翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# レイヤー 4: 一般的な生成 AI ユースケースの繰り返し可能なアプリケーションパターン
<a name="patterns"></a>

企業が生成 AI を採用するにつれて、組織がこのテクノロジーを使用してビジネス価値を高める方法に明確なパターンが浮上しています。これらの一般的なユースケースは、さまざまなビジネス機能に生成 AI を適用するための実証済みのアプローチを示しています。これらのユースケースは、組織が独自の実装機会を特定して優先順位を付けるのに役立ちます。

これらの確立されたユースケースを理解することで、組織は、より広範な導入の基盤を構築しながら、生成 AI が最も直接的な影響を与えることができる場所をより適切に評価できます。このセクションでは、企業が生成 AI ソリューションを正常にデプロイしている主要な領域について説明します。

**Topics**
+ [AI を活用した生成アシスタント](#patterns-assistants)
+ [RAG チャットベースのアシスタント](#patterns-chat)
+ [生成 AI エージェント](#patterns-agents)
+ [インテリジェントなドキュメント処理](#patterns-idp)
+ [コンテンツの生成と要約](#patterns-content)
+ [コードの生成と分析](#patterns-code)
+ [マルチモーダル AI アプリケーション](#patterns-multimodal-apps)
+ [実装に関する推奨事項](#patterns-implementation-recs)

## AI を活用した生成アシスタント
<a name="patterns-assistants"></a>

生成 AI を活用したアシスタントは、さまざまなビジネス機能にわたってパーソナライズされたコンテキスト対応サポートを提供します。これらはパワーユーザーに最適です。これらは、それらをワークフローに統合することを学ぶ従業員の出力をスーパーチャージします。言語モデルを使用することで、これらのアシスタントは組織全体の効率、生産性、ユーザー満足度を向上させます。

AWS は、すぐに使用でき、高度にカスタマイズ可能なエンタープライズグレードの AI アシスタントである [Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) を提供します。実装では、組織固有のデータを使用してナレッジベースを調整し、正確で関連性の高い対応を促進します。カスタマーリレーションシップ管理 (CRM) およびエンタープライズリソースプランニング (ERP) システムとの統合により、そのユーティリティが強化され、エンタープライズ全体でスムーズなデータフローと完全な機能が促進されます。

ソフトウェア開発チームの場合、 は [Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html) AWS を提供します。このコーディングアシスタントは、コード生成、バグ検出、リファクタリング提案、ドキュメント作成を支援することで、生産性を向上させるように設計されています。統合開発環境 (IDEs) にシームレスに統合すると、開発者は通常のコーディング環境内でその機能に直接アクセスできるため、ワークフローが合理化され、コンテキストの切り替えが軽減されます。詳細については、この戦略ドキュメント[コードの生成と分析](#patterns-code)の「」を参照してください。

生成 AI を活用したアシスタントの一般的なユースケースは次のとおりです。
+ スケジュール管理、レポートの概要、簡単な準備をサポートするエグゼクティブアシスタント。
+ 従業員のオンボーディングをサポートし、ポリシー関連の質問に回答し、パフォーマンス管理を支援する人事アシスタント。
+ リアルタイムの製品情報と競争上のインサイトを提供する販売支援ツール。

生成 AI を活用したアシスタントの効果を最大化するには、特定の部門内など、ターゲットを絞ったデプロイから始めることを検討してください。これにより、開発チームは組織全体でより広範囲に展開する前に、影響を評価し、ユーザーフィードバックを収集できます。この段階的なアプローチにより、導入プロセスがスムーズになり、アシスタントとエンタープライズニーズの連携が最適化されます。

エンタープライズ生成 AI を活用したアシスタントの構築の詳細については、[「Amazon Bedrock エージェントとナレッジベースを使用して完全に自動化されたチャットベースのアシスタントを開発する](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/develop-a-fully-automated-chat-based-assistant-by-using-amazon-bedrock-agents-and-knowledge-bases.html)」を参照してください。

## RAG チャットベースのアシスタント
<a name="patterns-chat"></a>

Out-of-the-box基盤モデルは、強力でありながら、事前トレーニングデータによって制約されます。トレーニングの期限日を過ぎた最近のイベントに関する知識が不足しており、会社固有のプロセスやカスタムデータを理解していない。この制限により、組織に関する知識を必要とする多くのビジネスユースケースには適していません。

