タレントマネジメント × 生成AI　BtoBで使える製品にするまでの裏話

Slide 1

Slide 1 text

Slide 2

Slide 2 text

© 2025 Works Human Intelligence Co., Ltd. 2 ⾃⼰紹介吉田治史 / YOSHIDA Harufumi ■入社年 2006年入社 ■経歴・仕事内容アプリケーション開発エンジニア、 SaaS製品の立ち上げ SREを経て、現在は、タレントマネジメント製品の生成 AI機能を担当 2022 APN AWS Top Engineer ■好きな言語 AWS CDK, Typescript ■趣味旅行 / サウナ / ゴルフ

Slide 3

Slide 3 text

© 2025 Works Human Intelligence Co., Ltd. 3 株式会社Works Human Intelligenceについて ※1 2022年度 ERP市場 - ⼈事‧給与業務分野：ベンダー別売上⾦額シェア出典：ITR「ITR Market View：ERP市場2024」 ※2 従業員数3,000⼈以上の法⼈ ※3 当社調べ ※4 2024年12⽉末時点の契約法⼈における「COMPANY ⼈事」の契約ライセンス数合計⼈事‧給与業務分野シェアNo.1※1 国内⼤⼿法⼈※2の 3社に1社※3が利⽤管理データ数 540万⼈※4 ソリューション今後の戦略会社概要会社名事業内容設⽴年従業員数株式会社Works Human Intelligence ⼤⼿企業向け統合⼈事システム「COMPANY」の開発‧販売‧サポート、HR関連サービスの提供 2019年8⽉1⽇ 2,198名（連結）※ ※2024年12⽉末時点 AI‧データ活⽤のための新部⾨設⽴⼈的資本マネジメント強化前代未聞の⼤規模クラウドシフト WHIエンジニアの魅⼒フルスタック開発豊富な学習機会⼤規模なERP開発

Slide 4

Slide 4 text

© 2025 Works Human Intelligence Co., Ltd. COMPANYについて 4 COMPANYシリーズは1996年の誕⽣以降、膨⼤なデータを蓄積する⼈事管理製品を中⼼に業務を効率化するサービスから⼈材戦略を実現するサービスまで領域を拡⼤してきました。勤怠管理⼤企業で必要とされる多種多様な勤務形態に柔軟に対応シームレスな情報連携による勤怠状況の⾒える化 ID管理⼊社予定者からの情報をシステムに⾃動連携し、業務効率化を実現タレントマネジメント従業員のタレント管理やスキルの向上、それらを適切に配置する戦略⼈事を実現給与計算給与計算における煩雑な⼀連の処理を豊富な標準機能で⾃動化⼈事管理⼈事情報の収集‧履歴管理と可視化を実現シームレスな情報連携によりセキュリティレベルの⾼い運⽤正確な情報を⼿間なく連携雇⽤⼿続管理⼈事データベースと連動し、⼊退社や異動に伴うアカウント管理を⽀援給与計算に必要な情報を連携最新かつ正確な情報を活⽤

Slide 5

Slide 5 text

© 2025 Works Human Intelligence Co., Ltd. 5 どのような⽅向けの発表かタレントマネジメント製品に⽣成AIを利⽤した機能をつけてきた過程をお話しします。 ● これから⽣成AI機能を開発していきたい開発者 ● AI機能の要件定義やアーキテクチャ設計を担当するエンジニア ● LLMやRAG構成の実務的課題と解決事例に興味がある⽅ ● SaaSや業務システムでAI活⽤を検討しているPdM‧技術リードを想定しています。あくまでー例として、参考になれば幸いです。

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

© 2025 Works Human Intelligence Co., Ltd. 11 検索の仕組み検索精度改善検索  要約文  AI 社員データ  AI COMPANY Bizmatchでは、2ステップで⽣成AIを利⽤しています。 ● あらかじめ、資格‧免許‧業務経験歴‧研修受講歴‧評価結果‧キャリアプラン申告などの社員データに基づき、社員の特徴が詰まった要約⽂を作成します。 ● 検索⽂と各社員の要約⽂のマッチ度‧マッチ理由を判断し検索します。

Slide 12

Slide 12 text

Slide 13

Slide 13 text

Slide 14

Slide 14 text

Slide 15

Slide 15 text

© 2025 Works Human Intelligence Co., Ltd. 15 意図を解釈した検索例えば、英語が得意な⼈と検索してTOEIC 700点以上の⼈を釣りたい検索精度改善 18000名 1000名程度 100名 50名手法精度速度コスト改善策 / (代替案) ベクトル検索 (Aurora pgvector) 低意図を汲み取った検索は難しい高速低・チャンキング・クエリ拡張・ハイブリッド検索 LLMリランキング (Cohere Rerank 3.5) 中高速中・(コサイン類似度でランキング ) LLM (Claude 3.5 Haiku) 高普通高・プロンプトの改善 RAGを参考にしたが、ベクトル検索に期待しすぎて使い所を誤っていた

