Tweet
Tweet

Slide 1

Slide 1 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 1 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 次世代エンタープライズアプリケーションの実現 Kensuke Shimokawa A W S R E : I N V E N T 2 0 2 4 を 終 え て ー 今 と こ れ か ら の ハ イ ラ イ ト ＆ テ ク ノ ロ ジ ー イ ン サ イ ト Snr. Serverless Specialist Amazon Web Services Japan G.K. サーバーレスアーキテクチャと 生成AIの融合 Slides https://speakerdeck.com/_kensh Qiita https://qiita.com/_kensh

Slide 2

Slide 2 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 2 Kensuke Shimokawa Amazon Web Services Japan Snr. Serverless Specialist Slides https://speakerdeck.com/_kensh Qiita https://qiita.com/_kensh ⾃⼰紹介

Slide 3

Slide 3 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 3 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. エンタープライズの現状と課題

Slide 4

Slide 4 text

あなたの組織では、 ２週間でサービスを リリースできますか︖ 4

Slide 5

Slide 5 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 5 イノベーションはビジネスを変える 5 動画ライブ配信の裏側でAWSサーバーレス を利⽤ • 『⽔曜どうでしょう祭』での有料ライブ配信を2週間で実現 • AWS の開発に割いた社内リソースは3名 出典: AWS 導⼊事例：北海道テレビ放送株式会社 https://aws.amazon.com/jp/solutions/case-studies/htb/

Slide 6

Slide 6 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 6 • 技術的負債により、システム開発の効率が悪い • 現行システムの長年のメンテナンスのため、システム規模が増大し 改修するにも影響範囲が大きくコスト高となっている • 現行システムが複雑化しているため、業務オペレーションを変更す る際にもシステムが足かせ • 事業部門及びIT部門と足並みが揃わない • ビジネス変化スピードに追随できない DX 推進に向けた課題 既存資産/環境に 引きづられる これまでのやり⽅に 引きづられる

Slide 7

Slide 7 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 7 • 手探り: 頻繁に発生する機能要求、負荷予測が困難 • アジリティ: 従来型の設計開発手法では時間がかかる 一方で… • 企業責任: セキュリティ、可用性 DX プロジェクトで想定しておくとよいこと 既存資産/環境に 引きずられない クラウド環境で ⼿探りなDXに集中して 迅速に対応できる サーバーレス/コンテナなど マネージドサービスで • 潤沢なリソースを 必要なときだけ活⽤ • ⾮機能要件にかける労⼒を最⼩化 • 何度も Try&Error しやすい利⽤料モデル

Slide 8

Slide 8 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 8 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. サーバーレスのメリット

Slide 9

Slide 9 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 9 サーバーレスによる代表的な効果 サーバー管理が不要 （準備、OS保守） 柔軟なスケーリング （拡張/縮退） ⼗分に考慮された ⾼可⽤性 アイドル時の リソース確保が不要 $ マネージド ⾃動リソース管理 コスト最適化 スケーラビリティ （機会損失防⽌） リアルタイム （付加価値/機能差別化） ⾼⽣産性 変更容易性 マネージド 業務注⼒ エンジニア 意識改⾰ 実際の処理負荷に応じて ⾃動で拡張/縮退 ユーザーの責任領域を ⼩さくしそこだけに注⼒

Slide 10

Slide 10 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 10 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 生成 AI 活用もサーバーレス

Slide 11

Slide 11 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 11 最先端の基盤モデルを単⼀ API で利⽤ モデルのカスタマイズ Retrieval Augmented Generation (RAG) マルチステップタスクのエージェント実⾏ セキュリティ・プライバシー・統制 基盤モデルと周辺ツール群で ⽣成 AI アプリケーションを構築 及びスケールする最も簡単な⽅法