ファインチューニングによるモデルのカスタマイズは複雑でコストのかかるプロセスであり、高品質のトレーニングデータを収集するのは難しい場合があります。Retrieval Augmented Generation (RAG) は、大規模言語モデル (LLMs) を組織独自のデータと組み合わせることで、これらの制限に対処します。RAG アプローチは、特定のドメインの知識によって通知される AI を活用したインタラクションを作成します。RAG とファインチューニングの詳細については、[「カスタムドキュメントをクエリするための生成 AI オプション](https://docs.aws.amazon.com/en_us/prescriptive-guidance/latest/retrieval-augmented-generation-options/options.html)」を参照してください。

RAG チャットベースのアシスタントの一般的なユースケースは次のとおりです。
+ 製品ドキュメントとFAQsにアクセスできるカスタマーサポートシステム
+ 会社固有の情報をすばやく取得する内部ナレッジ管理ツール
+ 組織のポリシーと規制を参照する法務またはコンプライアンスのチャットベースのアシスタント

AWS は、[Amazon Bedrock ナレッジベースによる RAG チャットベースのアシスタントの実装を簡素化します](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html)。このサービスは、カスタムドキュメントのデータをクエリおよび取得するためのベクトルデータベースを設定するのに役立ちます。主な機能には、データストレージ用の Amazon Simple Storage Service (Amazon S3) との統合、サードパーティーのサービス (Microsoft SharePoint や Atlassian Confluence など) との互換性、関連するドキュメントを取得するための効率的なベクトル検索機能、会話型チャットベースのアシスタントを構築するための基盤モデル (Anthropic Claude など) との統合などがあります。まず、明確に定義された限定対象ナレッジベースを特定し、それを使用してproof-of-concept RAG チャットベースのアシスタントを作成します。実装がスケールするときは、データの鮮度と大規模な取り出しオペレーションの計算コストに注意してください。

RAG チャットベースのアシスタントの構築の詳細については、以下を参照してください。
+ [で拡張生成オプションとアーキテクチャを取得する AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/retrieval-augmented-generation-options/introduction.html)
+ [Terraform と Amazon Bedrock を使用して AWS に RAG ユースケースをデプロイする](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/deploy-rag-use-case-on-aws.html)
+ [RAG および ReAct プロンプトを使用して高度な生成 AI チャットベースのアシスタントを開発する](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.html)

## 生成 AI エージェント
<a name="patterns-agents"></a>

生成 AI エージェントは、複雑なビジネスプロセスの自動化における大きな進歩を表します。これらのエージェントは、タスクを分割し、さまざまなシステムとやり取りすることで、従来は人間の介入を必要としていた高度なワークフローを処理できます。

生成 AI エージェントの一般的なアプリケーションには、複数ステップのビジネスプロセスの自動ワークフローオーケストレーション、部門間のタスク完了のためのインテリジェントな仮想アシスタント、複数のデータベースをクエリできるデータ分析およびレポート生成エージェントなどがあります。

AWS には、AI [エージェントの作成とデプロイに役立つ Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html) エージェントなどのツールが用意されています。実装には、ビジネスニーズに固有のカスタムアクションと API 統合の定義が含まれます。また、堅牢なエラー処理とログ記録メカニズムを設定する必要があります。[AWS Lambda](https://docs.aws.amazon.com/lambda/latest/dg/welcome.html) は、サーバーレス関数の実行、[Amazon API Gateway](https://docs.aws.amazon.com/apigateway/latest/developerguide/welcome.html) APIs の管理、ワークフローオーケストレーション[AWS Step Functions](https://docs.aws.amazon.com/step-functions/latest/dg/welcome.html)に使用できます。

組織は、反復的な複数ステップのプロセスを特定し、その決定ポイントとシステムインタラクションをマッピングすることから始めることができます。これは、最初の生成 AI エージェントの設計図として機能します。主な考慮事項には、適切なエラー処理の検証と、意思決定プロセスの透明性の維持が含まれます。

## インテリジェントなドキュメント処理
<a name="patterns-idp"></a>

*インテリジェントドキュメント処理 (IDP) *は、生成 AI と自然言語処理 (NLP) を使用して、さまざまなタイプのドキュメントから情報を自動的に抽出、分類、処理します。IDP は、非構造化ドキュメント処理を自動化されたスケーラブルなワークフローに変換できます。