Slide 16

Slide 16 text

© 2025 Works Human Intelligence Co., Ltd. 16 意図を解釈した検索 RAG(ベクトル検索)をやめ、すべてLLMで処理することに検索精度改善 18000名 50名手法精度速度コスト改善策 / (代替案) ベクトル検索 (Aurora pgvector) 低意図を汲み取った検索は難しい高速低・チャンキング・クエリ拡張・ハイブリッド検索・ルールベースでフィルタ LLMリランキング (Cohere Rerank 3.5) 中高速中・(コサイン類似度でランキング ) LLM (Claude 3.5 Haiku) 高普通高・プロンプトの改善検索速度より精度優先した。あらたに生成AIへのリクエスト増による、コスト対策や安定化が課題に

Slide 17

Slide 17 text

Slide 18

Slide 18 text

© 2025 Works Human Intelligence Co., Ltd. 18 意図を解釈した検索検索精度改善アプリ安定化生成AIモデルの呼び出しは、   1分あたり〇リクエストまでとクオータが決められている   クオータを超えないようコントロール     ・非同期処理化（大量の検索リクエストを順番に捌く）   ・並列処理LLM呼び出し   ・リトライ処理    複雑になりやすいこれらの処理をStepFunctionで実現     変更後の検索ロジック 1. 対象社員全員をLLMでマッチ度、マッチ理由⽣成 2. マッチ度でソートして返す

Slide 19

Slide 19 text

Slide 20

Slide 20 text

Slide 21

Slide 21 text

© 2025 Works Human Intelligence Co., Ltd. 21 検索したいデータが⼊っていない実務で使おうとすると、検索したいデータがそもそも⼊っていない場⾯に遭遇するように例えば、、データ不⾜対策本⼈の志向‧希望を⾒て⼈を探したいが、異動OKかどうかのフラグはあっても、具体的に何をしたいかは⼊っていない具体的な実務経験に応じて⼈を探したいが、⼤まかな仕事内容はわかっても細かいタスクレベルの情報が⼊っていない

Slide 22

Slide 22 text

Slide 23

Slide 23 text

© 2025 Works Human Intelligence Co., Ltd. 23 AIを使ってサジェストするいろいろなサジェストを本⼈に提供する部分は、⼊⼒された情報に基づいて⽣成AIで判定する   データ不⾜対策ロールモデルサジェストロジック 1. 対象社員の要約を取得 2. ロールモデルに指定された社員の要約を取得 3. Geminiに1と2を与え、どのようなスキルをつけた⽅がいいかを⽣成させる

Slide 24

Slide 24 text

Slide 25

Slide 25 text

Slide 26

Slide 26 text

Slide 27

Slide 27 text

© 2025 Works Human Intelligence Co., Ltd. 27 テナントごとのAIコスト可視化マルチテナントなサービスで、テナントごとの⽣成AI利⽤コストを⾒える化する AIコスト可視化 Amazon Bedrock アプリケーション推論プロファイルを使って、テナントごとのコスト配分タグを追加する AWSマネジメントコンソールのコストエクスプローラー Google Cloud Vertex AI ラベルを使って、テナントごとのコスト配分タグを追加する Google Cloudコンソール

Slide 28

Slide 28 text

Slide 29

Slide 29 text

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Slide 32

Slide 32 text

© 2025 Works Human Intelligence Co., Ltd. 32 まとめ弊社製品に⽣成AIを利⽤した機能をつけてきた際に、発⽣した課題と対策について3つのテーマでお話ししました。 ● 検索精度改善 ● データ不⾜解消 ● AIコスト可視化⽣成AIを取り巻く環境は⽇々進化しており、今回お話しした内容は解決策としてベストではない可能性もありますが、あくまで⼀例として、少しでも視聴していただいた⽅の参考になれば幸いです。

Slide 33

Slide 33 text

Slide 34

Slide 34 text

© 2025 Works Human Intelligence Co., Ltd. ■免責事項および権利帰属について ‧本資料に関する⼀切の権利は弊社に帰属します。 ‧本資料には弊社の機密情報が含まれており、書⾯による事前の承諾なしにこれを転載しまたは第三者に開⽰することを禁⽌いたします。 ‧本資料はディスカッション⽬的で作成されたものであり、貴社との協議に基づき適宜変更することを想定しております。したがって、弊社は本資料に記載の内容について法的責任を⼀切負担いたしません。なお、弊社および貴社の法的関係は、今後弊社および貴社が捺印の上締結した契約書に依拠し、本プロジェクトに関連して弊社は当該契約書に明⽰的に記載された責任以外の責任を負担いたしません。 ‧会社名、製品名はそれぞれ各社の商標⼜は登録商標です。 ‧本⽂中および図中には®マークは表記しておりません。 34