BedrockAgentsを活用した承認業務自動化エージェントの構築.pdf

Transcript

1. ライフデザインプラットフォーム部 0 2025/12/20 KDDI株式会社 パーソナル事業本部 パーソナルシステム本部 ライフデザインプラットフォーム部 大西 亮 Bedrock Agentsを活用した承認業務自動化エージェントの構築 AI Builders Day
2. ライフデザインプラットフォーム部 1 アジェンダ 1.はじめに 2.活動の背景、課題 3.課題への対策、事例や設計のポイントを紹介 4.マルチエージェントに向けて
3. © 2022 KDDI 2 話者紹介 大西 亮(Ryo Ohnishi) KDDI株式会社, パーソナルシステム本部, ライフデザインプラットフォーム部, アライアンスシステムG 2010~ 公共系SIerとして、主に基幹システムの業務アプリ開発（要件定義～本稼働）、PMを担当。 2023. KDDI（株）入社 アライアンス・パートナリングを目的としたプラットフォームシステムのサービス開発のPM、POを担当。 2024年度以降、AIを活用した業務効率化の活動も推進中。 新卒入社以来、公共系のシステムインテグレータとして業務アプリ開発に従事。 上流工程～本稼働に至るまで、メンバ～プロジェクトマネージャーと様々な立場にてシステム開発を経験。 KDDI入社以降は主にアライアンス・パートナリングを目的としたプラットフォームシステムのサービス開発 におけるプロジェクトマネジメント、プロダクトオーナーを担当。
4. © 2022 KDDI 3 アライアンス、パートナリングを目的としたプラットフォーム  アライアンスビジネスパートナーとの共創を加速するにあたり、多様なサービスを元にお客様を誘引し、 サービスのエコシステムを構築するためのサービス都度利用を可能とするプラットフォームを開発・運用中。  これにより新たな体験価値を提供するとともに、お客様とのエンゲージメント強化を図っていく。 現在、当社が au/UQ mobile/povo/UQ WiMAX/auひかり ユーザ向けに提供しているエンターテインメントサービスにおい て、料金プランとセットにした独自料金でのサービスを提供するシステムや、ポイント付与を目的としたリワード基盤と いったシステムを開発し、運用している。 主なパートナー様の例（敬称略・順不同、2025年12月現在） NETFLIX, Apple, Google, NVIDIA, Amazon, DAZN,U-NEXT(Paravi), フジテレビジョン,ピッコマ etc… プラットフォーム立ち上げから約４年間、多くのパートナーとの連携を行ってきた。 また、サービス毎に異なるシステム要件が存在し、エンハンスも常に複数案件並走している状況。
5. © 2022 KDDI 4 プラットフォーム運用を行う上での課題 課題 ・近年、当該システムに構築したサービスの増加に伴い、機能面や運用面での改善が必要なケースが増加。 ・サービスは増加、エンハンスは加速するものの、コストや要員のリソースは不足している。 状況 ・事業拡大に関する開発案件（サービス追加/既存サービスの拡張）を優先し、 改善観点についてはタイムリーな機能改修が行えていない。 ・これに伴い、やむなく手動運用（ジョブの再実行やDB内の静的データ更新等といった 商用作業対応）を継続的に行っている。 →頻繁に発生する商用作業内容のレビュー対応が主にリーダー層の稼働ひっ迫につながっている。 また、これに伴う承認までのリードタイムも発生している。
6. © 2022 KDDI 5 課題への対応策：商用作業承認の自動化 ASIS-TOBE/期待する効果 作業 手順の準備/承認 契機の発生 作業 多いな… ビジネス部門 対向システム CS 問合せ 商用作業発生 システム部門 ベンダ TOBE 作業手順 の準備 リーダー層の レビュー/承認 障害検知 商用作業実施 リーダー層のレビュー観点を指示することで、 エージェントでの作業承認を実現 承認! ビジネス部門 対向システム CS 問合せ 商用作業発生 システム部門 ベンダ ASIS 作業手順 の準備 リーダー層の レビュー/承認 障害検知 商用作業実施 作業数が多く、リーダー層の稼働負荷につながっている。 また、承認までのリードタイムも必要になってくる。 ＜定性効果＞ これまで承認依頼から承認に至るリードタイムは、承認者の稼働状況に依存してきたが、承認依頼後すぐに確認可能となるため、上⾧の確認にかかる稼働の削減が可能。 また、承認におけるリードタイムを短縮できる。 ＜定量効果＞ 約25回/月の作業が発生しており、都度作業承認が必要となる。（かつ今後のサービス追加に伴い増加傾向） ・10分×25回＝250分/月の稼働削減 ・承認に約1日かかっていたリードタイムの削減
7. © 2022 KDDI 6 Bedrock Agentsを活用し、AIエージェントを構築 ①商用作業内容を入力 ②エージェントによる確認結果を照写 ③パートナー含めて結果を通知 A A A