最新の IDP ソリューションには、従来のパイプラインベースの処理と、基盤モデルによる直接マルチモーダル処理の 2 つのアプローチがあります。で従来のパイプラインを構築するには AWS、光学文字認識 (OCR) 用の [Amazon Textract](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) と、高度な分析用の [Amazon Bedrock 基盤モデル](https://docs.aws.amazon.com/bedrock/latest/userguide/foundation-models-reference.html)とのドキュメント理解を組み合わせることができます。または、基盤モデルによる直接マルチモーダル処理では、state-of-the-art基盤モデル (Amazon Bedrock の Anthropic Claude など) を使用して、イメージ、PDFs、スキャンされたドキュメントを 1 つのステップで直接処理することもできます。

組織は、特定のニーズに基づいてアプローチを選択できます。従来のパイプラインは、きめ細かな制御を必要とする大量の処理やシナリオに優れています。基盤モデルによる直接マルチモーダル処理は、高度なコンテキスト理解による精度の向上を必要とする複雑なドキュメントに最適です。

IDP の一般的なユースケースは次のとおりです。
+ 保険金請求ドキュメントのレビュー、検証、データ抽出を自動化するクレーム処理。
+ 買掛金自動化の明細項目、合計、ベンダー情報を抽出する請求書処理。
+ 主要な条件、義務、有効期限を抽出するために法的文書を確認する契約分析。
+ 患者レコードを分析し、関連する医療情報とコーディングを抽出する医療記録処理。

実装は通常、Amazon S3、および Amazon Simple Queue Service ( AWS Lambda Amazon SQS) を使用するイベント駆動型アーキテクチャを使用します。Amazon S3 バケットにドキュメントをアップロードすると、処理ワークフローが開始されます。結果は Amazon DynamoDB などのデータベースに保存されるか、APIs。最適な結果を得るには、組織はバッチ処理戦略、堅牢なエラー処理、監査証跡を実装する必要があります。スコープを展開する前に、特定のドキュメントタイプから開始します。

この自動化により、手動による介入、処理時間、人為的ミスが大幅に削減されます。また、スタッフが判断力と専門知識を必要とするアクティビティに集中するのに役立ちます。

ドキュメント処理ワークフローの詳細については、[「Amazon Textract を使用して PDF ファイルからコンテンツを自動的に抽出](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/automatically-extract-content-from-pdf-files-using-amazon-textract.html)する」を参照してください。

## コンテンツの生成と要約
<a name="patterns-content"></a>

生成 AI モデルは、コンテンツの生成と要約に優れています。これにより、さまざまなビジネスアプリケーションにとって貴重なツールになります。大規模言語モデルの自然言語処理機能を使用して、テキストベースの情報を作成または要約できます。

コンテンツの生成と要約の一般的なユースケースは次のとおりです。
+ 構造化データからの自動レポート生成
+ マーケティング資料、製品説明、ソーシャルメディア投稿のコンテンツ作成
+ 研究論文、法律文書、または長期レポートのドキュメント概要

での実装では、 AWS 通常、Amazon Bedrock を使用してテキスト生成と要約タスクを行います。Amazon Comprehend はエンティティ認識と感情分析に使用でき、生成されたコンテンツのコンテキストと品質を強化します。

コンテンツ生成および要約アプリケーションのベストプラクティスには、コンテンツレビューと品質管理のためのヒューhuman-in-the-loopプロセスの実装、ドメイン固有のコンテンツ生成のための微調整されたモデルの使用、ブランドの一貫性とガイドラインへの準拠を確保するためのコンテンツフィルターの実装などがあります。

例えば、生成 AI を使用して患者の臨床データを分析し、概要と臨床ノートを生成できます。詳細については、[「拡張された患者データを使用した医療インテリジェンスアプリケーションの構築](https://docs.aws.amazon.com/prescriptive-guidance/latest/rag-healthcare-use-cases/case-1.html)」を参照してください。

## コードの生成と分析
<a name="patterns-code"></a>

生成 AI モデルには、さまざまなプログラミング言語でコードを理解して生成する機能があります。開発者はこれらの機能を使用して、コードの書き込み、リファクタリング、分析を支援できます。

一般的なユースケースには以下が含まれます。
+ 定型タスクの自動コード生成
+ コードリファクタリングと最適化の提案
+ バグ検出とセキュリティ脆弱性分析

AWS には、このパターンをサポートするのに役立つサービスがいくつか用意されています。[Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html) は AI 支援のコード生成を提供し、開発者がコードを迅速かつより少ないエラーで記述するのに役立ちます。[Amazon CodeGuru](https://docs.aws.amazon.com/codeguru/) は、インテリジェントなコードレビューとパフォーマンスに関する推奨事項を提供します。これらのサービスを と統合 AWS Lambda して、サーバーレスコードの実行とテストを行うことができます。

