「聞くだけで、必要な情報が集まる」航空オペレーション基盤を Kiro で実現する

航空業界では、散在するデータの横断的な活用が長年の課題でした。本ブログでは、 Amazon S3 を中心としたデータレイクに航空データを集約し、Amazon Bedrock AgentCore と Amazon Bedrock Knowledge Bases で横断的に AI 検索できる 航空オペレーション基盤を紹介します。この基盤の上に業務アプリケーションを載せて具体的な課題を解決する例として、ターンアラウンド管理（フライトの地上折り返し作業の可視化・管理ツール）を紹介します。

また、本ソリューションは Kiro（AI 搭載の IDE）を活用し、自然言語による仕様定義からコード実装までを一貫して行う「スペック駆動開発」で構築しています。要件を自然言語で整理すれば、ここで紹介する規模のソリューションを開発できることも合わせてお伝えします。

注：本ソリューションで使用している航空データ（フライトスケジュール、整備マニュアル、乗客情報など）はすべて架空のデモデータです。実在の航空会社・便名・人物とは一切関係ありません。

なぜ作ったのか

本ソリューションは、以下の問いに答えるために構築したデモソリューションです。

「航空会社が保有する膨大で多様なデータを、 AWS の AI ・データサービスで統合し、現場の意思決定を加速できるか？」

航空会社は日々、フライトスケジュール、フライトデータ、整備マニュアル、安全報告書、作業員音声記録、ケータリング在庫、乗客情報など、膨大なデータを生成しています。しかしこれらは業務システムごとにバラバラに管理されており、横断的な分析には人手と時間がかかります。

現場がよく直面する課題として、たとえば以下のようなものがあります。

• 情報がバラバラに散らばっている — 「この機材の整備履歴と異常を突き合わせたい」と思っても、 3 つも 4 つもシステムを開いて手作業で確認するしかない
• 蓄積されたデータが業務改善に活かされていない — 日々生成されるフライトデータ、作業記録は膨大ですが、分析や意思決定に活用する仕組みが追いついておらず、経験と勘に頼った判断が続いている
• ベテランの知識が共有されない — 整備マニュアルの PDF 、安全報告書、経験に基づくノウハウ。キーワード検索では見つからず「あの人に聞くしかない」状況

これらの課題に対し、 AWS が提案するのは 「聞けば、必要な情報が集まり、状況が分かる」 航空オペレーション基盤です。各システムのデータをデータレイクに集約し、 AI が横断的に検索・統合して回答する仕組みで解決します。

ソリューションの全体像

本ソリューションは 2 つの層で構成されています。

• データレイク（基盤層） — 38 GB ・約 29 万ファイルの航空データ全体に、自然言語で質問するだけで答えが返ってくる AI 検索基盤
• ターンアラウンド管理（活用層の一例） — データレイク基盤の上に構築した、フライトの地上作業を可視化・管理する課題解決ツール（このようなツールを業務ごとに追加できる構成です）

両層は AI の検索基盤を共有しており、ターンアラウンドの作業画面から画面を切り替えることなく、整備マニュアルや過去のフライトデータに自然言語で質問できます。

データレイク — 「聞くだけ」で全データから答えが返る

フライトスケジュール、整備マニュアル、安全報告書、フライトデータ、作業員の音声記録。これまで別々のシステムに散在していた航空データを、 AI が横断検索できるようにしました。

使い方は簡単です。画面右側のチャット欄に、普段使う言葉で質問を入力するだけ。 AI が関連する複数のデータソースから情報を収集・統合し、回答を生成します。キーワードの完全一致ではなく「意味」で検索するため、マニュアルの表現が少し違っていても関連情報を見つけ出します。

従来は複数のシステムを手動で開いて突き合わせに 30 分以上かかっていた作業が、 AI への一言の質問で数秒に短縮されます。しかも、人が見落としがちな関連情報も AI が自動的に引き出します。

データの全体像を把握するダッシュボードも備えています。「そもそもどんなデータが、どれだけあるのか」を可視化することで、分析の出発点を明確にします。データの偏りやカバレッジの不足も一目で発見できます。

地図・フライトデータ・音声 — 多様なデータをそのまま活用

航空データは構造が多種多様です。テキストだけでなく、航路データ（地図表示）、フライトレコーダー、作業音声（録音ファイル）を、それぞれ最適な形式でプレビュー・活用できます。わざわざ専用ソフトを開く必要がなく、ブラウザ上で即座に確認できることが運用効率に直結します。

ターンアラウンド管理 — データ活用による課題解決ツールの一例

データレイク基盤の上に構築した具体的な課題解決ツールとして、ターンアラウンド管理（フライトの到着から出発までの地上作業の可視化・管理）を紹介します。

飛行機が到着してから次に出発するまで、わずか 45 〜 90 分。その間に清掃、給油、ケータリング搭載、手荷物積み降ろし、機体点検など多数の作業を並行して完了させなければなりません。本デモでは仮に以下の 8 つの作業を定義していますが、実際の運用では乗務員ブリーフィングや機用品補充なども加わります。必要な作業が変わった際にも柔軟に追加や入れ替えができる設計にしています。

