は、ここでソースドキュメントを確認できます。
銘板はこちらです。モデル ID 75、75 キロワット、冷却システム 30 ワット、30 キロワットです。つまり、一致しています。AI の判断は今回は正しかったということです。別の項目を見てみましょう。ここで信頼度スコアが低い項目が見えます。チェックリスト抽出フェーズで見たように、チェックリストは加熱機器の標準要件への適合を要求していますが、それが適合しているかどうかを確認する方法についての具体的な詳細がありませんでした。ですから AI は十分な自信を持たず、不合格のステータスを返しました。この場合、戻ってチェックリストを改善するか、人間の専門家であれば、手動で検証して確認し、結果をオーバーライドできます。
このようにです。これが human-in-the-loop コンポーネントです。すべてを AI に投げつけるだけではなく。しかし、RAPID に開発したもう 1 つのアプローチがあります。詳細な要件を外部ナレッジソースとして準備・構成し、RAPID がツール経由でアクセスできるように構成することです。デモで見るとわかりやすいです。同じチェックリスト項目ですが、今回は 95% の信頼度で合格しました。
チェックリストを評価するとき、rapid assessment に十分な情報がなかった場合、外部ナレッジを検索して、それが標準を満たしているかどうかを計算する方法を見つけに行き、検証のための計算方法を返しました。その後、プログラムを作成します。抽出して検証した情報に基づいて、それは要件を上回っています。つまり、これがもう 1 つのアプローチです。
しかし、ここで全体像を見てみましょう。これで全体像が見えます。フェーズ 1 では、AI を使ってチェックリストを抽出し、人間がそれを検証します。フェーズ 2 では、これらのチェックリストをドキュメント レビューに使用します。各チェックリスト項目は関連ドキュメントに対して個別に処理され、その後、人間が結果を検証します。つまり、この 2 フェーズのアプローチは、さっき言及した両方の問題を解決します。覚えていますか？最初の問題は途中で迷うことでした。各 AI コードを単一のチェック項目に限定し、フォーカスされたドキュメント コンテキストを使用することで、長く複雑なプロンプトで起こる劣化を減らします。そして 2 番目の問題は説明責任のギャップでした。人間の専門家がフェーズ 1 でチェックリスト構造を検証し、その後、フェーズ 2 で AI レビュー結果を検証します。つまり、すべての重要な決定ポイントで明確な人間による監視があります。
RAPID のサーバーレス AWS アーキテクチャとビジネスへの導入ロードマップ
では、これを AWS 上でどのように構築したのかをお見せします。こちらが迅速なサーバーレス AWS アーキテクチャです。各コンポーネントについて説明していきます。ユーザーインターフェースは Amazon CloudFront というコンテンツデリバリーネットワークサービスを通じて提供され、静的ウェブファイルは Amazon S3 に保存されており、セキュリティ保護のために AWS WAF というアプリケーションファイアウォールを使用しています。バックエンドには、すべての API リクエストを処理する Amazon API Gateway と、すべてのユーザー認証を管理する Amazon Cognito があります。API の背後にあるすべてのビジネスロジックを処理するのは AWS Lambda です。
チェックリストドキュメントが Amazon S3 にアップロードされると、AWS Step Functions によってオーケストレーションされたワークフローが AWS Lambda をトリガーして、チェックリストを抽出し構造化します。Amazon Bedrock Service を通じて最新の生成 AI モデルを使用しています。その後、すべての構造化されたチェックリストデータは Amazon Aurora Serverless v2 に保存されます。これは MySQL ベースのリレーショナルデータベースサービスで、ワークロードに基づいてシームレスにスケーリングします。レビューワークフローも Step Functions によって管理され、Amazon S3 のドキュメントストレージと Amazon Bedrock Agent runtime 統合の間を調整しています。この AI エージェントアプローチにより、インテリジェントなドキュメントレビューと分析が可能になり、AI エージェントは Amazon Bedrock Knowledge Base を通じて外部ツールまたは外部知識にアクセスしたり、Amazon Bedrock Agent Core Code Interpreter 機能を通じて計算分析を実行したりできます。
