100 以上の生成 AI 事例に見るビジネスインパクト創出の方程式

by Takahiro Kubo

Slide 1

Slide 1 text

Slide 2

Slide 2 text

Slide 3

Slide 3 text

No content

Slide 4

Slide 4 text

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Slide 7

Slide 7 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 過去の技術的進化を活用できている企業は、その後の変化も活かせる傾向がある 8 生成 AI の導入クラウドネイティブの導入導入していない検討中試行している導入している総計導入していない 94 30 41 25 190 検討中 10 24 29 6 69 試行している 16 8 46 22 92 導入している 15 22 81 89 207 総計 135 84 197 142 558 IPA 「 2023 年度ソフトウェア開発に関するアンケート調査」の結果をクロス集計し作成クラウドが活用できている企業は生成 AI も活用できている傾向がある ( その逆も言える )

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

Slide 13

Slide 13 text

Slide 14

Slide 14 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. ハイインパクトなユースケースの類型 15 対応スキル底上げ営業支援コンテンツ審査データ読み取り検索性向上コンテンツ作成請求書や決算書等の帳票や議事録音声などをテキスト・データ化し人力での変換を効率化する製品知識や業務知識、経験知を問い合わせ可能な知識ベースに登録しておき未熟練者でも高度な対応を可能にする提案機会の特定、商談内容の分析、営業日報の作成や解析など営業の機会創出と学びを深めることで商談数と成約数を伸ばす作成した文書や画像が社内規定やサービス規約に違反していないかなど審査業務を効率化する商品の説明文の生成やユーザー入力クエリを拡張することでユーザーとのエンゲージメント数を向上させる商品の背景生成や顧客イメージの具体化により、未熟練者でも営業商材の作成を可能にする ※この後のスライドでは、お客様の「株式会社」表記は省略させて頂いています

Slide 15

Slide 15 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 01. データ読み取り 16 主にバックオフィスで行われる請求書や仕様書の読み取り、コールセンターの音声記録など、データの読み取りや記録にかかる工数が課題な場合に様々な媒体からのデータ抽出を 40~90% 効率化できるナウキャスト (PDF) 手作業で行っていた決算短信データ (PDF) からの財務データ抽出手作業に生成 AI を適用。日本の上場株式約 100 銘柄で検証した結果、 90% 以上の精度で財務データを抽出に成功。作業時間も最大 90% 短縮。第一興商 (音声) 1 日 300 件近いコールセンターへの問い合わせの文字起こしに音声認識サービス (Transcribe) と生成 AI を活用。AWS 未経験で入社 1 か月の新人が約 3 週間で検証を実施し、約 9 割は基準を満たす良好な結果。 AI inside (PDF) 帳票の OCR をするためモデルを開発するには 2000 万円と１か月以上の時間が必要だった。生成 AI 適用により対応が容易になり 7 年間で 13 種類だった非定型帳票プリセットが 3 ヵ月で 1000 種類を超えた。三井物産 ( PDF ・メール ) 100 ページを超える入札仕様書や営業のメールからの情報抽出に生成 AI を適用し、 1 件あたり作業時間が 40～70% 短縮。

Slide 16

Slide 16 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. ナウキャスト様の決算短信からの情報抽出例 17 TDnet から取得したファイルからデータを抽出、オペレーターが確認できる簡易なアプリケーションを構成株式会社ナウキャスト様の AWS 生成 AI 事例：決算短信データ抽出業務における LLM 業務適用 https://aws.amazon.com/jp/blogs/news/gen-ai-usecase-nowcast/

Slide 17

Slide 17 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 三井物産様の入札書仕様書からの情報抽出例 18 課題: 海外事業での入札の場合、入札仕様書が英語記載のため担当者が理解するのに熟練者でも 30 ～ 40 時間がかかる解決策: 小規模のモデルで関係する記載を抽出したのち、データベースに格納できる項目に分割するために生成 AI (Jurassic-2 Ultra) を使用解析時間を 70% 短縮【寄稿】入札書解析の完全自動化を目指す三井物産の取組み https://aws.amazon.com/jp/blogs/news/contribution-mitsui-tender-document-analyzer/

