Slide 1

Slide 1 text

2025/4/24 クラスメソッド株式会社 生成AIインテグレーション部 Bizチーム 洲崎 義人 クラスメソッドによる生成AI支援と MCP領域への展開

Slide 2

Slide 2 text

タイムテーブル 2 時間 タイトル 登壇者 13:00〜 13:15 話題のMCPとは何か?基礎知識と活用事例をご紹介 製造ビジネステクノロジー部 バックエンドエンジニア 髙橋俊一 13:15〜 13:30 MCPはもう止まらない。じゃあどう守る? 〜 社内セキュリティ担当 者の視点で考える、MCPのセキュリティと社内への展開 情報システムグループ 危機管理室 室長 兼 CISO 江口佳記 13:30〜 13:45 企業が押さえるべきMCPの未来 新規事業統括部 生成AIインテグレーション部 プロダクトチーム ソフ トウェアエンジニア 筧 剛彰 13:45〜 14:00 クラスメソッドによる生成AI支援とMCP領域への展開 新規事業統括部 生成AIインテグレーション部 Bizチーム 洲崎義人 14:00〜 14:15 質疑応答

Slide 3

Slide 3 text

・生成AI支援サービスのご紹介(事例あり) ・MCPに関する技術支援のご紹介 本セッションの内容 3

Slide 4

Slide 4 text

自己紹介 4 ● 2018年9月 入社 AWS営業部 ○ クラスメソッドメンバーズ 営業 ● 2021年7月 AWS事業本部 コンサルティング部 ○ AWSソリューションアーキテクト ● 2024年11月 新規事業統括部 Bizチーム ○ 生成AI営業・事業開発・研修講師など ● その他 ○ 2023 - 2024 Japan AWS Top Engineers ○ 2023 - 2024 Japan AWS All Certifications Engineers ○ 2025 AWS Community Builders (AI Engineering) ○ AWSの知識地図 第2章 執筆 ● 部署 ○ 新規事業統括部 生成AIインテグレ ーション部 Bizチーム ● 名前 ○ 洲崎 義人 ● 出身・住まい ○ 神奈川 / 福岡 ● 最近の運動 ○ キックボクシング

Slide 5

Slide 5 text

©Classmethod, Inc. Agenda 1. 生成AIの概要 2. 生成AI活用支援サービスのご紹介 3. 生成AI活用支援の事例 4. MCP(Model Context Protocol)への展開 5. まとめ 5

Slide 6

Slide 6 text

生成AIの概要

Slide 7

Slide 7 text

©Classmethod, Inc. 生成AIは2020年代に誕生し、急速に社会へ浸透 利用者が1億人に到達する までにかかった期間 ChatGPT:2ヶ月 TikTok:9ヶ月 Instagram:2年4ヶ月 生成AIの進化 2020年 〜 2021年 生成AIの幕開け OpenAIがGPT-3 (文章生成AI)を開発。 人間と遜色ない自然な文章を生成し、大きな 衝撃を与える。 2022年 〜 2023年 実用化の加速 対話形式で利用できるChat-GPTが誕生。 自然な対話能力と汎用性の高さが注目を 集め、爆発的にユーザー数を伸ばす。 2024年 〜 社会への浸透 文脈理解や感情認識の能力が向上し、より人 間らしい対話が可能に。 テキスト、画像、音声など、複数のデータを 統合的に処理できるようになった。 7

Slide 8

Slide 8 text

©Classmethod, Inc. 文章生成AIの特徴|従来のAIとの違い 従来のAI 文章生成AI 目的 データの予測や識別を得意とし、 特定のタスクを正確にこなすこと 人間の言語を理解し、自然な文章を生成 すること 柔軟性 決められた範囲での応答が可能 多様な質問や要望に合わせて応答が可能 業務への活用 データを基礎とした結果を予測、 具体的な対応策は人間が考える 文章作成や説明作業の支援で人間の創造 的活動をサポート 用途の例 データ分析、音声認識、画像識別 など チャットボットの応答、文書の作成など 8

Slide 9

Slide 9 text

©Classmethod, Inc. 私(洲崎)の生成AI 活用例 1.文書作成支援 ・メールの添削 ・議事録の要約 ・社内相談用の要点の整理 2.アイデア出し支援 ・アイデアの生成 ・アイデアの壁打ち 3.多言語コミュニケーション支援 ・ビジネス英語への正確な翻訳 ・OpenAI、Anthropicなどの最新AI技術の活用 ・日本語プレゼン資料の英語化 結論: 生成AIは業務効率を大幅に向上させる必須ツール アウトプットの品質チェックとしても大いに有効です! 9