Slide 12

Slide 12 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 12 Bedrock - 様々なモデルプロバイダーの基盤モデル J a m b a C l a u d e S t a b l e D i f f u s i o n A m a z o n N o v a A m a z o n T i t a n C o m m a n d & E m b e d L l a m a Command R+ Command R Command Command Light Jamba 1.5 Large Jamba 1.5 Mini Jamba Instruct Jurassic-2 Ultra Jurassic-2 Mid マ ル チ モ ー ダ ル Claude 3.5 Sonnet Claude 3 Opus Claude 3 Sonnet Claude 3 Haiku テ キ ス ト ⽣ 成 埋 め 込 み Embed - Multilingual Embed - English テ キ ス ト ⽣ 成 Llama 3.2 90B Llama 3.2 11B Llama 3.2 3B Llama 3.2 1B Llama 3.1 405B Llama 3.1 70B Llama 3.1 8B Llama 3 70B Llama 3 8B 画 像 ⽣ 成 SDXL 1.0 SD 3 Large Stable Image Core Stable Image Ultra テ キ ス ト ⽣ 成 Nova Premier Nova Pro Nova Lite Nova Micro 埋 め 込 み Titan Text Embeddings G1 Titan Multimodal Embeddings G1 画 像 ⽣ 成 Nova Canvas テ キ ス ト ⽣ 成 テ キ ス ト ⽣ 成 M i s t r a l & M i x t r a l テ キ ス ト ⽣ 成 Mistral Large 2 Mixtral 8x7B Instruct Mistral Large Mistral 7B Instruct Mistral Small * モデルベンダー公式情報で⽇本語対応についての⾔及が確認されているモデル Claude 3.5 Haiku Claude 2.1 Claude 2.0 Claude Instant 動 画 ⽣ 成 Nova Reel 様々な AI 企業の基盤モデルを 共通の Bedrock API で利⽤可能

Slide 13

Slide 13 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 13 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. サーバーレスアーキテクチャでの Amazon Bedrockの活用

Slide 14

Slide 14 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 14 Amazon Bedrock - 基盤モデルの呼び出し Bedrock は API で共通的に基盤モデルを呼び出し Amazon Bedrock 基盤モデル メッセージ型呼び出し ⽣成AIアプリケーション (同期型 応答) Converse API ConverseStream API メッセージ型応答データ Amazon Bedrock 基盤モデル メッセージ型呼び出し ⽣成AIアプリケーション (ストリーム型 応答) メッセージ型応答データ1 メッセージ型応答データ2 メッセージ型応答データ3

Slide 15

Slide 15 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 15 AWS Lambda Response Streaming Response streaming Next.js の Streaming HTML も動作します レスポンスデータが利用可能になった時点で返却することで シームレスなユーザー体験を提供 最大 20MB のレスポンスペイロードをサポート

Slide 16

Slide 16 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 16 Server-side Response Streaming 基本的なチャンク単位のストリーミングレスポンスの構成 AWS Lambda (Logic) Amazon CloudFront Browser function URLs (for API) Stream response Stream response 基盤モデル Amazon Bedrock ConverseStream API レスポンスペイロードをクライアントにストリーミングで返却 6 MB まで最初にバースト・ストリーミングし、その後レ スポンスを最大 2 Mbps のレートでストリーミング

Slide 17

Slide 17 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 17 Amazon Bedrock バックエンド用の AI ゲートウェイ アプリは Amazon Bedrock と安全に通信 長時間実行ワークロード向けのソリューション ユーザーとモデルのアクセスを制御 必要なデータを取得 アプリをモデルから分離

Slide 18

Slide 18 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 18 Amazon Bedrock バックエンド用の AI ゲートウェイ AWS AppSync AWS Lambda HTTP Local (publish/subscribe) Permissions 基盤モデル Amazon Bedrock モデルに対して、短い同期呼び出しを実現 10 秒以内に完了する同期呼び出しのみをサポート Converse API Claude 3.5 Sonnet Amazon Titan https://aws.amazon.com/jp/about-aws/whats-new/2024/11/aws-appsync-ai-gateway-bedrock-integration-appsync-graphql/ subscription query mobile

Slide 19

Slide 19 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 19 AWS Step Functions – SDK 統合 AWS Step Functions ステートマシンから Bedrockの基盤モデルの呼び出し が可能 (コーディング不要) https://docs.aws.amazon.com/step-functions/latest/dg/connect-bedrock.html 特徴 • 以下のAPIに対応︓ • InvokeModel • Converse • CreateModelCustomizationJob • 多様なサービスと基盤モデルを組み 合わせた活⽤を容易に実装 基盤モデル Amazon Bedrock Converse API