Slide 18

Slide 18 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 02. 対応スキル底上げ 19 コールセンターや営業等で顧客応対にあたり製品知識や業務知識が必要で、未熟練者の育成と対応補助に課題がある場合に専門知識に基づく応対を 50~90% の精度で実現日本製鋼所 ( 営業応対 ) 樹脂機械向けの消耗部品の受注に伴う顧客応対に生成 AI を適用。営業が問合せ内容を転記して検索・回答案を参照でき、専門知識が必要な質問に対し 80% 以上の精度であることを確認。構築期間はわずか 2 ヵ月。 JDSC ( 調査回答 ) 契約書、技術情報、規制情報、 FAQ やメール等、様々な情報からなる約 1 万の専門性の高いドキュメントの横断的検索と回答に生成 AI を適用。 15 年以上の経験者が 1 時間かけていた回答を 3 年目でも 1~2 分へ短縮。日立製作所 ( システム障害対応 ) 統合システム運用監視ソリューション JP1 に検知した IT システム障害に対し管理画面から対処方法を問い合わせできるように。マニュアルに基づく回答生成で 9 割以上のアラートで正しい回答ができることを確認。サイバーエージェント ( 開発支援 ) セキュリティに関する 60~80 件/月の問い合わせ回答を行うチームで、専門領域の属人化が課題に。回答に生成 AI を適用し半数近くは専門外でも回答可能に。

Slide 19

Slide 19 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 日本製鋼所様の製品情報ファイルからの回答生成製品情報ファイル ( ニュースレター ) 20 株式会社日本製鋼所様の AWS 生成 AI 事例「Amazon Bedrock と Amazon Kendra による樹脂機械向けの社内文章検索 & 要約システムを早期開発」のご紹介 https://aws.amazon.com/jp/blogs/news/genai-case-study-jsw/ 回答結果 ( 80% 以上 )

Slide 20

Slide 20 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 03. 営業支援 21 営業において販売状況や市況、また商談内容から提案機会の発見や商談の改善に課題がある場合に情報抽出・商談要約作業を 30~70% 近く削減エフピコ ( 情報抽出 ) 1 日 580 件作成される営業日報の解析に多大な時間がかかるところ、若手 4 名が 1 か月で日報作成補助、分析アプリケーションを開発。日報分析にかかる時間を月 700 時間以上削減。丸紅 ( 営業支援 ) 社内の膨大な情報リソースの所在が不明で、営業活動に活用されない課題があり、生成 AI による検索及び問合せ機能を若手社員 2~3 名がおよそ 1 カ月間で内製。各業務で 25～65％程度の時間削減効果を確認。 Poetics ( 商談解析 / 営業支援システム入力効率化 ) オンライン会議の録画・解析・整理を行う JamRoll で商談要約機能を 2 人のエンジニアが 1 ヶ月ほどで実装。毎月数十万件の商談を自動要約、営業支援情報システムへの自動入力も併せ商談後の作業工数を 70% 削減。

Slide 21

Slide 21 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 04. コンテンツ審査 22 品質管理や監査部門等で、規定されたガイドラインに基づき公開前コンテンツ等の確認を行う作業について、チェック品質とスピードのバランスに課題がある場合社内規定やガイドラインに基づくチェックを効率化 FleGrowth ( 監査対応トレーニング ) 各事業部で年に一度 ISMS（情報セキュリティマネジメントシステム）認証の維持審査を外部審査機関から受ける。監査では 100 以上の社内規定を読み込む必要があり、万一回答できず指摘事項があった場合対応策の立案と施行に膨大な時間がかかる。生成 AI により社内規定に基づく監査の想定質問を作成することで対応時間を 90% 削減し会社全体で審査による指摘事項を 3 分の 1 に、指摘事項への対応にかける時間を 10 分の 1 まで削減。野村ホールディングス ( ガイドラインに基づく審査 ) 金融商品に関する説明資料の審査が月に数百件あるが、審査には多様な金融商品と社内外の規制・ルールを理解する社員の知見と能力が必要。業務効率化効果の PoC を通じ、生成 AI による実現性を確認。

