Slide 1

Slide 1 text

1/84

Slide 2

Slide 2 text

2/84 はじめに 本セッションでは、大規模組織への生成AI導入と利 活用に必要となる組織的な取り組みと、LLMを活用し たゲーム開発支援機能の開発事例を紹介します。 組織が大規模になるほど、生成AIの導入や活用には 様々な困難が伴います。これらの課題を乗り越えるた めには、戦略的かつ全社的な取り組みが不可欠です。 本講演では、Cygamesにおける具体的な事例を交え ながら、そのアプローチと成果をご紹介します。

Slide 3

Slide 3 text

3/84 自己紹介 金井 大 AIテクノロジー / 専門役員 2014年、株式会社Cygamesに合流。 研究開発に従事した後、マネージャー およびエンジニア2部の部長を歴任。 2024年4月からは専門役員として、 ゲーム開発におけるAI技術の研究開発 と利活用の推進を統括している。 笠原 達也 AIテクノロジー / エンジニア 2023年より株式会社Cygamesに合流。 Unityエンジニアとしてコンテンツ開発 に従事し、現在はAIエンジニアとして 社内AIチャットサービスTaurusの開発 と運用に取り組んでいる。 都築 圭太 AIテクノロジー / エンジニア 2015年に株式会社Cygamesへ合流。 入社後はデータ分析基盤の運用開発や運 用タイトルの不正対策などに従事。現在 は社内AIチャットサービスTaurusの運 用やLLMを用いた業務改善の検証に取り 組んでいる。

Slide 4

Slide 4 text

4/84 アジェンダ • 会社紹介 • 生成AIの導入と利用を推進する組織的な取り組み • 社内AIチャットツール「Taurus」のしくみと運用 • ゲーム開発におけるLLMの活用 • まとめ

Slide 5

Slide 5 text

5/84 会社紹介

Slide 6

Slide 6 text

6/84 株式会社Cygamesについて 社 名:株式会社Cygames 設 立:2011年5月 住 所:東京都渋谷区南平台町16番17号住友不動産渋谷ガーデンタワー15階 事業内容:モバイルゲーム/コンシューマーゲーム/漫画/アニメ/ライツ/eスポーツ/技術研究/投資支援 最高のコンテンツを作る会社

Slide 7

Slide 7 text

7/84 ミッションステートメント みんなでたくさんゲームをやる 常に「チームサイゲームス」の 意識を忘れない 最強のブランドを目指す

Slide 8

Slide 8 text

8/84 生成AIの導入と利用を推進する 組織的な取り組み

Slide 9

Slide 9 text

9/84 生成AIの導入と利用における課題 • 使い方や技術的な詳細がよくわからない • 既存のワークフローが大きく変わってしまう • 自分たちの仕事がなくなってしまうかも? • 倫理的もしくは法律的な懸念がある • そもそも使って良いの? 生成AIの導入は大きな変化=不安とリスク これらを戦略的に取り除く必要がある

Slide 10

Slide 10 text

10/84 不安とリスクを取り除くための取り組み 1. 生成AIを主業務とする組織をつくる – 兼任すると、どうしても主業務が優先されてしまう – 生成AIを主業務とする組織を作ることで、この課題を解決する 2. 生成AIを安全に使うためのルールの策定 – 「自由に使ってください」は逆に使いにくい – 利用のためのガイドライン、問い合わせ窓口を整備する 3. 安心して生成AIを使うための環境の整備 – ガイドラインに沿ったツールや利用に関する情報を発信 – 安心・安全に利用できるようにする

Slide 11

Slide 11 text

11/84 生成AIを主業務とする組織をつくる

Slide 12

Slide 12 text

12/84 「生成AI活用委員会」について 2023年4月に「生成AI活用委員会」を発足 情報システム部門など複数の部署が参加 生成AIの利用を促進、 ナレッジを蓄積し 社内のAIリテラシーを向上 ゲーム開発と運用にて 生成AIを安心/安全に 利用できるように 業務効率化が生成AIで 可能か、どこまでできるか 明らかにする 生成AIの全社的な導入と利活用の推進を開始