Slide 20

Slide 20 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 20 REST x Websocket による応答性向上 User API Gateway Mobile client サーバーサイドプッシュ Websocket 接続管理 $connect 推論ワークフロー（Step Functions） Converse API

Slide 21

Slide 21 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 21 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 生成 AI の課題 ハルシネーション

Slide 22

Slide 22 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 22 • 真実性とは、LLM から生成された応答の真実性と正確性を指す • 真実性を高めるということは、ハルシネーション（もっともらしく 聞こえるが事実としては不正確な情報）を減らすこと 推論の真実性 Input Prompt: ⼈類で最初に太陽に着陸したのは誰ですか︖ LLM Response: <⼈の名前>は 〇〇年に太陽に着陸しました。 真実に反するハルシネーション ※ 実際には、まだ誰も太陽に着陸したことがありません。

Slide 23

Slide 23 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 23 ハルシネーションを抑制 / RAG (Retrieval Augmented Generation) ⾮RAG RAG ⽣成AI アプリ LLM ⽣成AI アプリ LLM ナレッジソース (外部データ) 事前学習 (& 追加学習/Fine-Tuning) 済みの情報しか回答できない 質問 プロンプト(≒質問) プロンプト(「ナレッジ」と「質問」) ナレッジのプロンプト組⼊れにより︓ 1. ハルシネーションを なるべく 抑⽌ 2. 事実に基づく回答(精度向上) 質問 ユーザー ユーザー ナレッジ検索 (類似性検索) ナレッジ (類似結果) RAG (Retrieval Augmented Generation: 検索拡張⽣成) は LLMの学習データに含まれない知識を、プロンプトに組み⼊れることで ハルシネーションを抑制し、回答の精度を上げる技術

Slide 24

Slide 24 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 24 generative-ai-usecase-jp / GenU 生成 AI の 代表的なユースケース を out-of-box で提供する 企業内 PoC 向けのサンプルアプリケーション を公開 ( RAG に対応) https://github.com/aws-samples/generative-ai-use-cases-jp RAG 機能は Bedrock Knowledge Bases or Amazon Kendra で提供

Slide 25

Slide 25 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 25 generative-ai-usecase-jp / GenU 生成 AI の 代表的なユースケース を out-of-box で提供する 企業内 PoC 向けのサンプルアプリケーション を公開 ( RAG に対応) https://github.com/aws-samples/generative-ai-use-cases-jp RAG 機能は Bedrock Knowledge Bases or Amazon Kendra で提供

Slide 26

Slide 26 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 26 魅力的なサービスは、ユーザーから発生する ユーザーが 求めるモノ プロダクト release release release 迅速にリリースし お客様からのフィードバックを 迅速にプロダクトへ反映する “⼩さな成功ファースト” な考え⽅

Slide 27

Slide 27 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 27 イノベーションループ Listen Idea Experiment イノベーション ループ 傾聴 アイデア 実験 実験での費⽤ 感を抑えたい RAG を サーバーレスで 実装できないか︖

Slide 28

Slide 28 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 28 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. RAG をサーバーレスで実装してみる AWS re:Invent 2022 - AWS Lambda SnapStart: Fast cold starts for your Java functions (SVS320) https://www.youtube.com/watch?v=ZbnAithBNYY

Slide 29

Slide 29 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 29 AWS Lambda の Cold Start 通常の Lambda 関数の起動 関数の実⾏ 初期化フェーズ 呼び出し フェーズ 関数の実⾏ (実⾏環境の再利⽤) 呼び出し フェーズ 初期化フェーズ 呼び出し フェーズ 呼び出し フェーズ 最⼤10秒 Cold Start

Slide 30

Slide 30 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 30 複雑さを制御してシンプルにする

Slide 31

Slide 31 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 31 複雑さとシンプルさの間に 相補的な関係がある可能性を⽰唆する造語

Slide 32

Slide 32 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 32 AWS Lambda SnapStart の概要 初期化フェーズ Snapshot 保存 関数のバージョン発⾏ 関数の実⾏ リストア 呼び出し フェーズ 関数の実⾏ (実⾏環境の再利⽤) 呼び出し フェーズ リストア 呼び出し フェーズ 呼び出し フェーズ 通常の Lambda 関数の起動 関数の実⾏ 初期化フェーズ 呼び出し フェーズ 関数の実⾏ (実⾏環境の再利⽤) 呼び出し フェーズ 初期化フェーズ 呼び出し フェーズ 呼び出し フェーズ SnapStart 活⽤時のフロー 最⼤10秒 最⼤900秒