Slide 22

Slide 22 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 05. 検索性向上 23 商品の販売やカタログ配布を行っているお客様で、商品を探す際の説明文やタグ付け、また検索の柔軟性に問題がありニーズに応じた商品の提案に課題がある場合に生成 AI による検索機能の拡張で CTR を数倍~数十倍にオズビジョン ( 広告検索 ) 500 万人が会員登録するハピタスで、より意図に沿った広告検索体験を実現するため基盤モデルを活用。生成 AI 初心者からわずか 3 ヵ月で実装、検証を通じランニングコストの数十倍の ROI を見込んでいる。 NatWest ( メール文生成 / 監査 ) 顧客向けの金融商品の提案メールのレビュー ( コンテンツ審査 ) と作成双方に生成 AI を活用。人間が書いたメールより 4 倍高いクリック率を実現。 note ( コンテンツ検索 ) 公開コンテンツが約 4,344 万件 (2024 年 3 月時点 ) あり、ユーザーに向けた効率的な訴求が課題。基盤モデルによるベクトル表現を推薦とタグ付けに活用し、推薦の A/B テストで約 20% のクリック率改善を確認。 F.F.B ( 画像タグ生成 ) ユーザーが撮影した写真を SNS へ投稿する際、キャプションとハッシュタグの作成に 15 分程度要していた。生成 AI の適用により作業時間を 50% 以上削減。

Slide 23

Slide 23 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 06. コンテンツ作成 24 広告・マーケティング部門あるいは営業部門等で商品を適切かつ効果的に伝えるためのクリエイティブを作成する人材やコストに課題がある場合にマーケティング等のコンテンツ作成を 50%~ 効率化パルシステム生活協同組合連合会 (with AWS Partner: CEC ) ( 画像生成 ) 広報誌・機関紙で扱う画像の手配が大きな負担。生成 AI の適用により、社内ポスターに掲載する写真撮影に要する時間を 70％短縮見込み。 GreenSnap ( 購入後イメージ生成 ) ユーザーが庭の画像とイングリッシュガーデン風などスタイルを入力すると花を植えた状態の画像を生成する機能を garden AI としてサービスリリース。 Fotographer.ai ( 商品クリエイティブ生成 ) 広告クリエイティブの品質を維持しコストを削減するため商品画像等をもとにクリエイティブの自動生成機能を提供。デザイナー外注業務の内製化だけでなく、クリエイティブ量増による SNS 投稿増を確認。

Slide 24

Slide 24 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. GreenSnap 様の gardenAI 実装例 25 ガーデニングの新時代 !Amazon Bedrock で理想の庭を実現してみた https://aws.amazon.com/jp/builders-flash/202407/greensnap-genai/ 植栽を発注する際、施工業者と発注者とで完成イメージを共有することで受発注間のトラブルを防止する。植栽を植える領域のみ生成を行う

Slide 25

Slide 25 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. ユースケースにより蓄積されるデータが連鎖的に価値を創出する 26 データ読み取り対応スキル底上げ音声や画像の文書化、非構造データの構造化データによる応対の支援コンテンツ監査蓄積した応対履歴に基づく高精度な監査営業支援商品の訴求点や販売状況等のインサイト抽出コンテンツ作成作成量増加によるデータ増検索性向上メタデータや説明の付与による検索性向上より幅広いデータ、より構造化されたデータが「知識」を拡張する人間の応対・反応データによる最適化が高精度化、半自動化を可能にする

Slide 26

Slide 26 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 質問① 生成 AI のハイインパクトなユースケースのうち、どれが自社にとって最もインパクトが高いでしょうか ? 27 1. データ読み取り 2. 対応スキル底上げ 3. 営業支援 4. コンテンツ審査 5. 検索性向上 6. コンテンツ作成余裕があれば、「次のフェーズ」に移行するために必要なユースケースも考えてみてください。