Slide 13

Slide 13 text

13/84 生成AI活用委員会の活動内容 1. 生成AI利用のガイドライン策定 2. 様々な生成AIサービスやツールの利用可否の判断 – ChatGPT/GitHub Copilot/etc.. – Microsoft Azure/OpenAI API/Amazon Bedrock/etc.. – LLMなどのモデルも含む 3. 社内における利用促進施策の実施 – 社内広報サイトによる連載記事 – Slackチャンネルによる互助会 4. 生成AIを用いたツール開発や検証の支援

Slide 14

Slide 14 text

14/84 生成AI活用委員会における活動の課題 1. 委員会メンバーには主業務が存在しており、 繁忙期にはそちらが優先される 2. メンバーはAIスペシャリストではないため、 専門性が高い要素がわからない AI専門部署「AIテクノロジー」を設立

Slide 15

Slide 15 text

15/84 AI専門部署「AIテクノロジー」について 専門役員 AIテクノロジー クリエイティブチーム 画像や動画生成AIといった クリエイティブな生成AIの研究 チーム 部署 LLMチーム LLMやエージェントの研究開発と ゲーム開発業務への応用 先端コンテンツチーム 先端技術を活用した コンテンツ開発と支援 強化学習チーム 強化学習を活用した ゲームのバランス調整やデバッグ 2024年2月設立、AIサービスの開発やAIの研究開発を行う

Slide 16

Slide 16 text

16/84 AIテクノロジーの活動内容 1. AI技術やAIサービスの調査・研究・実証 – 最新AI技術や既存AIサービスの研究調査や技術の進展の分析 2. AIによる具体的なゲーム開発支援 – AIを用いたWebサービスやツールの開発と運用 3. Webサービスやツール上での検証や実証 専門性が高いメンバーが作業を専任することで より高度な課題が解決できる

Slide 17

Slide 17 text

17/84 生成AIを安全に使うためのルールの策定

Slide 18

Slide 18 text

18/84 生成AIガイドラインの策定 上記を元にガイドラインを明文化し Confluenceにて全スタッフが閲覧可能とする 生成AI 生成AIへの入力に 関するルール 生成AIからの出力に 関するルール • どの生成AIの利用を 許可するか? • データセットの出自 や学習の有無をもっ て判断 • 生成AIの出力を適応 できる業務領域と範囲 (コンテンツに含めない) • 出力結果の確認と編集、 トレーサビリティ • 業務情報の入力を どこまで許可するか • 著作権法や 個人情報保護法などへの 法令順守

Slide 19

Slide 19 text

19/84 全社的な生成AI研修の実施 ガイドラインの徹底と生成AIの現状に対応するため、 2025年4月に全社的な生成AI研修を実施(受講率は99%以上) 管理職・一般職に向けて研修体系を分ける 生成AIの仕組みをわかりやすく解説

Slide 20

Slide 20 text

20/84 安心して生成AIを使うための環境の整備

Slide 21

Slide 21 text

21/84 安心して生成AIを使うための環境 2023年当初はEnterprise契約がない生成AIが多く、 利用において様々なリスクがあった。 AIチャットツールを開発・運用することで 業務改善と生成AIの研究開発が両立可能に 2023年5月にSlackアプリ「Cygnus」をリリース 入力が学習に使われず、全スタッフが安心して生成AIを利用可能 2023年11月には、Webアプリ「Taurus」の開発をスタート RAGにより社内ナレッジと連携して業務効率を改善

Slide 22

Slide 22 text

22/84 組織の設立とAIチャットツールの導入 2023年4月 「生成AI活用委員会」 が発足 2023年11月 Webアプリ 「Taurus」 アルファ版公開 2024年2月 「AIテクノロジー」 部署の設立 2025年4月 「Gemini Pro」を 全社へ展開 2023年5月 GPT-3.5搭載の Slackアプリ 「Cygnus」社内公開 2024年1月 ChatGPT Team を導入 2025年1月 ChatGPTを Enterpriseへ移行