サーバーレスを実行する主な利点は、使用した分だけ支払うということです。つまり、概念実証フェーズでは週に 10 ドキュメントから始めることができ、本番環境では週に数万ドキュメントまでスケーリングできます。インフラストラクチャ管理は不要です。AWS がパッチ適用、スケーリング、メンテナンスをすべてバックグラウンドで処理します。では、ビジネスへの影響について数字を示してみましょう。初期のパイロットプロジェクトの中には、ドキュメントレビューの人的時間を最大 75% 削減した事例もあります。これはどういう意味でしょうか？サステナビリティ関連プロジェクトのより迅速な納品につながる可能性があります。サステナビリティ規制は、ビジネスを遅くすることなくサステナビリティを加速させることができます。つまり、これが私たちが話している変革の種類です。
では、RAPID からどのようなメリットが得られるのでしょうか？それはあなたが何をしているかによって異なります。申請者であれば、RAPID を社内に導入し、時間削減を測定し、規制採用を推進することができます。レビュアー、政府機関、または検査当局であれば、最大のボトルネックに関するパイロットプロジェクトから始めてください。削減効果を測定してから、他のカテゴリーにスケーリングしてください。システムインテグレーターやコンサルタントのようなテクノロジーパートナーであれば、
RAPID はオープンソースです。業界固有の最大の課題を解決するようにカスタマイズできます。ロードマップの例もお見せしましょう。最終目標から始めて、そこに到達するまでのステップを段階的に進めることで、私たちの究極の目標は本番運用です。RAPID は本番環境で積極的に使用されており、ドキュメントレビュー業務を継続的に効率化しています。
では、どうやってそこに到達するのか？最初のステップは常にビジネス検証です。最も大きなビジネスインパクトを持つドメインを特定して、チェックリストを作成し、ドキュメントをレビューする必要があります。ビジネスケースを検証したら、次は実験段階に進みます。小規模ですが高いインパクトを持つドメインで RAPID を使って実験してみてください。ここでビジネスパフォーマンスを検証し、RAPID が期待される価値を提供することを実証します。コンセプトを証明するまで、ビジネス検証を繰り返すことができます。
コンセプトを証明したら、本番開発に進みます。ここは本番要件を収集し、フルスケールのソリューションを開発する段階です。このフェーズでは、AWS パートナーやプロフェッショナルサービスを関与させて、要件を満たすことを検討したいかもしれません。そしてこれで私たちのゴールに戻ります。RAPID は本番環境で積極的に使用され、ドキュメントレビューを効率化し、継続的に改善しています。
最後に、RAPID を始めるにはどうすればいいのか？左側の QR コードをスキャンできます。左側に GitHub のオープンソースリポジトリがあります。そして、すぐにデプロイしたい場合は、右側の QR コードもあり、AI Solution Box を使って RAPID をワンクリックでデプロイできます。わずか 10 分で RAPID 環境が手に入ります。サステナビリティ規制を制約から能力へと変えてください。最初に述べたように、あなたは今、スクリプトをひっくり返す方法を知っています。サステナビリティ規制がビジネスを遅くすることなく、サステナビリティを加速させるようにしましょう。
そして、RAPID の実際の動作をもっと見たい場合は、ベネチアンの Expo にあるサステナビリティショーケースブースに立ち寄ってください。サステナビリティ関連の課題を解決するための RAPID を含む多くのデモがあります。そこでお会いするのを楽しみにしており、RAPID のライブデモをお見せする準備ができており、始めるのをお手伝いする準備ができています。以上です。ありがとうございました。
※ こちらの記事は Amazon Bedrock を利用し、元動画の情報をできる限り維持しつつ自動で作成しています。
Discussion