Slide 27

Slide 27 text

Slide 28

Slide 28 text

Slide 29

Slide 29 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 100 以上の事例にみる共通点 30 顧客起点文化頻繁な実験小規模なチームほぼすべての会社が、顧客体験はもちろん社内の営業やカスタマーサポートの人たちの作業がどれだけ改善されたのか効果を定量的に計測している。 2~4 名のチーム、最も小さい場合 1 名 ( 第一興商 ) で PoC を実施。エフピコ、丸紅などでは若手でチームを組成し経験を積ませている。ほぼすべての会社が 1~3 ヵ月で本番稼働。 ISMS 監査に使用している FleGrowth でもプロトタイプは 3 ヵ月で仕上げており、この短さは基本業界を問わない。 ※当たり前のようだがデータ利活用に取り組む企業の 50% 近くは成果を測定していない ( DX 白書 2023 より )

Slide 30

Slide 30 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 31 エフピコでは、営業担当者の日報作成・分析体験の向上に生成 AI を活用食品関連の包装資材・消耗品のメーカーであるエフピコでは、1 日 580 件もの営業日報が作成される。日報には包装資材ディーラー、スーパーなどで仕入れた最新情報などもあり会社経営、製品開発に欠かせない情報である一方解析に多大な時間がかかっていた。若手 4 名が AWS の開発支援プログラムを利用し 1 ヵ月で日報作成補助、分析のアプリを開発。会社全体で日報分析にかかる時間を月 700 時間以上削減できている。 https://www.nikkei.com/article/DGXZQOUC291AB0Z21C23A1000000/

Slide 31

Slide 31 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 32 第一興商では、AWS 未経験・入社 1 カ月の新人の方が 3 週間で 9 割は採用基準を満たす会話記録を作成カラオケや音楽事業を手掛ける第一興商では、ヘルプデスクへの問い合わせが 1 日約 300 件寄せられ、 12 名体制で対応。会話内容の記録の手間と内容のばらつきが課題。 AWS 未経験で入社 1 か月の新人の方が約 3 週間で Amazon Transcribe と Amazon Bedrock を利用し検証。音声認識の精度が高く、モノラル音声でも話者の識別が出来た。約 9 割は基準を満たす良好な結果となり、作業軽減が期待できる。第一興商の AWS 生成 AI 事例 : Amazon Bedrock によるヘルプデスク作業軽減検証

Slide 32

Slide 32 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 北海道文化放送ではニュース原稿/動画の作成フローに生成 AI 活用毎日 FAX で届くリリース情報をもとに取材を行い記事を作成しているが、記者の人数に限界がありスキルによる品質や時間もばらつく。そこで、 FAX を複合機で PDF 化し、文字認識処理し保存。取材結果を加え生成 AI でニュース原稿を生成。編成局の担当者が、データ放送と番組を担当するかたわらで実装。 1 回あたり 2 分、数円程度で報道記者 2～3 年目ぐらいの品質の原稿ができるようになり、外部表彰も受ける。他局からの視察や役員会での生成 AI 活用プロジェクトチーム承認につながる。 33 北海道文化放送、Amazon Bedrock を活用しニュース原稿/動画の作成フローを低コストで効率化。ニュース配信数の大幅増を実現

Slide 33

Slide 33 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 事例化企業に見る共通点 34 エフピコ第一興商北海道文化放送営業担当者の日報作成・分析体験に注目。日報分析の時間を 700 時間削減コールセンター担当者の会話記録体験に注目 9 割の精度で作業時間を削減記者の記事作成体験に注目。記事のドラフト作成時間を 2 分、数円程度で実現新人 4 名チーム 1 人 ( 主業務のある ) 編成局の担当者 1 ヵ月 3 週間空いた時間で実装

Slide 34

Slide 34 text

Slide 35

Slide 35 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon での生成 AI 活用 Amazon Alexa で会話に特化した LLM を開発出品者向けの商品説明文作成補助 Amazon Ads での商品背景画像生成 Amazon One でモデル構築に使う学習データの合成カスタマーレビューのハイライト要約処方箋記載内容の集約と構造化 https://www.aboutamazon.com/news/innovation-at-amazon/how-amazon-uses-generative-ai