Slide 23

Slide 23 text

23/84 各AIチャットツールの利用状況(2025年6月) 様々な業務内容に対応できるよう 幅広いスタッフへAIチャットツールを展開 各サービスにおけるライセンス状況 ChatGPT:1000シート Gemini 全社展開 Cygnus:全社展開 Taurus :全社展開 :

Slide 24

Slide 24 text

24/84 各AIチャットツールの利用状況(2025年5月) 全スタッフで換算すると、一日2回は 何らかのAIチャットツールを利用している 各サービスにおける1か月あたりの利用回数(リクエスト数) ChatGPT:70551回 Gemini : Cygnus:24525回 Taurus :53664回 27136回

Slide 25

Slide 25 text

25/84 このパートのまとめ • 生成AIの導入と活用には、不安とリスクを取り除き、 利用者が生成AIを安心して利用できる環境を整備 する必要があります • 環境整備は、スタッフ個人の活動に頼るのではなく、 組織的なサポートを行う必要があります • 委員会のような全社横断で活動する組織だけでなく、 AIについて専門的に活動する組織を設立することで、 生成AIの利活用を加速させることができます

Slide 26

Slide 26 text

26/84 社内AIチャットツール 「Taurus」のしくみと運用

Slide 27

Slide 27 text

27/84 アジェンダ • Taurusのシステム概要 • RAGの精度を上げるためのアプローチ • 運用面の取り組みと利用状況 • 今後の展望

Slide 28

Slide 28 text

28/84 Taurusのシステム概要

Slide 29

Slide 29 text

29/84 Taurus(タウラス)とは? CygamesスタッフのAIリテラシーの向上と、 業務の効率化を目的として社内で開発された、 AIチャットを行なうWebサービスのこと。 自社で開発した生成AIツールを用いることで、 スタッフが安心・安全に生成AIを利用でき、 業務で生成AIを体験する機会が増えることで AIリテラシーの向上に寄与する

Slide 30

Slide 30 text

30/84

Slide 31

Slide 31 text

31/84 Taurusが持つ機能 以下の情報へ接続 • 社内報 • スタッフ情報 • フロアマップ • 会社近辺の飲食店情報 • ソフトウェア利用可否 • 書籍管理システム • フローティングライセンス管理 以下のLLMを利用可能 • GPT-4o • GPT-4.1 • o4-mini • o4-mini-high • o3 • Claude 3.7 Sonnet • Claude Sonnet 4

Slide 32

Slide 32 text

32/84 Taurusが持つ機能について 社内のナレッジベースやスタッフ情報、外部Webサイトの情報を RAGにより横断的に検索し、LLMにより的確な回答を行うことが可能。 ゲーム会社ならではの機能も搭載 会話履歴の保存・読込 画像の認識 キャラクター口調の再現

Slide 33

Slide 33 text

33/84 認証 Taurusのアーキテクチャ バックエンド Elastic Load Balancing Amazon EC2 Amazon RDS モニタリング Amazon Cloudwatch LLM Azure AWS Amazon Bedrock Anthropic Claude ナレッジ Confluence + Azure API Management Azure OpenAI Service 社内情報 PTU PayG Azure AI Search Datadog Bing Web Search API Confluence API Microsoft Entra ID Amazon ElastiCache Amazon S3 ユーザー OpenAI OpenAI API • 社内報 • スタッフ情報 • フロアマップ • 書籍管理システム • etc…

Slide 34

Slide 34 text

34/84 Microsoft Azure OpenAIについて GPT-3.5、GPT-4、GPT-4oといった複数モデルの 管理のために導入。各モデルのデプロイと、 リクエスト数やrate limit、コストを管理している。 特にGPT-4oについて、PTU(Provisioning Throughput Unit) 契約を行い処理能力を確保することで、 大量のリクエストに対して安定した運用を実現 ※処理能力 = 入出力トークン数 * リクエスト数 PTU契約によりスループットを確保し 社内のGPT-4oの利用を一元化 Azure API Management Azure OpenAI Service PTU PayG Azure

