[レポート] AWS Partner Tech Study Day 2024 に参加してみた

あしざわ

2024.08.31

あしざわです。

2024 Japan AWS Ambassadors/Top Engineers/Jr. Champions受賞者向けの特別イベント『AWS Partner Tech Study Day 2024』に参加してきました。

AWS Partner Tech Study Day 2024 とは？

本イベントは、AWS パートナーネットワーク (APN) 参加企業に所属するメンバーを表彰するプログラムである「2024 Japan AWS Ambassadors」「2024 Japan AWS Top Engineers」「2024 Japan AWS Jr. Champions」に選出された方限定で招待されている特別イベントです。

東京目黒にある目黒セントラルスクエアのAWSJオフィスにて、オフライン限定で開催されました。

タイムテーブル

同じ時間に複数セッションが並行していましたが、私が参加したメイン会場のタイムテーブルはこちら。

12:30-13:00 受付、入場
13:00-13:10 はじめに
13:10-14:00 セッション①(Gen AI)
14:00-15:00 セッション②(Modern Appilication)
15:00-16:00 セッション③(Database)
16:00-17:00 セッション④(AWS Support)
17:00-18:00 セッション⑤(AWSのデータセンター)
18:00-18:30 懇親会準備
18:30-19:30 懇親会
19:30-19:45 撤収

主要なコンテンツとなるセッションはAWS関係者の方々によるセッションです。

どれもTop Engineer向けのセッションであり普段の他のAWSセッションよりも技術的に深い、特定の分野にDeep Diveしたような話がたくさん聞けました。

一部セッションと並行して、Well-Architectes Mini Bootcampも開催されていました。事前申込制だったので私は参加できなかったのですが、こちらも非常に面白かったそうです。

[レポート] AWS Partner Tech Study Day 2024(Well-Architected Mini Bootcamp 運用上の優秀性の柱)に参加してみた | DevelopersIO

参加したセッションの概要

私が参加したセッションはこちらです。

Generative AI セッション「100以上の生成AI事例に見るビジネスインパクト創出の方程式」
Modern Appilication セッション「システム開発の現場に生成AIをどう活用すべきか」
Database セッション (外部発信禁止)
AWS Support セッション (外部発信禁止)
AWSのデータセンターセッション (外部発信禁止)

1. 100以上の生成AI事例に見るビジネスインパクト創出の方程式

顧客課題に対して生成AIを活用した提案を行う際の「ユースケースの選定」と生成AI活用を進めていくための「ボトルネック分析」をテーマにしたセッションでした。

技術の話はほぼ出てこないので、営業の方やプリセールスをやっている方に聞いてほしいセッションです。

AWSの100以上の事例からみた生成AIのよくあるユースケースはこちらの6点。

データの読み取り
対応スキルの底上げ
営業支援
コンテンツ審査
検索性の向上
商材作成

事例からアプローチする手段の1つとして、まずはこのどれに当てはまるかから顧客課題にアプローチしていくことを考え流べきです。。

生成AIを価値創出に繋げる流れはこちら。

生成AIの利用基盤構築
社内業務への適用
対顧客・社外サービスへの適用

ただし、生成AIの利用を始めても「1. 生成AIの利用基盤構築」で止まってしまうことがよくあります。

AWSの100以上の成功事例の共通点はこちら。

顧客起点文化
- エンドユーザー体験が改善されているかの「効果測定」を定量的に実施している（50%近くの企業は成果を測定していない）
小規模なチーム
- 2-4名のチーム。少ない場合は1名
頻繁な実験
- ほぼ全ての会社が1-3ヶ月で本番稼働。