8. © 2022 KDDI 7 Admin/User Web AWS Cloud Amazon Bedrock （Claud 3.7 Sonnet） sync sync Knowledge base（Titan Embedding v2） Amazon OpenSearch Serverless Amazon Bedrock システムプロンプトにてレビュー観点を指示 作業内容 をプロンプト 定型作業一覧 作業担当者 AWS Lambda ②作業可の場合、SNSにてKDDI/NRIにEメー ルを送信する。 Amazon Simple Notification Service (Amazon SNS) アクショングループ 承認の場合、承認した内容を通知 承認/非承認 を応答 Amazon API Gateway AWS Lambda AWS Lambda S3 Excelドキュメント のMarkdown化 Knowledge baseにて 作業内容を学習 商用作業承認エージェントのアーキテクチャ
9. © 2022 KDDI 8 設計のポイント① EXCEL形式ドキュメントのマークダウン化 ＜ポイント①＞ LLMにてEXCEL形式のドキュメントからテキストを抽出する際、表としての情報を失ってしまうことがある。LLMは主に2次元のマトリクス形式 である構造を理解するのが難しいため、Markdown化することでLLMが理解しやすい形に情報を整理することで、情報抽出の精度を高めている。 定型作業一覧 put S3 Markdown形式で格納
10. © 2022 KDDI 9 補足 Knowledge baseのベクトルデータベースについて Knowledge baseのベクトルデータベースは、コスト面において圧倒的にS3 Vectorsがおすすめ。 （最大90％のコスト削減が可能） ※一度Open Search ServerlessでKnowledge baseを立てると、 Knowledge base自体を削除 しても、Open SearchのベクトルDBは残ってし まう。 →AWS利用料が発生し続けるため要注意
11. © 2022 KDDI 10 設計のポイント② システムプロンプトにてリーダー視点でのレビュー観点を指示 ＜ポイント②＞ リーダー層にて実際に行っている確認観点をヒアリングし、システムプロンプト（エージェントへの具体的な指示）にて承認/不承認の判断条件と して整理し、組み込みを行った。これにより、それっぽい妥当なチェックではなく、リーダー層が確認すべきと考えるレビューが可能となる。 作業は２人体制で ダブルチェック可能か？ 過去実績があり、 リスクの低い作業か？ ＜エージェントビルダー システムプロンプト＞ - ユーザーからの入力内容をもとに、以下の確認を行ってください。 ・ナレッジベースから検索を行い、入力された作業が存在することを確認してください。 ・作業者が正、副それぞれ入力されていることを確認してください。 ・作業日時が入力されていることを確認してください。 ・入力された作業日時が過去の日時でないことを確認してください。 ・入力された作業日時が存在する日時であることを確認してください。 etc… - ユーザーの入力内容が問題ない場合、ユーザーに承認通知を送信してください。 - ユーザーの入力内容に問題がある場合、問題の内容をユーザーに返却してください。 作業日時や時間は妥当か？
12. © 2022 KDDI 11 設計のポイント③ 作業者への自動通知機能 ＜ポイント③＞ 多くのレビューをこなす必要があるため、極力タスクを自動化する必要がある。作業を一意に特定する一部のプロンプト内容をパラメータ化し、 当該作業の承認を自動で通知する仕組みとすることで、タイムロスを発生させない運用が可能となる。 ◦◦の作業で、 作業日時は△日□時～か。 承認するから安全作業でよろしく。 A
13. © 2022 KDDI 12 Bedrock AgentsにてAIエージェントを作ってみた結果 ・まずは全体の2/3を占める定型化された（過去実績のある）作業から運用を始めており、精度について問題なし →リーダー層の稼働、および承認までのリードタイム削減に想定通りの効果があった。 ・承認が必要な作業範囲の拡大や、コミュニケーションツール等との連携といった機能拡張については、Lambda等のア クショングループの追加が必要となり、エージェント毎に都度実装が必要。 →機能を積み重ねるほどに、エージェントはモノシリックになり、汎用性や拡張性を失う 一つのモノシリックなエージェントを太らせるより、汎用性、拡張性を考慮した仕組みづくりを していくべきなのではないか？ →エージェントのさらなる拡張に向けて、複数のAIエージェントを立て、マイクロサービス化 したMulti-AI Agentsを目指してみる マイクロサービス Bedrock エージェント 機能 機能 機能 機能 Bedrock エージェント Bedrock エージェント Bedrock エージェント Bedrock エージェント 頭脳がBedrockエージェント、 手足がアクショングループとなるイメージ。 モノシリック 機能 機能 機能