Slide 35

Slide 35 text

35/84 Azure API Managementについて PTUはバーストを許容するが、1PTUを全社利用 するとrate limitを超える可能性がある。 API ManagementによりPayG(従量課金) への フォールバックを設定したエンドポイントを 用いることで、この問題を回避する。 API Managementにてエンドポイントごとに 適切なrate limitを設定することで、1つのPTU を複数の用途で利用する際に、優先順位の設定が 可能となる。 Azure API Management Azure OpenAI Service PTU PayG Azure

Slide 36

Slide 36 text

36/84 PTUのメリットとデメリット ● 安定した性能・低レイテンシ – スループットプロビジョンにより ピーク時でも遅延が少なく、安定し たパフォーマンス・高スループット が得やすい ● コスト効率 – 支払い金額がトークン数や リクエスト数に依存しない ● SLA – ビジネス利用における信頼性が高い ● 初期費用と契約コミット – 月額固定費用が発生する。契約は最低 月間ベース、利用が減るとコスト効率 が悪化する ● ワークロード予測と運用負荷 – 適切なPTU数の算出には、1分あたり のトークン処理数の見積りが必要 ● 柔軟性 – 自動スケールしない。リージョン別の クォータやPTU割り当てが必要

Slide 37

Slide 37 text

37/84 Amazon Bedrockについて AWSが提供するフルマネージド・サーバーレスの生成 AI基盤。複数のファウンデーションモデル(Anthropic、 Cohere、Stability、Meta、Amazonなど) を単一APIで利用可能。 Anthropic系のLLMに関してモデルの追従速度が速く (Claude Sonnet 3, 3.5, 3.7, 4 は全て即日対応) 、EC2、Lambdaなどの AWSサービスを利用している場合、迅速かつ容易な 導入が可能 Amazon Bedrock Anthropic Claude TaurusはAWSでバックエンドが構築されており、 容易にClaude対応が可能 AWS

Slide 38

Slide 38 text

38/84 RAGの精度を上げるためのアプローチ

Slide 39

Slide 39 text

39/84 RAGとTool Useについて RAG(Retrieval Augmented Generation)とは プロンプトに対して、 外部データを検索して得られた 情報を付加する手法のこと Tool Useとは プロンプトに応じて、 利用すべきツールとパラメータを LLMが選択する機能のこと LLMが知らない知識を外部データで補い 回答のハルシネーションを抑制する RAG(Retrieval Augmented Generation)とは Tool Useとは

Slide 40

Slide 40 text

40/84 TaurusにおけるRAG Taurusでは質問に応じたデータソースを検索し、結果をプロンプトに 含めることで、RAGを実装している。検索するには、1. 正しいデータ ソースを選択し、2. 検索キーワードなど、検索APIごとのパラメータを 決める 必要がある。TaurusではTool Useを利用して、これを実現して いる。 LLMが検索するデータソースと APIのパラメータを選択 検索結果を LLMが受け取る Tool Use ユーザーが 会議室のルールが 知りたいと質問 ユーザーは データに基づいた回 答を受け取る RAG 検索を実行 Confluence … 社内報 データソース 1 2 4 3 6 LLMは受け取った 結果に基づいて 回答を生成 5

Slide 41

Slide 41 text

41/84 適切なRAGを行うための認可 RAGの対象となる情報は、利用者ごとにアクセスできる 範囲が異なるため、適切な認可を行う必要がある。 Taurusでは、大きく全社共通のアクセス制御と 個人単位のアクセス制御に分けて認可を行う ナレッジ種別 認可 認可方式 備考 Confluence 個人単位 OAuth 2.0 ページごとに権限が異なる その他のナレッジ 全社共通 Microsoft Entra ID 社員であれば全員同一権限

Slide 42

Slide 42 text

42/84 ConfluenceへRAGを行うための認可 Cygamesが利用するConfluence Data Center製品にて、 Confluence全体をRAGの対象とできるよう、個人やチーム メンバーなどアクセスが制限されているページについても 適切に検索できる認可が必要となった OAuth 2.0にて認可したアクセストークンで 「Confluence REST APIによる検索」を行い、 ユーザーがアクセスできるページのみをRAG対象とする