Slide 36

Slide 36 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 37 生成 AI の活用を支える基盤 : Amazon M5 ( ※ ) マルチモーダルマルチリンガルマルチロケールマルチタスクマルチエンティティ Amazon で扱うデータで学習された 5 つの M を特徴とする基盤モデル Multi-modal Multi-lingual Multi-locale Multi-task Multi-entity ※ Amazon Search の M5 というチームが M5 のモデルを開発してるよう Amazon M5 Team について https://aws.amazon.com/solutions/case-studies/amazon-search-ml-case-study/ Amazon M5 のモデルについて https://www.youtube.com/watch?v=jrFvOYG6T_s

Slide 37

Slide 37 text

Slide 38

Slide 38 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon でのプロダクト開発の方程式 • 顧客体験から考える : 最初にプレスリリースを書くことで、お客様に必要としないものを作らない Working Backwards のプロセス • 小規模チーム : ピザ 2 枚チーム (10 名未満 ) の小規模チームで活動 • 頻繁な実験 : Amazon M5 では毎月 10,000 件以上の実験を行う 39

Slide 39

Slide 39 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 著作権問題の解消クリエイターの理想を実現する業界初の挑戦機能統合創作のワークフローに生成 AI をシームレスに統合カスタマイズ可能会社独自の IP やブランドで学習しアウトプットを調整品質と安全性プロレベルの品質と商用利用に不可欠な安全性を両立スピードと俊敏性市場の要求に迅速かつ俊敏に対応するコンテンツ出力生成 AI を創造的編集機能へ ADOBE FIREFLY 3 つの基盤モデルをウェブアプリケーションで世界中のユーザーに提供 ADOBE EXPRESS テキスト生成や効果の機能を世界中のユーザーに提供 ADOBE CREATIVE CLOUD Illustrator や Photoshop で生成 AI 機能をプロ向けに提供 ADOBE GENSTUDIO Firefly のカスタマイズ機能をエンタープライズ企業向けに提供 Adobe Firefly

Slide 40

Slide 40 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 41 安全かつ商用利用可能な、世界で最も先進的かつ人気のあるモデル Photoshop の生成塗りつぶし機能は一般的な機能に比べて 10 倍以上の使用率クリエイティブ制作のワークフローに統合 5PB に登る Adobe Stock のアセット、オープンなライセンス、パブリックドメインのコンテンツで学習されたプロレベルの品質生成されたコンテンツに対する自動的なクレデンシャルの付与による透明性の担保 40 億を超える画像が Adobe Firefly で生成された ( 2 0 2 3 年 3 月より )

Slide 41

Slide 41 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. Adobe でのプロダクト開発の方程式 Adobe の機械学習エンジニアチームのマネージャーである Rebecca Li によると、 Firefly の開発は次のように始まり、発展した。 1. より良い体験の追求 : 2016 年から AI による顧客体験改善に取り組む 2. 小規模チーム : 2023 年から数十人の研究開発チームで自社独自の基盤モデルの開発を開始。数か月でエンジニアも加え 100 名体制へ 3. 頻繁な実験 : リリースされている数個の機能の裏側で数十機能を検証。機械学習モデルのデプロイは 1 年間に 300 回、ほぼ毎日実行 42 ヒューストン大学で行われた “Education Innovation & Technology” での基調講演を参照

Slide 42

Slide 42 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. Pinterest : 1 EB のデータレイクの分析 UI にテキストからの SQL 生成やテーブル検索機能を統合 Quality Data Producers データ利用者エンジニアデータサイエンティストプロダクトマネージャー経営層スキーマ定義 / メトリクス SQL 実行エンジンデータ管理者 200+ tier 1 10+K tier 2 100+K tier 3 Text to SQL Table Search Table Description Amazon Amazon S3 ~1EB データレイク分析 UI

Slide 43

Slide 43 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 44 得られた効果: クエリによるデータ抽出や変換を効率化し分析時間を 40 % 短縮 Analytical problem Previously Data discovery ETL/data creation Insights generation Now Analytical problem Data discovery Insights generation 40% 時間削減