Slide 10

Slide 10 text

生成AI活用支援サービスのご紹介

Slide 11

Slide 11 text

フェーズに合わせて最適なソリューションをご提供 (全体像) ソリューシ ョン アイデアの検証、試作で 成果や実現性を評価 既存プロダクトへの 生成AI機能の統合 社員のスキルを高めて 生成AIの効果的な活用を推進 高度なセキュリティを 備えた自社専用の生成AI チャットボットを構築 継続メンテナンスにより 生成AIのパフォーマンスを 最適化 支援形態 企画/検証 構築/開発 導入/運用 PoC支援 組み込み開発 生成AIチャットボット構築 プロンプト研修 生成AIアプリ運用保守 コンサルティング パッケージ BPO 開発

Slide 12

Slide 12 text

©Classmethod, Inc. ニーズに合わせて最適なソリューションを提供 エンタープライズレベルのセキュリティを もつ生成AI環境構築パッケージ パッケージ 個別支援 コンサルティング 生成AIを活用するうえでの技術面でのお悩みを 解決します。具体的な技術選定から実装、運用 の効率化までトータルで支援します。 アプリ開発 SlackなどのチャットボットやWebUIの開発、各 社APIと自社データを活用した要件定義から実 装・運用までを対応します。 教育支援 プロンプトの活用方法や、生成AIアプリの内製 化に向けた教育支援を行います。生成AIの導入 から利用の定着までをサポートします。 12

Slide 13

Slide 13 text

©Classmethod, Inc. AI-Starterの主な機能 複数の基盤モデルを 画面上から簡単に切替えが可能 ユーザー自身で登録可能な プロンプトのテンプレート機能 予め自社のデータを登録して 回答させるRAGに対応 テキストだけでなく 画像解析や画像生成にも対応 シングルサインオンの認証環境を 提供し、高度なセキュリティを実現 13

Slide 14

Slide 14 text

AI Starterのデモンストレーション

Slide 15

Slide 15 text

AI Starter_RAGの動作イメージ AIS-RAG-Kendra- 高 画 質 . mp4 15

Slide 16

Slide 16 text

©Classmethod, Inc. AI-Starterのシステムアーキテクチャ 外部のAIモデル 16

Slide 17

Slide 17 text

生成AI活用支援の事例

Slide 18

Slide 18 text

コクヨ株式会社様の事例 安全な教育基盤 の構築 生成AIの座学/実践教育を推進するための セキュアな生成AI環境が必要 「KOKUYO AI Chat」 =AI Starter導入/保守AWS提供/運用保守 技術検証の ノウハウ不足 複数の生成AIモデルや環境を実際に試して 特徴を掴みたい Azure含め複数の生成AI環境/モデルに対する 技術コンサル 生成AI専門家の 不在 実践教育の場(GPT-Lab)を推進するにあたり 壁打ち相手が必要 生成AI活用の企画立案、 各チームの壁打ち役など伴奏支援 運用のスキルや リソースの不足 情シス管轄になったが、環境保守や 社内問い合わせに対応できる人がいない Azure環境の運用保守 ユーザー部門からの問い合わせ窓口代行 課題 解決案 〉 〉 〉 〉 「KOKUYO DIGITAL ACADEMY」生成AI環境 の構築支援 デジタル人材教育・実践プログラムとカルチャ ーを技術で下支え https://classmethod.jp/cases/kokuyo/ https://classmethod.jp/cases/kokuyo/ 効果: 非エンジニアの社員自身たちで複数のアプリを開発

Slide 19

Slide 19 text

株式会社オプテージ様の事例 社内ナレッジ検索 の精度向上 既存のチャットボットでは社内ナレッジの検索精度に 限界があり、従業員から改善の要望が多数あった データの前処理、最適な検索手法の選定やデータ 構造の最適化など、様々な角度から精度改善 柔軟な プロジェクト運営 セキュリティ要件やプロジェクトの制約事項など後発的に浮上 した課題に対して柔軟な対応が求められた プロジェクト中においてもインフラ環境の構成変更や 追加機能開発を行い柔軟に対応 厳格な セキュリティ対策 社内システムとして、外部に情報が漏れないようセキ ュリティが最重要視される環境が求められていた Azureの仮想ネットワークを利用し、インターネ ットを介さずに閉域化した安全な環境を構築 運用ノウハウの 蓄積と評価 生成AIの活用による業務改善について、実際の運 用検証を通じた知見が不足していた 生成AIの回答精度や利用者体験を基にした評価手 法を提案し、生成AI活用の勘所を伝える 課題 解決案 〉 〉 〉 〉 生成AIチャットボット導入で社内の問合せを サポート 業務改善の取り組みやAI利用のナレッジ蓄積にも貢 献 https://classmethod.jp/cases/optage/ https://classmethod.jp/cases/optage/ 効果: RAGにおいて80%超の回答精度を達成