Slide 43

Slide 43 text

43/84 Confluenceにおける検索精度の課題 Confluence APIにおける検索機能では、検索キーワードと 文書内の文言が完全一致しないと目的のページへ到達できな いため、Confluence内に情報があるにもかかわらず ユーザーがその情報へ辿り着けないという課題がある 「夏休みって いつから?」を質問 ● ~… ● ~… ● ~… LLMが検索ワードとして 「夏休み」を決定 「夏休み」では 検索にヒットせず LLMは 「情報なし」と判断 Confluenceの 情報に到達できない 夏期休暇について 1 2 3 5 4

Slide 44

Slide 44 text

44/84 マルチクエリ検索の検討 検索のヒット率向上のため、複数の検索クエリを生成して並列に検索、 それらの検索結果を統合するアプローチ(マルチクエリ検索) を検討したが、 LLMによるクエリ生成が安定せず、結局欲しい情報が得られなかったり、 逆にノイズを生み出すパターンもあった 一定の改善が見られたが根本解決に至らず、対応は見送り 単3電池が欲しい時の 問い合わせ先を教えて 「単3電池 問い合わせ」 「単3電池 購入」 「単3電池 調達」 乾電池の利用案内 「単3電池」ではヒットせず 夏休みっていつから? 「夏休み 期間」 「夏期休暇 時期」 「サマー休暇 いつ」 夏期休暇について 「夏期休暇」でもヒットする

Slide 45

Slide 45 text

45/84 ベクトル検索(意味に基づく検索) Azure Blob Storageへファイルを格納し、 ファイルごとにembeddingを含めたIndexを 作成することで、Azure AI Searchによる ベクトル検索(意味に基づく検索) が実行可能となる。 ただし、Azure AI SearchではConfluenceの ページごとの認可を解決できないため、publicな ページのみをIndex化して対処する必要がある Confluence Azure Blob Storage データ取り込み+Index化 Azure AI Search ベクトル検索(意味に基づく検索) により 「単3電池」「乾電池」のような 表記揺れを解決した検索が可能となる

Slide 46

Slide 46 text

46/84 Taurusにおける最終的なアプローチ ベクトル検索だけではprivateページへのアクセス問題を 解決できないため、Confluence APIを用いた 従来型の検索と組み合わせることで、解決を試みる privateなページ(限定公開) は OAuth認証による認可に基づき Confluence APIで検索する publicなページ(全体公開) は Azure AI Searchを用いた ベクトル検索を行う 2つの検索結果を組み合わせる事で認可の問題に対応

Slide 47

Slide 47 text

47/84 ハイブリッドアプローチの結果 検索精度の改善に関してユーザーにアンケートを実施 半数以上のユーザーが改善されたと回答 非常に改善された やや改善された 変わらない やや悪化した 非常に悪化された 以前の検索機能を 使用していないので比較できない 42.1% 21.1% 18.4% 2.6% 5.3% 10.5%

Slide 48

Slide 48 text

48/84 LLMの性能向上に伴うRAG精度の改善 LLMの性能向上に伴い、検索対象やキーワード選定 の精度が向上、自発的に複数の対象を検索したり、 キーワードを変えながら検索するなど、 RAGの検索精度が向上することがわかっている。 一方で、検索精度の向上を LLMのみに依存することは、検索時間の増大や トークンの消費にもつながる 検索応答性やトークン消費改善に ベクトル検索は必要。 LLMは複数から選択できると良い

Slide 49

Slide 49 text

49/84 運用面の取り組みと利用状況

Slide 50

Slide 50 text

50/84 開発方針と運用開始初期の状況 取り急ぎRAGを搭載したAIチャットアプリを開発し、 それをスタッフに使ってもらうことから開始。 運用を開始すると、スタッフの生成AIへの期待と実機能と の差異や、回答の精度や生成速度に関するフィードバックが 多数寄せられた。 また、スタッフ間で生成AIツールへの習熟度の違いも あったため、ユーザーからのフィードバックによる 機能改善や、社内広報や啓蒙活動といった施策を開始