Slide 44

Slide 44 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. Pinterest でのプロダクト開発の方程式 1. 毎日の分析体験の追求 : 様々なアイデアを簡単に分析できるように 2. 小規模チーム : 2 人のエンジニアがパートタイムで 2 ヵ月で構築 3. 頻繁な実験 : プロトタイプを継続的かつ頻繁に改善: 1. プロンプトから直接生成するバージョン 2. RAG によるテーブル選択機能を組み込み 45 分析ツール Querybook はオープンソースとして公開されており、AI アシスタントの機能も実装済み。コミュニティからのフィードバックも取り入れ頻繁に改善。

Slide 45

Slide 45 text

Slide 46

Slide 46 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 何が活用できる企業とできない企業を分けるのか ? 新技術を積極的に活用する文化や人材 (People) 、小規模なチームで頻繁な改善を行う Process が整っていること。表面的なユースケース ( Technology ) だけ真似ても、その先の技術をサービスや業務に活かすことはできない。 47 Technology Process People

Slide 47

Slide 47 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 質問② 質問①で選択したユースケースを基に、自社で「新技術を取り入れる組織的な仕組み」をどれだけ満たしているか回答してください。 48 ・顧客起点文化質問①で選択したユースケースの対象である顧客の課題をヒアリングする、解決の度合いを共に測れる関係性があるか・小規模なチーム質問①のユースケースを本番導入・リリースするのに何人のチームメンバー、関係者が関与するか・頻繁な実験質問①を本番導入・リリースするのにかかる時間はどの程度か

Slide 48

Slide 48 text

Slide 49

Slide 49 text

Slide 50

Slide 50 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 基本方針 : ハイインパクトなユースケースを組織変革のテコに簡単に始められる Technology である生成 AI はこれまでの技術に比べ扱いが容易。成功しやすいハイインパクトなユースケースを選択し、今後の変革を担う小規模かつ頻繁な改善ができるチームに託すことで組織変革を進める。 51 短期間での成功体験を積ませることで社内での浸透の弾みをつける Technology Process People

Slide 51

Slide 51 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 🤝チームの組成に重点 : ML Enablement Workshop 52 生成 AI を含めた AI/ML 技術を、プロダクトの成長に繋げられるチームを組成するためのワークショップ。 Amazon のプロダクト開発プロセスを実践 Working Backwards, 顧客の最終的な体験から逆算して発案することで顧客に必要とされない機能を作らない。組織の壁を越えた連携を実践ワークショップ後の自走を実践プロダクトマネージャー、開発者、データサイエンティストなど異なる職種が連携し 1~3 カ月で成果を得る計画を立てる。組成したチーム自身による会議体運営をワークショップ内で実践し、自走のイメージを獲得する。 AI/ML のお試し継続的成長資料は一般公開済

Slide 52

Slide 52 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 株式会社ココペリ様 “ワークショップでの顧客体験分析を通じ、もっともインパクトがある生成AIの用途を特定しタスクと効果測定 KPI を決められた” 活用いただいたお客様の事例 53 株式会社マネーフォワード様 “ワークショップによりプロダクトマネージャー、開発者、研究開発者共同でワークショップを行った結果、機械学習の推進に不可欠なロール間のコミュニケーションが生まれた。” 株式会社ジーニー様 “ワークショップの刺激的な体験を通じ、明確なアクションだけでなく良質な検討フレームワークを持ち帰ることができた” 三菱UFJ銀行様 “机上で考えるだけではない、実際にプロダクトを作るために進める実践的なワークショップで、全3回を経験して新しい思考回路に出会えた”