口頭報告を待たなくても全タスクの状態が即座にわかり、遅延の兆候を早期に検知できます。 45 分のターンアラウンドで 5 分の遅延発見が早まるだけで、定時出発率への影響は大きく変わります。

フライト一覧 — 全便の状況を一目で把握

本日の運航便を一覧表示し、各便のターンアラウンド進捗を色分けで即座に確認できます。「どの便が問題を抱えているか」を管理者が瞬時に判断し、リソースを再配分するための全体俯瞰画面です。 3D 地球儀モードでは飛行中の便の位置がリアルタイムに更新され、全体のオペレーション状況を直感的に把握できます。

フライト詳細 — 1 便の全情報を集約

便を選択すると、その便に関する全ての情報が一画面に集約されます。 8 タスクの進捗バー、機材情報、出発・到着時刻、乗客数。複数画面を行き来する必要がなく、「この便は今どういう状態か」が 1 クリックで完全に把握できます。

タスク管理 — 現場からリアルタイムに報告

作業員が無線機やスマートフォンから「作業開始」「作業完了」を 1 タップで送信するか、現場の無線通信内容から AI がステータスを自動判定して、管理画面にリアルタイムで反映されます。

従来の口頭報告やハンドサインに頼る仕組みでは、「報告を受けた時にはもう遅い」ことが多発していました。デジタル入力にすることで、報告の遅延ゼロ・記録の自動蓄積を同時に実現します。蓄積されたデータは過去分析に活用でき、「どのタスクがどの空港でボトルネックになっているか」を定量的に把握できるようになります。

完了結果 — 作業実績の自動記録と分析

全タスク完了後、各タスクの所要時間・音声記録の文字起こし・ AI 要約が自動的に生成されます。手書き報告書の作成が不要になり、作業記録は即座に検索・分析可能な形で蓄積されます。「何が報告されたか」「どのタスクで問題があったか」を定量的に振り返れるようになります。

フライトツイン 3D — 巡航中の機体のデータを「見て」判断する

飛行中の航空機のフライトデータを 3D でリアルタイムに可視化し、フライトレコーダーのデータと連動させます。 PFD（計器表示）、エンジン状態、健全度スコアがリアルタイムに更新されます。

エンジン温度の偏差や N1 回転数の左右非対称など、数値だけでは気づきにくい異常の兆候を視覚的に捉えられます。「見ていて面白い」だけでなく、故障予兆の早期発見という実用的な価値があります。整備部門との情報共有も、 3D 画面を共有するだけで直感的に行えます。

フライトレコーダー分析 — フライトデータを AI が読み解く

エンジン温度、振動、油圧などのフライトデータを時系列グラフで表示し、 AI が異常値の傾向を自動判定します。過去のフライトとの比較も可能です。

ベテラン整備士が経験に基づいて「この数値の傾向は気になる」と判断していたプロセスを、 AI が 24 時間自動的に実行します。属人的な判断を組織的な仕組みに変え、見落としリスクを低減します。

ケータリング搭載管理 — 搭載計画から在庫管理まで一元化

機内食の搭載計画と在庫管理を統合しています。「どの機材のどのギャレーに、どのカートを搭載するか」を視覚的に管理できます。在庫状況・販売実績・需要予測まで一画面で確認でき、欠品リスクの早期検知と発注判断を支援します。

ケータリング搭載の遅延はターンアラウンド全体に波及します。搭載計画を事前に最適化し、在庫不足を予測段階で検知することで、当日の手戻りを防ぎます。また、エアライン別のデータ分離により、外航受託便でも正確な搭載管理が可能です。

乗客情報 — サービス品質の事前準備

搭乗予定の乗客情報を事前に把握し、サービス品質の準備に活用できます。上級会員の比率が高い便では追加の対応準備が必要になりますし、販売チャネルの偏りは今後のマーケティング施策にも活きるデータです。

分析ダッシュボード — 過去データから改善ポイントを発見

蓄積されたターンアラウンドデータを集計し、「どのタスクが遅れやすいか」「どの空港で遅延が多いか」「時間帯による傾向はあるか」といった分析が行えます。

感覚的だった改善活動が、データに基づく定量的な PDCA サイクルになります。「特定空港の給油は午後に遅延しがち」「特定機材の清掃は他機材より 10 分長い」といった具体的な知見が得られ、人員配置やプロセス改善の根拠になります。

AWS アーキテクチャ

ここからは、本ソリューションを支える AWS の技術構成について解説します。

データレイクの構成

S3 共有バケットに格納された航空データ（38 GB / 29 万ファイル）を Amazon Bedrock Knowledge Bases でベクトルインデックス化し、Amazon Bedrock AgentCore Gateway 経由で統合的にアクセスします。

