Amazon Web Services ブログ
Category: Amazon Kendra
【開催報告&資料公開】 流通小売・消費財・EC 企業向け:クラウドと生成AI によるオペレーション改革
流通・小売・消費財業界に関わられている方々を主な対象として、2024年10月24日に「流通・小売・消費財業界向け:クラウドと生成 AI によるオペレーション改革」のオンラインセミナーを開催しました。ご参加いただきました皆さまには、この場を借りて御礼申し上げます。本ブログでは、その内容を簡単にご紹介します。
AWS Summit Japan 2024 – インダストリー Village /鉄道ブース開催報告ブログ(後編)
2024年6月20日、21日の二日間に開催された AWS Summit Japan では、 AWS Villa […]
鴻池運輸様におけるAWS生成AI事例:Amazon Bedrockによる社内ナレッジの共通知化
鴻池運輸株式会社では各拠点ごとに業種や業務内容が大きく異なっており、拠点別に課題解決のために用いた考え方や新しいソリューション、また自動化・省力化機器などの検証結果、費用対効果などの社内ナレッジが各拠点ごとに蓄積されていました。2022年9月にそうした個別のナレッジを全社データベース化したものの、社内ナレッジは自然言語で記載された非構造化データとなっており、類似する業務に対する社内ナレッジへのアクセスが、通常の検索機能ではマッチングしづらく、ナレッジの共通知化がなかなか進まないという課題がありました。
このような課題を解決するため、鴻池運輸ではAWSのサービスを活用したRAGチャットアプリケーションを開発しました。
株式会社日立パワーソリューションズの AWS 生成 AI 事例: AWS の生成 AI を利用し、多岐にわたる保守知識を共有
本ブログでは、株式会社日立パワーソリューションズが AWS の生成 AI 技術を活用して、社会インフラにおける保守業務の効率化と知識共有に取り組んだ事例をご紹介します。
新入社員プロジェクト生成 AI を活用した Virtual Summit Assistant展示実施報告 @ AWS Summit Japan 2024
6 月 20 日と 21 日の 2 日間にわたり、幕張メッセにおいて 13 回目となる AWS Summit Japan が「AWS と創る次の時代」をテーマに開催され、会場では 3 万人以上、オンラインも合わせると過去最高となる 5 万人超の方の参加者を記録しました。私たちは 2 年目の新入社員有志でチームを作り、 “新入社員プロジェクト生成AI を活用した Virtual Summit Assistant” というタイトルでブース展示を行いました。当日は絶えず沢山の来場者の方々にブースにお越しいただき、アプリケーションを体験していただきました。このブログでは、“新入社員プロジェクト生成AI を活用した Virtual Summit Assistant” の展示内容をダイジェストでご紹介します。
RIZAP が生成 AI と AWS で社内知識共有を革新 – AI チャットボットで業務効率と顧客満足度の向上を実現
本ブログは、RIZAP テクノロジーズ株式会社と Amazon Web Services Japan が共同で […]
jinjer 株式会社様の AWS 生成 AI 活用事例 「人事系 SaaS における人事問い合わせ AI 機能の開発」
本ブログは jinjer 株式会社様と Amazon Web Services Japan 合同会社が共同で執 […]
サルソニード様の AWS 生成 AI 事例「Amazon Bedrock と Amazon Kendra の RAG 環境で法律関連オウンドメディア記事作成を効率化」のご紹介
昨今、生成AIを活用して業務効率化を図るお客様が増えています。特に、大量のテキストデータを扱うマーケティング業務では、記事作成や校正、リライトなどのタスクを生成AIに任せることで、人的リソースを削減し、本来のマーケティング活動に注力できるようになってきました。
今回は、Web マーケティングのワンストップソリューションを提供されている株式会社サルソニード様が、Amazon Bedrock と Amazon Kendra を活用して法律関連オウンドメディアの記事作成を効率化し、記事のリライト業務にかける時間を 70 % 削減された事例をご紹介します
【開催報告&資料公開】 流通・小売・消費財業界向け:クラウドと生成 AI による顧客接点改革
流通・小売・消費財業界に関わられている方々を主な対象として、2024 年 5 月 9 日に「流通・小売・消費財 […]
Amazon Kendra と Amazon Bedrock で構成した RAG システムに対する Advanced RAG 手法の精度寄与検証
Advanced RAG の枠組みでは、検索前処理 (pre-retrieval) と検索後処理 (post-retrieval) としてさまざまな工夫が考案されています。検索前処理では、インデックス構造の最適化やクエリの改善を行います。検索後処理では、検索結果のランク付けや情報の圧縮を行い、大規模言語モデル (LLM) への入力を最適化します。これにより、よりコンパクトで的確な追加情報を LLM に提供し、応答品質の向上を図ります。本記事では Advanced RAG に分類される手法のうち、特に LLM を用いたクエリ拡張 (query expansion) と、検索結果の関連度評価という手法による回答品質への影響を簡易的に評価した結果を紹介します。