まとめると「新技術を積極的に活用する文化や人材」「小規模なチームで頻繁な実験」が生成AIを活用できる企業とできない企業を分けているとのことです。

以下セッションを聞きながら取ったメモがあるので、詳細が気になる方はこちらをご覧ください。

セッションメモ

ゴール
- お客様の課題である「ユースケースの選定」に事例カタログを用いたアプローチが可能になること
  - 現時点で、AWSには100以上の事例と69件の公開事例がある
  - 公開事例スライドはパートナーに共有可能
  - 生成AIコンテンツハブでも事例ブログが公開されている（7月に公開された）
- 生成活用を進める際のボトルネック分析が可能になる
生成AIのユースケース
- Q. お客様にお勧めできる生成AIのユースケースは？
- 1. データの読み取り
  - PDF、音声など様々な媒体からのデータ抽出が40〜90%効率化できる
    - 例）帳票のOCRのモデル開発のために1ヶ月以上・2000万円必要だったが、生成AIの適用で対応できた
    - 例）決算短信からの情報抽出
      - データ整形システムで読み取ったデータを生成AIで分析
    - 例）入札仕様書からの情報抽出
      - 英語記載の入札仕様書（英語記載）の読み取りに熟練者でも40時間くらいかかっていた、生成AIによって解析時間が70％短縮できた
- 1. 対応スキルの底上げ
  - 専門知識に基づく応対を50-90%の精度で実現
    - 例）契約書、技術情報や規制情報など様々な専門性の高いドキュメントの横断的検索と回答に生成AIを適用
      - 15年以上の経験があるメンバーが1時間以上かけていた回答を3年目でも1-2分で対応できるように。
    - 例）製造業の製品情報ファイルを分析し、80%の精度で回答できるように
- 1. 営業支援
  - 情報抽出・商談要約作業を30-70%近く削減
  - 例）580件ある営業日報の解析を、若手4名が1ヶ月で日報作成補助、分析アプリを開発。日報分析の時間を月700時間以上削減。
- 1. コンテンツ審査
  - 社内規定やガイドラインに基づくチェックを効率化。このような作業はチェック品質とスピードのバランスが課題。
  - 例）ISMS認証の維持審査のために100以上の社内規定の読み込みが必要。指摘事項があると対応策の実施に膨大な時間がかかる。生成AIで事前に想定質問を作ることで対応できた
- 1. 検索性の向上
  - 生成AIによる検索機能の拡張、CTRを数倍から数十倍に。ニーズに応じた商品の提案に課題がある場合。
  - 例）4000万件以上の公開コンテンツに対して基盤モデルによるタグ付けに生成AIを活用。
- 1. 商材作成
  - マーケティングのための商材作成を50%効率化。クリエイティブ作成の人材やコストに課題がある場合
  - 例）広報誌で使う画像の手配が大きな負担。生成AIの適用により社内ポスターに使う写真撮影の時間を70%短縮できる見込み (パルシステム)
  - 例）植栽発注に生成AIを活用。施工業者と発注者との間で完成イメージを共有することで受発注間のトラブル防止に役立てている。（Garden Snap）
生成AIを価値創出に繋げる流れ
- ① 生成AIの利用基盤構築
- ② 社内業務への適用
- ③ 対顧客・社外サービスへの適用
あなたのお客様にお勧めできる生成AIのユースケースは？
- 先述した1〜6より
生成AIの活用企業におけるビジネスインパクトの方程式
- Q. お客様で生成AI活用は進みそうですか？
- 100以上の事例に見る共通点