コード生成および分析アプリケーションのベストプラクティスには、AI 支援コーディングツールを既存の開発環境に統合することが含まれます。生成されたコードが品質基準を満たしていることを確認するために、厳格なコードレビュープロセスを実装することを検討してください。最初のコードドラフトには AI を使用しますが、最終的な実装の決定には人間の専門知識に依存します。

コーディングアシスタントの構築の詳細については、[「Amazon Q Developer をコーディングアシスタントとして使用して生産性を向上させる](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/use-q-developer-as-coding-assistant-to-increase-productivity.html)」を参照してください。

## マルチモーダル AI アプリケーション
<a name="patterns-multimodal-apps"></a>

マルチモーダル AI アプリケーションは、テキスト、画像、オーディオ、ビデオなど、さまざまなタイプのデータ入力と出力を組み合わせます。このパターンでは、高度な生成 AI モデルの機能を使用して、複数のモダリティにわたるコンテンツを理解して生成します。

マルチモーダル AI アプリケーションの一般的なユースケースは次のとおりです。
+ カスタマーサポートまたは社内ドキュメント用の視覚的な質疑応答システム
+ インテリジェントイメージとビデオコンテンツのモデレーション
+ ビジネスインテリジェンスのマルチモーダルデータ分析

では AWS、マルチモーダル基盤モデルに Amazon Bedrock を使用できます。その他のサービスには、画像およびビデオ分析用の [Amazon Rekognition](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html)、speech-to-text変換用の [Amazon Transcribe](https://docs.aws.amazon.com/transcribe/latest/dg/what-is.html)、text-to-speech変換用の [Amazon Polly](https://docs.aws.amazon.com/polly/latest/dg/what-is.html) などがあります。これらのサービスは、アプリケーションのマルチモーダル機能を強化できます。

マルチモーダル AI アプリケーションのベストプラクティスには、マルチモーダルモデルのトレーニングと微調整のための高品質で多様なデータセットの確保が含まれます。また、さまざまな入力モダリティに対して堅牢なエラー処理を実装し、マルチモーダル AI システムの倫理的影響と潜在的なバイアスを慎重に検討してください。

マルチモーダルアプリケーションの構築の詳細については、[「Amazon Bedrock と Amazon Transcribe を使用して音声入力から組織の知識](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/document-institutional-knowledge-from-voice-inputs-by-using-amazon-bedrock-and-amazon-transcribe.html)を文書化する」を参照してください。

## 実装に関する推奨事項
<a name="patterns-implementation-recs"></a>

生成 AI の反復可能なアプリケーションパターンを組織全体で効果的に実装するには、次の推奨事項を検討してください。
+ まず、正常な実装を文書化し、開発を加速するテンプレート、リファレンスアーキテクチャ、コードサンプルを提供するパターンカタログから始めます。
+ 一元化されたパターンガバナンスプロセスを確立して、企業全体の一貫性と品質を促進するために、標準パターンを評価、承認、維持します。
+ ビジネスへの影響、技術的実現可能性、戦略的目標との整合性に基づいて、ユースケースに優先順位を付けます。
+ AI スペシャリスト、ドメインエキスパート、エンドユーザーで構成される部門横断的なパターン開発チームを作成し、パターンが実際のビジネスニーズに対応できるようにします。
+ さまざまなアプリケーションパターンにアセンブルできるモジュール式の構成可能なコンポーネントを作成して、「ビルドを 1 回実行し、何回も再利用」するアプローチを実装します。
+ 効果を測定するために、パターンタイプごとに明確な評価基準を策定します。ビジネス価値、ユーザー満足度、技術パフォーマンスのメトリクスを含めます。
+ パターンを実験的、実証済み、またはエンタープライズ標準として分類するパターン成熟度モデルを確立し、チームの選択プロセスをガイドします。
+ 実装ガイド、制限、ベストプラクティスなど、各パターンの導入を成功させるための包括的なドキュメントを作成します。
+ 定期的なパターンレビューを実施して、テクノロジーやビジネスニーズの進化に応じて改善、統合、廃止の機会を特定します。