Slide 51

Slide 51 text

51/84 ユーザーフィードバックと機能改善のプロセス 追加機能などの要望をSlackの互助会 チャンネルにて募集し、要望への投票を 呼びかけて投票数の多いものから順次対応 Good, Badやコメントを送れるフィードバック 機能をTaurusに搭載。月に約100件の フィードバックが寄せられた Taurusの利用方法に関するナレッジの不足、 検索精度の課題や、ハルシネーションを判断 するための情報の提示が足りない事がわかり、 改善に生かすことができた

Slide 52

Slide 52 text

52/84 社内広報と啓蒙活動 • Taurusの使い方、生成AIに関する解説記事と 動画を複数リリース • Slackの互助会チャンネルにて ユーザーからの情報発信を促進 • Taurusの利用に関するアンケートを実施 • 社内カンファレンスでTaurusの開発に関する講演を実施

Slide 53

Slide 53 text

53/84 月毎の投稿数とアクティブユーザー数 0 200 400 600 800 1000 1200 1400 1600 0 10000 20000 30000 40000 50000 60000 7月 8月 9月 10月 11月 12月 1月 2月 3月 4月 5月 2024年7月のリリース以後、順調に利用件数が増加 2025年5月時点のMAUは約1400人(全スタッフの4割程度) (回) (人)

Slide 54

Slide 54 text

54/84 今後の展望

Slide 55

Slide 55 text

55/84 今後の展望 Taurus自体はChatGPTなどのAIチャットサービスと競合 するため、無計画な機能拡張は難しく、開発と運用の継続に は目的を明確にする必要がある 社内カレンダーや業務情報との密な連携など、 社内開発のメリットを最大限に生かしつつ、 生成AIに関する研究開発の場として活用を進める システムの拡張を続けるとその保守コストが課題となるため、 MCPやエージェントなどの新しい技術を活用してシステムを 疎にし、一定の保守性を保つ必要がある

Slide 56

Slide 56 text

56/84 ゲーム開発におけるLLMの活用

Slide 57

Slide 57 text

57/84 アジェンダ • バグチケット作成効率化 • 投稿内容のポジネガ分析 • 画像モデレーション(検証中)

Slide 58

Slide 58 text

58/84 バグチケット作成効率化

Slide 59

Slide 59 text

59/84 バグチケット作成効率化: 概要 バグチケット起票時に、複数の項目を 手動で埋める必要があり、手間がかかる。 ※チケット起票時に記入する項目 チケット内容の一部は過去チケットと類似している。 そこを自動で埋められれば効率化できる? 課題 仮説 発生箇所, 再現手順, 正しい挙動, 再現バイナリ, 再現バージョン など

Slide 60

Slide 60 text

60/84 チケット名 チケット本文 チケット名から、過去のチケットを参考に 指定のフォーマットに合わせてチケット本文を生成する バグチケット作成効率化の目標 キャラXがシーンYで メガネをかけてない ■詳細: キャラXがシーンYでメガネをかけていない ことを確認しました。こちらご確認のほどよろしく お願いいたします。 ■発生箇所: シーンY ■手順 1.デバコマ>シーン移動>キャラビュアーに遷移 2.「キャラX」> 「シーンY」>の順にタップ ■正しい挙動: メガネをかけていること ■発生頻度: 3/3 ■発生したバイナリ: yyyy/mm/dd 開発版

Slide 61

Slide 61 text

61/84 最終的に作ったもの 起票をサポートする専用アプリを開発し、利用者へ提供

Slide 62

Slide 62 text

62/84 アプリ開発までの経緯 当初はチケットを起票するデバッグチームがカスタムGPTを 作っていた。利用者が試行錯誤しやすくするため。 カスタムGPTでもある程度機能したが、以下の課題があった 課題解決のため、AIテクノロジーで専用アプリを開発 • 利用者数をスケールさせることが難しい カスタムGPTの利用にはChatGPTのアカウント発行が必要なため • カスタムGPTの出力が安定しない Web版ChatGPTの挙動が急に変わることがあるため。

Slide 63

Slide 63 text

63/84 専用アプリ開発のメリット/デメリット • ChatGPTのアカウント料金と比べて、 OpenAIのAPIの方が安い。特に、Azure OpenAIのPTUを 利用する場合、定額利用できる • API利用であればモデルのバージョンを固定できる メリット デメリット • 実装と運用の開発に工数がかかる