  - 顧客起点文化
    - エンドユーザー体験が改善されているかの効果測定を定量的に実施している（50%近くの企業は成果を測定していない）
  - 小規模なチーム
    - 2-4名のチーム。少ない場合は1名
  - 頻繁な実験
    - ほぼ全ての会社が1-3ヶ月で本番稼働。ISMS監査で使っている会社でも3ヶ月。
  - 例）エフピコ：日報分析時間を700時間削減、新人4名チーム、1ヶ月
  - 例）第一興商：コールセンター担当の会話記録体験の作業時間削減、1人、3週間
何が活用できる企業とできない企業を分けるのか
- 新技術を積極的に活用する文化や人材
- 小規模なチーム、頻繁な実験
「① 生成AIの利用基盤構築」で止まる企業が多い
Peopleが生成AIのリスクとなる
- 活用効果が期待を下回った企業のうち「社員のAIリテラシー」を最大の理由に挙げた企業が4割。
- 過去の技術的進化を活用できていない企業はその後の変化も活かせない傾向がある
  - クラウドネイティブの導入をしている企業は生成AIを導入している傾向にある
Processが生成AI活用のリスクになる例
- 3ヶ月以上かかると中断するリスクが高まる
  - これ以上かかるとAI/MLより優先すべきタスクが生まれやすい
- 実績ある資産を活用してセキュリティガバナンスをボトルネックにしないこと
  - 日本ディープラーニング協会等が公開している雛形の活用、総務省の「クラウドサービスの安全・信頼性のかかる〜情報開示指針」の活用
  - セキュリティのアーキテクチャAWS公開サンプルの活用
Processの可能性
- 最初のユースケースが外れても、3回目には9割以上で期待以上の効果が得られる
  - 57%が生成AI導入の効果を感じられているから、3回やれば9割以上になる
質問2：お客様で生成AI軽等進みそう？
- 顧客起点文化、小規模なチーム、頻繁な実験
AWSのプログラムにみる具体的な進め方
- Q. お客様に役立つAWSのプログラムやコンテンツは？
- 基本的な方針：ハイインパクトなユースケースを組織遠隔のテコに
  - 小規模かつ頻繁な改善ができるチームに、成功しやすいハイインパクトなユースケースを託すことで組織変革へ
  - 短期間の成功体験の積み重ねによって社内浸透の弾みをつける
- ML Enablement Workshop（MLEW）
  - チームの組成に重点を置いている施策
  - 顧客の声
    - ワークショップイベントでの顧客体験分析を通じてタスクと効果測定KPI決められた
  - 資料はGitHubで公開されている
    - https://github.com/aws-samples/aws-ml-enablement-workshop
- 生成AI活用開始プログラム
  - 迅速な本番実装に重点
  - 1.ユースケースを特定できない
    - 最もインパクトに高いユースケースを選択的にすることで解決
  - 1. 実装能力・経験に不安
    - ユースケースに特化したデモプログラム
  - 1. 検証中のコストに不安
    - AWSクレジットを提供
  - AWS Summitで業界特化のサンプルを公開
  - 生成AI実用化推進プログラム
- AWS Exective Briefing Center
  - Amazon流のプロダクト作りを伝えるプログラム（EBC）
  - 顧客起点文化に重点
質問3:お客様に役立つAWSのプログラムとコンテンツは？
3つの質問の答えをまとめて、提案シナリオを作ろう
- 有効なユースケース、お客様状況、提案シナリオ