Slide 33

Slide 33 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 33 生成 AI ユースケースの紹介 ⼀般的な RAG 構成 • ⾼機能 (⾼可⽤性、⾼耐久性、⾼スケーラビリティ) • 最⼩料⾦が⾼め User Amazon Bedrock 常駐する 外部 DB Amazon Aurora Amazon Kendra Amazon OpenSearch Lambda Function 検索 プロンプト拡張 回答⽣成 FAISS (Facebook AI Similarity Search) Vector Engine OSS Serverless RAG • 限定された機能 • 最⼩料⾦が低く費⽤はほぼ使⽤量に⽐例 Amazon S3 Vector Data (file) User Amazon Bedrock Lambda Function 検索 プロンプト拡張 回答⽣成

Slide 34

Slide 34 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 34 生成 AI ユースケースの紹介 実⾏環境⽣成 初期化フェーズ S3 から /tmp へ ベクトルデータの ダウンロード /tmp からメモリへ のベクトルデータの ロード Faiss ライブラリ のロード 呼び出しフェーズ メモリ上ベクトル 空間に対する ベクトル検索 検索結果を使い Bedrock で質問に対 する回答を⽣成 Cold Start 時間が長い (4 ~ 10 sec) 検索と外部 API 呼び出しのみ SnapStart との相性が良いと予想 質問/応答 User ベクトル データ取得 RAG 関数 回答生成 LLM

Slide 35

Slide 35 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 37 性能評価 – Vectorサイズと Cold Start の関係 Vector 数(百万） Init Duration Duration 293 8147.1864 3402.666 117 5913.4612 2751.9588 80 5643.5648 2585.2688 32 4681.4212 2795.372 20 4550.5572 3388.9044 4.5 4322.1192 2457.5632 0 2000 4000 6000 8000 10000 0 50 100 150 200 250 300 350 時間(秒) ベクトル数(百万) 初期化フェーズ(SnapStart 無効) リストア(SnapStart 有効) Vector 数(百万） Restore Duration Duration 293 1210.6816 3522.088 117 940.8468 2801.1768 80 1019.6988 3315.0096 32 785.336 2958.0572 20 739.2616 3879.9724 4.5 726.58843 2839.4548 SnapStart なし SnapStart 有効化

Slide 36

Slide 36 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 38 性能評価 – Vectorサイズと関数全体の実行時間の関係 0 5000 10000 15000 50 100 150 200 250 300 350 時間(秒) ベクトル数(百万) SnapStart 無効 SnapStart 有効 SnapStart なし SnapStart 有効化 Vector 数(百万） Init Duration Duration 293 8147.1864 3402.666 117 5913.4612 2751.9588 80 5643.5648 2585.2688 32 4681.4212 2795.372 20 4550.5572 3388.9044 4.5 4322.1192 2457.5632 Vector 数(百万） Restore Duration Duration 293 1210.6816 3522.088 117 940.8468 2801.1768 80 1019.6988 3315.0096 32 785.336 2958.0572 20 739.2616 3879.9724 4.5 726.58843 2839.4548

Slide 37

Slide 37 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 39 コスト評価 Lambda (2GB RAM) Costs (USD) 3 sec / invoke 0.0001 / invoke 30,000 requests 3 / month Bedrock Costs (USD) 400 Input tokens 0.0001 / invoke 200 Output tokens 0.00025 / invoke 30,000 requests 10.5 / month Lambda SnapStart Costs (USD) Cache (※1) 8.05 / month Restore (10%) 0.83 USD / month ⽉当たり合計リクエスト量 30000 requests / month 20 User RAG 50 times per day ※1. 「スナップショットのキャッシュ」は GB~秒単位の課⾦のため、関数バージョン１つであれば、 最⼤でも 40 USD / monthであることに留意。⼀⽅ Restore はアクセス頻度に左右される点に注意 ColdStart / Restore 発⽣分(10%) 3000 requests / month

Slide 38

Slide 38 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 40 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 生成 AI によるモダナイゼーション事例