Slide 64

Slide 64 text

64/84 アプリ実装上の工夫 データを精査して、単純に実装する • 当初は過去チケット情報が全て必要と思われていたため、 RAGなどの対応が必要になる想定だった • しかし、参照するチケット数を削減しても期待した出力が 得られることがわかった。結果、複雑なプロンプトエンジ ニアリングが不要となり、実装工数を削減できた – 見直し前: 約11万行, 2.15Mトークン – 見直し後: 約2,300行, 40kトークン

Slide 65

Slide 65 text

65/84 実際に利用しているプロンプト シンプルに1つのプロンプトを実行するだけの実装 • 参考とする過去チケットはRAGなど使わず全てプロンプトに含める • 再現バージョンなど日々変わるものは、実行時に固定値として入れる あなたは不具合の情報を伝えるAIです。以下の指示に従って、報告文を作成します。 【概要】 チケットに記載する項目の概要 【不具合報告文作成のルール】 文体のルール 【手順】 カテゴリごとに決められた確認手順の方法 【参考チケット】 実際のチケットを縦に並べたもの。2000行程度 プロンプトのイメージ

Slide 66

Slide 66 text

66/84 アプリ運用上の工夫 マネージドサービスを採用して、運用工数を下げる AWS App Runner + S3 の構成で提供 AWS App Runner: コンテナなどのホスティングサービス AWS App Runner Amazon S3 ユーザー アプリへのアクセス データの保存・取得 • EC2やECSと比較して、必要な設定が少なく手軽に利用できる。 • デプロイ時のダウンタイムが少ない。 裏で新バージョンを準備し、準備できたら自動でルーティングが切り替わる

Slide 67

Slide 67 text

67/84 アプリの導入結果 • 4タイトルで導入・検証中 • ツール導入の効果: 0.3人日/月 程度 • 2025年1月~5月で合計283件の利用 • 1件あたりの短縮時間: 3分/件(5分→2分) • 283件 x 3分/件 ≒ 14.15時間

Slide 68

Slide 68 text

68/84 バグチケット作成効率化: 得られた知見 • プロンプトやシステムなど、全てをエンジニアが 管理するのではなく、プロンプトを利用者が管理 することで、エンジニア・利用者ともに 工数を削減することができる • RAGなどのプロンプトエンジニアリングを 使わずに、入力データを見直すことで、 開発工数を下げられる場合がある。

Slide 69

Slide 69 text

69/84 投稿内容のポジネガ判定

Slide 70

Slide 70 text

70/84 ※ ゲームの要素の例 課題 仮説 ストーリー・難易度・マッチング など 投稿内容のポジネガ分析: 概要 SNSなどに寄せられた投稿から、ユーザがゲーム内の どの要素に対してどう感じているのかを分析したい。 しかし、投稿数が多くて大変。 LLMを使えば、専用の機械学習モデルなど なしでも分類できるのでは?

Slide 71

Slide 71 text

71/84 投稿内容から全体としてのポジネガと、 カテゴリごとのポジネガを分類する 投稿内容のポジネガ分析: 目標 アクションが楽しい! マッチングに時間かかるのだけ なんとかして欲しいけど、 おすすめはできる。 シナリオも熱かった 感想の投稿 • 全体: ポジティブ • ポジティブなカテゴリ: 操作感, シナリオ • ネガティブなカテゴリ: マッチング 判定結果

Slide 72

Slide 72 text

72/84 投稿内容のポジネガ分析: 利用プロンプト 100件のデータについて手動でラベリングを実施し、 それをプロンプトに加えるfew-shot promptingを実施した あなたは[タイトル]の感想を判定するAIです。 # 判定の定義: - ポジティブ: 好意的な意見を述べている場合。 - ネガティブ: 否定的な意見を述べている場合。 - ニュートラル: 特に好意的でも否定的でもなく、客観的 な情報や意見を述べている場合。またはゲームと無関係 なことを述べている場合。 # 判定結果例: (以下100個ほど縦に並ぶ) テキスト: [実際の投稿] 判定: ポジティブなカテゴリ: ネガティブなカテゴリ: システムプロンプトのイメージ # 入力テキスト [実際の投稿] # 分析する観点 [分析対象のカテゴリ] # 出力フォーマット {{ "explanation": str(日本語), "positive_categories": ["str"], "negative_categories": ["str"], "sentiment": "pos" | "neg" | "neutral” }} ユーザープロンプトのイメージ