システム開発の現場に生成AIをどう活用すべきか

テーマも内容も主題の通りで、開発現場での生成AI活用に関するセッションです。

前半は、開発現場で利用できるAWSサービスの話が多めでした。概要やユースケースだけでなく最新のアップデート情報に関しても触れられていたので生成AIの話題に乗り遅れがちな私的には嬉しかったです。

以下のように簡単なアプリケーションはAmazon Qのような構築済みのAWSサービスで賄ってしまって、複雑なアプリケーションを

構築済みアプリケーション
- Amazon Q (Developer、Bussiness)、AWS App Studio
アプリケーション開発
- Amazon Bedrock、Bedrock Claude Chat

後半は、ソフトウェア開発の現場に対する生成AIのアプローチは、開発・テストフェーズで利用されることが多いコーディング支援ツール以外の範囲でもたくさんあるんだよ、という話でした。例えば、文書作成・タスク管理・コミュニケーションなど設計や運用フェーズでも生成AIは活用できます。

全体をまとめると、開発工程全般での生成AI活用の期待が高まっているので、さまざまな開発工程で生成AIをガンガン使っていこう！です。

以下セッションを聞きながら取ったメモがあるので、詳細が気になる方はこちらをご覧ください。

セッションメモ

どちらかというとアプリケーション領域の話が多め
アジェンダ
- システム開発における課題領域の整理
- システム開発に活用できるAWSの生成AIサービス
- システム開発での生成AI活用
生成AIによる変革
- 生成AIのユースケースの価値のうち75％は「カスタマーオペレーション、マーケティング営業、ソフトウェア開発、プロダクトR&D」で起きる
ソフトウェア開発における課題領域
- コーディング支援ツール（コードコンパニオン）がカバーするのはごく一部
- 開発・テスト以外でも課題感がある
生成AIによる開発生産性向上の適用領域
- ソフトウェア開発ライフサイクル
- プロジェクトマネジメント
ソフトウェア開発ライフサイクルでの生成AI活用ユースケース
- 要求分析、設計、実装、テスト、デプロイ、保守の全領域で生成AIが活用できる
  - 実装・テストだけではない
- 効果が限定的な領域は現状あるが、今後の生成AIの性能向上で解決する場合があるため、今のうちにやり始めることが大事
ユースケース
- 文書作成
  - 会議資料、報告書の作成支援
- タスク管理
  - 事前言語によるタスク作成
- コミュニケーション
  - メール・チャットのコミュニケーションをAI要約
- データ分析
  - プロジェクトデータの可視化分析
- 知見共有
  - プロジェクトの知見をAIでまとめて共有
生成AI導入によって得られるもの
- 開発者の工数削減による負荷削減、エンジニア不足解消
- 開発成果物の品質向上
  - 例）レビューで活用することで質を向上させる
- 顧客に対する価値提供スピードの向上
  - ソフトウェアのデリバリースピード向上＝価値提供のスピードが向上
イノベーションの加速
- Flywheel（Amazonの文化）を早く回すことでイノベーションが加速する
システム開発で利用できるAWSサービス
- 構築済みアプリケーション：Amazon Q
  - Amazon Qの「Q」はスタートレックが元ネタらしい
  - Amazon Q Bussiness
    - 生成AIのチャットアプリケーション
      - 企業独自のデータソースに情報に基づいた（RAG）チャットWebアプリを提供
    - プロジェクト管理アプリへのISSUE起票もできる
    - 現状は英語のみのサポート、日本語対応はまだだがAWS Summitで対応が予告された
    - Amazon Q Apps（Bussinessの機能）
      - 自然言語で作成したいアプリの説明をすることでノーコードでアプリが開発できる
  - Amazon Q Developer
    - 開発者向けのアプリケーション
    - コードの作成支援、セキュリティスキャンなど
    - 現状英語のみ対応だが、部分的に日本語対応している
    - Amazon Q in the IDE
      - IDEなどのエディターからコードを作成、提案
        
        ペアプログラミングをしている気持ちでコーディングできる
      - セキュリティスキャン機能もあり
    - Amazon Q Developer Customization（先日のSummit NewYorkでGA）
      - 組織の内部コードリポジトリを元にコード推薦をカスタマイズ
      - CloudWatchで提案コードの受け入れ率などのパフォーマンスを監視可能
      - Java、JS、 TS、Pythonをサポート
    - Amazon Q Developer Agent for Software Development
      - in IDEのチャット欄で「/dev」+プロンプト入力
      - ファイル作成を含むコード生成タスク計画の立案実行が可能
      - SWE-BenchのLeaderboard Full、Leaderboard Verifiedのベンチマークで最高スコアを達成している（2024/8/30時点）
        
        現状の解決率は19.75%
    - Amazon Q Developer Agent for code transformation
      - 短時間でプログラミング言語のバージョンを最新化
      - ビジネス価値を生まないが、リスク上対応しなければならない
      - Amazonの事例で、Java 8またはJava 11からJava 17へのアプリケーション移行を効率化
        