Slide 53

Slide 53 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 🚀 迅速な本番実装に重点 : AWS の生成 AI 活用開始プログラムの例 54 Amazon の顧客志向に基づき、お客様が生成 AI を活用する際の課題を徹底的に解決 ①有効なユースケースを特定できない ②実装能力・経験に不安がある ③検証中のコストに不安がある 2024 年から 5 社に提供、うち 1 社は 3 ヶ月で公開事例に、続いて 2 社も事例化 Amazon をはじめ EC 領域で生成 AI を活用し効果を出している企業の事例セッションを開催。事例で活用されたユースケースから、自社の課題に基づき最もインパクトの高いユースケースを選択する「ユースケース確定ワークショップ」を実施。ユースケースに特化した動かせるデモプログラムを提供。すぐに効果を試せるだけでなく、自社用途に合わせてカスタマイズする方法を学ぶ Prototyping Camp を提供。 3 ヵ月以内の本番稼働を条件に AWS のクレジットを提供。また、プロトタイピングチームによる無償の開発支援を提供。 ※本プログラムは窓口のある常設プログラムではありません。提供状況は AWS 担当にご確認ください

Slide 54

Slide 54 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 生成 AI のユースケースがすぐに試せるサンプルを公開 : 導入にかかる時間は 10 分前後 55 https://github.com/aws-samples/bedrock-claude-chat/tree/v1 https://github.com/aws-samples/generative-ai-use-cases-jp Generative AI Use Cases JP Bedrock Claude Chat

Slide 55

Slide 55 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 一歩踏み込んだ業界特化のデモにより高速なプロトタイピングを実現 https://aws.amazon.com/jp/blogs/news/aws-summit- 2024-retail-cpg-ec-genai-bedrock-demo-architecture/ EC 業界向け製薬業界向け物流業界向け https://aws.amazon.com/jp/blogs/news/aws- summit-japan-2024-hcls-booth/ https://aws.amazon.com/jp/blogs/news/aws- summit-japan-2024-awsvillage-logistics- industry/ 商品の背景画像生成等横断的な先行研究の調査・可視化等在庫状況に応じた質問回答等

Slide 56

Slide 56 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 🍵 顧客起点文化に重点 : Amazon 流のプロダクト作りを伝えるプログラム AWS Executive Insights で Amazon の継続的にイノベーションを起こす手法を発信。 AWS Executive Briefing Center (EBC) を活用し個別課題について具体的に話すことも可能。 57 https://aws.amazon.com/jp/executive-insights/ebc-executive-briefing-center/ https://aws.amazon.com/jp/executive-insights/

Slide 57

Slide 57 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 質問③ 自社の顧客起点文化、小規模なチーム、頻繁な実験の現状を改善するために最も役立ちそうな AWS の支援は ? 58 1. 小規模チームの組成を重視する「 ML Enablement Workshop 」 2. 短期間でのリリースで頻繁な実験を重視する「生成 AI 活用開始プログラム」 3. 顧客起点の文化を醸成する「 AWS Executive Briefing Center (EBC) 」

Slide 58

Slide 58 text

Slide 59

Slide 59 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 3 つの質問の答えをまとめ、推進シナリオを作る 60 有効なユースケース組織の状況推進シナリオ 0 1 2 3 4 0 1 2 3 顧客起点小規模チーム頻繁な改善どんな部門 / 顧客のどんなユースケースに注力するか ? どんなチームがどんなプロセスで実施すべきか ? 成果を短期間で積み上げ弾みをつけるために、 AWS のプログラムはどう活用できるか ? 1: Low, 2: Middle, 3: High インパクト 1: Low, 2: Middle, 3: High リスク

Slide 60

Slide 60 text

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. 推進シナリオの進め方 61 推進シナリオ作成ユースケース選定 People/Process の改革施策 AI CoE 等全社推進部門に提案導入にとどまらない会社レベルでの組織変革戦略を合意生成 AI 活用基盤構築生成 AI のリテラシー向上等を図る社内 Enablement など実施個別業務への最適化各部門の業務に応じ、データの充足やカスタマイズを実施外部サービスでの活用差別化につながるユースケースの特定、継続的なモデルの改善 AWS 生成 AI 事例集 EBC, (MLEW) 3 ヵ月以内の成果生成 AI 実用化推進プログラムで資金負担軽減 GenU 3 ヵ月以内の成果業界特化サンプル MLEW, 活用開始プログラム