14. © 2022 KDDI 13 Multi-AI Agentsの実現に向けたステップ マルチエージェント化にあたり、単体エージェントを極力疎なつくりとすることで、ユースケースご とに必要な単体エージェントを出し入れが容易となる。 →マルチエージェントは疎な単体エージェントの集合体と定義することで、要件に応じて汎用性 や拡張性のあるエージェントができあがると考える。 また、この考えで単体エージェントのマルチエージェント化を図ると、効率化に必要な機能がアドオ ンされていくため定量的な効果も明確である。 ユースケースA Agent① ユースケースB Agent② Agent③ Agent④ Agent⑤ ユースケースC Agent①での効果は ◦◦時間削減だったが、 Agent②の機能を足せ ば合わせて△△時間の 削減になる！ ＜ポイント＞ 単体エージェントは、 それぞれの役割に専 念させる
15. © 2022 KDDI 14 Multi-AI Agentsの実現案 今後はさらにエージェントを増築→マルチエージェント化することで、効果を拡大していく。 作業範囲 今ココ 定型 非定型 Aシステム Bシステム 対象の作業範囲 拡大 対象のシステム 範囲拡大 作業範囲＆ システム範囲 の拡大 システム Eメール送信機能 Redmine 参照/更新機能 機能数の増加 Multi-AI Agents案① 対象範囲の拡大 Multi-AI Agents案② 機能の拡大 JIRAコンフル 参照/更新機能 これらエージェントを ユースケースに応じて組み合わせ ることでマルチエージェント化し、 効果を最大化する。 今ココ
16. © 2022 KDDI 15 BedrockのMulti-agent collaborationを活用した 商用作業承認自動化Multi-AI Agentsアーキテクチャ Admin/User Web AWS Cloud Amazon Bedrock （Claud 3.7 Sonnet） sync sync Knowledge base（Titan Embedding v2） Amazon OpenSearch Serverless Amazon Bedrock 作業内容 をプロンプト LMD定型作業一覧 Aシステム 担当メンバ アクション グループ 承認/非承認 を応答 Amazon API Gateway AWS Lambda AWS Lambda S3 AWS Lambda Amazon Simple Notification Service (Amazon SNS) sync sync Knowledge base（Titan Embedding v2） Amazon OpenSearch Serverless Amazon Bedrock JUICE定型作業一覧 アクション グループ AWS Lambda S3 AWS Lambda Amazon Simple Notification Service (Amazon SNS) Bシステム 担当メンバ Amazon Bedrock Amazon Bedrock Aシステム作業 の場合 Bシステム作業 の場合 Multi-agent collaboration 承認を実施する対象システムに応じて、適切な エージェントにルーティングする。
17. © 2022 KDDI 16 Multi-agent collaborationの設定 親エージェントは、入力された内容に応じてそれぞれの子エージェントへルーティング させるシンプルな役割とし、子エージェントが本来の役割を果たすよう分担する エージェントビルダー最下部にあるマルチエージェントコラボレーションにて子エージェントを設定 A、B A A B B
18. © 2022 KDDI 17 Multi-agent 実行デモ
19. © 2022 KDDI 18 Multi-agent 実行結果 ルーティングトレースより、それ ぞれ ルーティングトレースより、 それぞれ適切な子エージェント にて処理されていることを確認 A A B B
20. © 2022 KDDI 19 Multi-agent collaborationの課題／今後について Multi-agent collaborationはマネージメントコンソールにて視覚的に設定でき使いやすいため、 まずはスモールにAIエージェントを構築していくにはおすすめ。 一方で以下のような課題もある。 ・同一アカウント、同一リージョンのBedrockエージェントしかコラボレーターに設定できない ・エージェントから呼び出す各種機能は、アクショングループからLambda等にて個別に実装が必要 ・エージェントが増えるほどリソースも増え、管理が大変／ガバナンスが効き辛い ・いつからかモデルが更新されていない