        数万の本番稼働アプリケーションを移行、4500年分の作業時間を節約、年間2億6000万ドルのコスト削減と性能向上を実現
  - AWS App Studio（Preview）
    - 新しいローコード開発サービス
    - AuroraやDynamo DBなどの外部データストアを利用可能
    - オレゴンリージョンでPreview可能
- アプリケーション開発
  - Amazon Bedrock
    - Claude 3/3.5
      - 日本語処理とトークン調に優れている
      - 開発成果物は文字数など情報量が多いので、利用しやすい
      - マルチモーダル対応
        
        テキストだけでなく画像もインプットできる
        
        画像を読み込ませてのモック作成
    - Bedrock Claude Chat
      - OSSのチャットアプリのサンプルアプリケーション
      - https://github.com/aws-samples/bedrock-claude-chat
AWSの生成AIサービスがカバーする範囲
- Amazon Q Developer
  - 設計、実装、テスト、デプロイ、保守
- Amazon CodeCatalyst(一部生成AIの機能がある)
  - 実装、テスト、デプロイ
- Amazon Q Bussiness、Amazon Bedrock
  - 要求分析、設計、実装、テスト、デプロイ、保守
  - （Bedrockはカスタマイズ性が高い）
生成AIが効率化させるユースケース
- 次の工程の成果物の作成を効率化
  - 例
    - 要件定義書、モックアップをインプットに設計書やAPI定義を作成
    - 設計書をインプットにコードやDDL、テスト仕様書、IaCコードを作成
    - 成果物をナレッジベースにRAGチャットボットを作成、ドキュメントやレポートを作成。保守フェーズで活用。
- プロジェクトマネジメントでの活用
  - Amazon Q Bussiness、Bedrockを使ったRAGの作成
生成AI以外のサービスを利用して開発を効率化
- 主にDevOps分野で活用
システム開発への生成AI導入
- 導入の流れ
  - 適用するユースケースの選定
  - 適切な生成AIサービスの選定
  - 生成AIサービスを各工程で使用
    - 自由度が高いため、効率的に活用するためのノウハウが重要
      - 例）モックアップの画像を読み込んで、HTMLコードを出力
        
        これだとデザインに関する情報がない
        
        AIにプロンプトを追加して情報を追加すべき
        
        会社は個人でAI活用のステップを進める
- 生成AI活用のステップ（要求分析、設計フェーズ）
  - Level1: 個人での実施
    - 個人でプロンプトを考えて作業を効率化
    - 利用ツール（RAGなしの生成AIチャットbot）
  - Level2: 知見の共有と標準化
    - 個人の知見を集めて組織で共有
    - 利用ツール（RAGなしの生成AIチャットbot）
  - Level2.5：開発プロセスの改善
    - 生成AI活用を前提とした開発プロセスへの変更
    - 独自のExcel設計書から標準的な形式へ
    - 利用ツール（生成AIチャットbot、必要に応じてRAGも活用）
    - スキップする場合もある
  - Level1からLevel2へ（プロンプト集の作成）
    - 適用ユースケースの選定
    - プロンプト開発ワークショップ
    - プロンプト開発
    - プロンプト集の作成
    - 社内公開
- 生成AI活用のステップ（実装以降）
  - Amaozn Q Developerの活用
    - Code Whisperer（現在のQ Developer）の活用集の利用
    - 料金体系：Developer Freeは無料、Developer Proは有料
- 生成AI活用におけるポイント
  - 生成AIの出力結果を目利きする人が必要
  - 生成AIの結果に100%を求めない
    - 今までの作業のサポートで生成AIを使用することで工数削減や精度向上を達成することに価値
  - 独自形式のドキュメントより、標準仕様や一般的な形式を採用した方が生成結果の精度が高い
まとめ
- 開発工程全般での生成AI活用の期待が高まっている
- 簡単なアプリケーション開発は生成AIで作成
- 複雑なアプリケーションは生産性向上のために生成AIを活用
- AWSでは生成AIの導入を支援可能