Slide 20

Slide 20 text

上越市様の事例 生成AIの活用方法 の浸透不足 導入後、生成AIチャットボットを活用する職員 が少なく、「生成」ではなく検索用途に留まっ ていた 若手職員向けに生成AI活用ワークショップを実 施し、効果的なプロンプトの作成方法や実務で の活用法をハンズオンで伝授 生成AI利用者数 の伸び悩み 効果的な活用方法が分からない職員が多く、 利用者数があまり増えていなかった 講義動画の庁内共有により、各職員が自分のタ イミングで学習可能に 課題 解決案 〉 〉 上越市のDX推進に生成AI活用ワークショップ の実施を通じて貢献 生成AIチャットボットの業務活用を推進 https://classmethod.jp/cases/joetsu/ https://classmethod.jp/cases/joetsu/

Slide 21

Slide 21 text

©Classmethod, Inc. ● 生成AIは、「人のように言語を扱える」AIであり、幅広い業務に活用可能 ○ 単なる自動化ではなく、柔軟な言語理解と生成力が強み ● クラスメソッドでは、安全・スピーディに始められる支援サービス(AI Starter)を提供 ● 活用事例は「RAG構成による精度向上」や「現場でのワークショップ」が中心 ○ データ活用・現場定着・ユーザー理解の支援に強み ここまでのまとめ 21

Slide 22

Slide 22 text

MCP(Model Context Protocol)の展開

Slide 23

Slide 23 text

©Classmethod, Inc. 生成AI導入を成功に導くアプローチ 生成AIは展開スピードも早く予測が困難なため、従来型の開発プロセスでは通用しない 問題の要因 ● 成果物や動作の期待値が不透明 ● 柔軟な設計と安心して使える出力設計が不可欠 ● 業務フローへの自然な組込みには工夫が必要 ✓ スモールスタートで段階的に検証する ✓ 社内理解と期待値の調整を並行して進める

Slide 24

Slide 24 text

©Classmethod, Inc. 生成AI導入を支援する技術コンサルティング|サービス概要 生成AI技術の活用・実装に関する課題に対して、弊社専門家が実践的に支援します。 支援範囲 ・要件整理、アーキテクチャ設計、ライブラリ選定、技術調査、PoC実施など ・ガバナンスやセキュリティを含む運用上の懸念にも対応(QA形式) 得られる効果 ・生成AI活用に伴う技術的な障壁を、専門家が迅速かつ的確に解決 ・PoCから本番導入、社内定着までを一貫して支援します

Slide 25

Slide 25 text

©Classmethod, Inc. 「MCPを使いたいが、何から始めるべきか分からない」そんなご相談に対し、当社の技術コンサルティングが導入 から運用までをサポートします。 教育・導入支援 ・MCPの基本的な考え方や活用方法をレクチャー ・プロンプト設計や呼び出し戦略の設計手法も支援 クライアント選定 ・Claude Desktop、Cursor、Windsurf など各種ツールから、ユースケースに最適なクライアント選定を支援 サーバー選定 & 信頼性 ・MCPサーバーの構成・選定に関するご相談 ・ 製品特性を踏まえた使い分けを提案(独自構築含む) 認証 & 接続形式の実装支援 ・トークン管理やAPI連携の設計 ・ 拡張性とセキュア性を両立した構成を共に設計 生成AIツールとの統合設計 ・LLM・RAG・エージェントとの統合活用に関するご支援 ・ 複合構成におけるアーキテクチャ設計・試験運用のサポート MCP導入に向けた技術支援のご紹介 25

Slide 26

Slide 26 text

©Classmethod, Inc. (参考)LLM活用手法の比較 26 位置付け 説明 特徴 MCP プロトコル (仕様) ・LLMと外部ツールをつなぐ共通プロトコル ・ツール呼び出しや状態管理を標準化 ・ツール連携の実装が容易に ・対応環境がまだ限定的 エージェン ト 処理ロジック ・タスクを分解・実行する仕組み ・MCPを通じて外部ツールと連携 ・複雑な処理の自動化が可能 ・設計とチューニングに知見 が必要 RAG 情報の補完 ・検索+生成で文書情報を活用 ・回答精度を外部情報で補完 ・社内文書などを参照可能 ・検索精度や文書構造に影響 される

Slide 27

Slide 27 text

まとめ

Slide 28

Slide 28 text

©Classmethod, Inc. まとめ 28 生成AIの特徴と効果 ● 人間並みの自然言語処理能力で業務効率を大幅に向上 ● 「社内ナレッジの活用」「文書作成支援」など、多様な業務に展開可能 生成AI導入の2つの課題 ● 成果が不確実 → PoCで「仮説と検証」を小さく繰り返す進め方が重要 ● 「導入したのに使われない」 → 利用定着のための工夫(ワークショップ)が必要 MCP領域の支援 ● MCPはLLMとツールを標準化された方法で接続する新しい技術基盤 ● AIプロダクトの持続性と拡張性が高められることが期待される

Slide 29

Slide 29 text

No content