Slide 73

Slide 73 text

73/84 投稿内容のポジネガ分析: 結果 • 実施件数: 38750件(900件以上が英語) • 分析精度: 概ね8割程度 • ポジ/ネガ/ニュートラルの判定 86.5% (173/200) • カテゴリの判定 81.5% (163/200) • 効果: 約4営業日分の時短効果 • 約20件/分(0.05 分/件)かかる作業を自動化 • 38750 件 * 0.05分/件 ≒ 約33時間 ≒ 4営業日

Slide 74

Slide 74 text

74/84 投稿内容のポジネガ分析: 得られた知見 • 基本的な感情分類であれば、 汎用LLMでも十分に解決可能 • TaurusのようなチャットUIだけでなく、 LLMをバッチ実行できる環境があれば、 より効率化を進められる可能性がある

Slide 75

Slide 75 text

75/84 画像モデレーションの効率化

Slide 76

Slide 76 text

76/84 画像モデレーションの効率化: 概要 LLMにチェック項目を指示することで、 人間のような違反項目の指摘が実現できる? 課題 仮説 画像コンテンツについて、倫理面や海外の文化に 違反していないかなどのチェックが必要。 現状、専門チームが目視でチェックしており、 大変なので効率化したい。

Slide 77

Slide 77 text

77/84 画像からその画像のリスクの度合いと、その理由や 対応方針を説明するフィードバック文章を生成する 画像モデレーションの効率化: 目標 画像 フィードバック文章 リスクレベル: 中 地域によっては、骸骨表現が不適切とされます。 他の表現に置き換えられないか、検討してください

Slide 78

Slide 78 text

78/84 画像モデレーションの効率化: 提供ツール 入力画像のチェックツールを作成し、検証中

Slide 79

Slide 79 text

79/84 画像モデレーションの効率化: 実行例 検証中ではあるが、プロンプトで指示した内容が指摘できる ▼事案:骸骨表現 ▼リスク:中 ▼理由:中国の倫理規定では骸骨をモチーフにしたキャラクターや デザインが禁止される場合があります。特に中国市場向けの コンテンツでは、骸骨表現が不適切とされる可能性が高いです。 ▼対策: 1. 中国市場向けの場合、骸骨モチーフを避けるか、別のデザインに 変更することを検討してください。 2. 骸骨のデザインを抽象化し、骨の形状を直接的に連想させない形に 修正する。 3. コンテンツの文脈やターゲット市場を明確にし、必要に応じて 注意喚起文を追加する。

Slide 80

Slide 80 text

80/84 画像モデレーションの効率化: 知見 • モデレーションの結果はクリエイターへ フィードバックする必要があるため、 なぜNGなのかを言語化できることが重要。 LLMを利用することで、修正が必要な理由を 説明できる • プロンプトを利用者が修正できるように 実装を行うことで、出力やチェック項目を 利用者が主体的にカスタマイズできる

Slide 81

Slide 81 text

81/84 このパートのまとめ • 課題を持つスタッフがプロンプトを触ることで 検証・開発のスピードを高速化することができる • 上記の実現には、課題感をもつスタッフにも 生成AIの理解とAIリテラシーが必要となる • その上で、生成AIをスタッフが安心して 試行錯誤できる環境を提供する必要がある

Slide 82

Slide 82 text

82/84 本セッションのまとめ

Slide 83

Slide 83 text

83/84 本セッションのまとめ 生成AIの導入と利用を進めるために組織的な取り組み を行い、不安とリスクを取り除く必要があることを 述べました。 社内AIチャットツール「Taurus」のしくみと運用に ついて紹介し、開発効率を改善するためのシステムと その構造を説明しました。 ゲーム開発におけるLLMの活用事例を紹介しました。

Slide 84

Slide 84 text

84/84