主要コンポーネント：

• Amazon Bedrock AgentCore Gateway — RAG
  検索の統合エンドポイント（IAM SigV4 認証、複数システムから共有利用）
• Amazon Bedrock Knowledge Bases — S3
  上の航空データに対するセマンティック検索
• Amazon S3 Vectors — サーバーレスベクトルストア（管理不要、低コスト）
• Amazon Titan Embed V2 — 埋め込みモデル（1,024 次元）
• Amazon EventBridge — S3 オブジェクト変更のリアルタイム検知
• Amazon SQS — デバウンス付きバッファ（5 分ウィンドウで変更を集約）
• AWS Lambda — カタログインデクサー、 KB 同期、統計集計（6 関数）
• Amazon DynamoDB — カタログメタデータ・統計情報のサーバーレス管理

カタログ自動同期の仕組み

S3 オブジェクト変更 (PUT / DELETE)
 → EventBridge ルール（リアルタイム検知）
 → SQS キュー（デバウンス: 5 分ウィンドウで集約）
 → Lambda（カタログインデクサー）
 → DynamoDB 更新
 → Knowledge Base インジェスション（ベクトル再構築）

S3 にデータを置くだけで AI 検索インデックスが自動更新される仕組みです。 SQS の 5 分デバウンスで細かな変更を集約し、 Lambda 起動回数とコストを最適化しています。

ターンアラウンド管理の構成

ユーザー（ブラウザ）
 → CloudFront → ALB
 → ECS Fargate (フロントエンド: React + Three.js + MapLibre)
 → ECS Fargate (バックエンド: Express.js + WebSocket)
 ├→ AgentCore Gateway (SigV4) → KB → Claude [AI 分析]
 ├→ Amazon Transcribe (WebSocket) [音声文字起こし]
 ├→ Amazon Location Service (API Key) [地図・航路描画]
 └→ Amazon S3 + S3 Files (/mnt/s3) [データストレージ]
 └→ エフェメラルキャッシュ (50 GB) [高速読み込み]

主要コンポーネント：

• Amazon Bedrock (Claude Sonnet 4 / Claude 3.5 Haiku) — AI
  分析・要約生成
• Amazon Transcribe — 作業員音声のリアルタイム WebSocket 文字起こし
• Amazon Location Service — 空港マップ・航路可視化（API Key 方式）
• Amazon ECS on AWS
  Fargate — バックエンド・フロントエンドのコンテナ実行
• Amazon S3 + S3 Files — 38 GB / 29 万ファイルの共有ストレージ（NFS マウント）
• Amazon Polly — デモ音声生成（Neural ボイス、デプロイ時バッチ処理）
• AWS Cost Explorer — システム別コスト可視化

Kiro によるスペック駆動開発

本ソリューションは、 AWS が提供する AI 搭載 IDE Kiro を活用して構築しています。 Kiro のスペック駆動開発では、開発者が自然言語で要件を定義すると、 AI が設計・タスク分解・コード実装までを一貫して支援します。

自然言語で要件を記述（requirements.md）
 → Kiro が技術設計を提案（design.md）
 → タスクリストを自動生成（tasks.md）
 → タスクに沿ってコードを実装
 → 受入基準に基づく検証

本プロジェクトでは、 12 のサブシステムにわたる 79 個の仕様ファイルを Kiro のスペックとして管理しています。 24 の要件を 9 つのフェーズに分割して段階的に実装しました。要件を自然言語で整理すれば、ここで紹介した規模のソリューションを Kiro で開発できます。

まとめ

本ソリューションは、航空オペレーションが抱える「データのサイロ化」「作業進捗の不可視性」「暗黙知の属人化」という 3 つの課題に対して、 AWS サービスの組み合わせでどこまで解決できるかを示すリファレンス実装です。

• 散在するデータは AI が横断検索する。 Amazon
  Bedrock Knowledge Bases + Amazon Bedrock
  AgentCore Gateway により、 29 万ファイルに自然言語で即座にアクセス
• 作業進捗はリアルタイムに見える化。 無線機・モバイル対応で、口頭報告に頼らない進捗管理を実現
• フライトの状況は地図上で一目でわかる。 Amazon Location Service
  により、全機材の航路・空港状況をリアルタイムに可視化
• データ変更は自動でカタログに反映。 EventBridge + SQS + Lambda
  のイベント駆動で運用負荷を最小化
• 仕様は自然言語で書き、 AI が実装する。 Kiro のスペック駆動開発で、 12 システム・ 79 仕様を効率的に管理・実装

このアーキテクチャパターンは航空に限らず、製造業・物流・医療など、複数の業務システムにまたがるデータを AI で統合検索・分析し、現場の意思決定を支援したい多くの産業で応用可能です。要件を整理すれば、 Kiro で開発できます。

著者

アマゾンウェブサービスジャパン合同会社
エンタープライズ事業統括本部 交通・物流事業本部　シニアアカウントマネージャー
金子 暁人

アマゾンウェブサービスジャパン合同会社
技術統括本部 ソリューションアーキテクト
稲田 崇志