Slide 39

Slide 39 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 41 「生成AI x サーバーレス」は もはや一般的 • タキヒョー: 複数の社内業務⽀援にAIを活⽤ • シスラボ: 市場調査・分析業務のAIによる効率化 • JPX 総研: 週次開⽰⽂書のタグ付け • PURPOM MEDIA LAB: 新規事業開発を⽀援するツールでの活⽤ • 朝⽇新聞社: コンテンツ制作⽀援サービス（⽂字起こし、要約） • 北海道⽂化放送: ニュース原稿/動画の作成フローを効率化 • サルソニード: 法律関連の記事作成業務の効率化 • ナウキャスト: 決算短信データ抽出処理 • レアジョブ: 英会話レッスンレポート（⽂字起こし、スコア化） • ファーストトレード: 海況情報の⽂書化を⾃動処理 • コーテッグ: 診察券読み取り業務の効率化 • メタバーズ: AI ボットサービスによる24時間対応⽀援 • ゼネット: eラーニング向け AI ⾃動回答 • オズビジョン: AI 活⽤のセマンティク検索 • GreenSbap: 植栽の結果を画像化するサービス • DMM.com: AI 活⽤型の次世代レビュー承認システム • EXNOA: ソースコードの⼀次レビュー⾃動化 • KINTOテクノロジーズ: アンケート結果の要約 • セゾンテクノロジー: サポートエンジニアの回答作成⽀援 • JFEエンジニアリング: ⾒積書からのデータ抽出 • 三井物産: ⼊札書解析の⾃動化へのチャレンジ • 三協⽴⼭: 議事録作成の⾃動化 • オイシックス・ラ・⼤地: メルマガ作成・校正 • jinjer: SaaS 機能強化 – ⼈事業務問い合わせ AI • アオラナウ: RAG による技術調査業務の効率化 • IQVIAサービシーズ: 社内RAGチャットシステム • 鴻池運輸: 社内RAGチャットシステム • ⽇⽴パワーソリューションズ: 多岐にわたる保守知識の共有 • ⽇本製鋼所: 樹脂機械向けの⽂書検索 & 要約 • RIZAP: 社内向け AI チャットボット

Slide 40

Slide 40 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 42 「生成AI x サーバーレス」のもう一つのユースケース サーバーレスで生成AIを利用する 生成AIを利用した ビジネスユースケースの獲得 生成AIを利用してサーバーレス化 生成AIを利用した リファクタリング

Slide 41

Slide 41 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 43 東京海上日動システムズ / PoC 事例 Before After モノリシック アーキテクチャ サービスの分割 + マイクロサービス Java アプリケーション Python サーバーレス アプリケーション

Slide 42

Slide 42 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 44 東京海上日動システムズ / PoC 事例 モノリシックなレガシー Java アプリを Lambda に書き換え アプリケーションのモダナイゼーションプロセス全体に生成 AI を活用する PoC では、95%以上 を生成AIが生成した コードで動作し、 発生したエラーに ついても多くは単純 な修正で解消 https://aws.amazon.com/jp/blogs/news/genai-case-study-tmn-systems

Slide 43

Slide 43 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 45 東京海上日動システムズ / PoC 事例 モノリシックなレガシー Java アプリを Lambda に書き換え アプリケーションのモダナイゼーションプロセス全体に生成 AI を活用する モダンな Single Page Application フロントエンド 処理の抽出と Vue.js 用の コードの生成 https://aws.amazon.com/jp/blogs/news/genai-case-study-tmn-systems

Slide 44

Slide 44 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 46 © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. まとめ

Slide 45

Slide 45 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 47 • サーバーレスと生成AIの組み合わせは、社会の早い変化への対応に 貢献 • モダナイゼーションには、段階的なアプローチで小さな成功を積み 重ねることが重要 • 生成AIの実装における課題（ハルシネーション、コスト、品質管理 など）は、AWS Lambda と Amazon Bedrock の適切な組み合わせに より効果を期待 • 実践事例（東京海上日動システムズ）が示すように、サーバーレス と生成AIの融合は、既存システムのモダナイゼーションを加速し、 ビジネス価値の創出を促進 まとめ

Slide 46

Slide 46 text

© 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 48 Thank you! © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. Kensuke Shimokawa Slides https://speakerdeck.com/_kensh Qiita https://qiita.com/_kensh