Amazon Web Services ブログ

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

本ブログは、鴻池運輸株式会社と Amazon Web Services Japan が共同で執筆しました。

鴻池運輸株式会社 (以下、鴻池運輸 )は、物流、製造、医療、空港業務など幅広いサービスを提供しています。グループ全体で約24,000名の従業員が所属し、国内外に多数の拠点を持っています。主な業務には製造業・サービス業の請負業務、国際・国内物流、定温物流、エンジニアリング業務などがあり、さらに最新技術の導入や労働負荷軽減の取り組みも積極的に行っています。

課題:

鴻池運輸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。

具体的には、拠点ごとに得たい情報目的が少しずつ異なっていたり、同じ作業でも作業の名称や作業機器、作業場所の呼び方が違ったり、拠点名自体の表記ゆれが発生するいうこともありました。加えてナレッジデータは拠点の担当者ごとに記載するため、粒度やフォーマットがばらばらになってしまうという問題もありました

取り組み:

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。アーキテクチャ図を以下に掲載します。

RAGアプリケーション アーキテクチャ図

RAGアプリケーション アーキテクチャ図

主な処理は以下のようになります。

前処理:

  1. 社内ナレッジデータの記載粒度を整える
  2. 記載粒度を整えた社内ナレッジデータを Amazon Simple Storage Service (S3) にアップロード
  3. S3 に保存されたデータを Amazon Aurora (Aurora) に項目ごとに保管

検索処理:

  1. RAGチャットアプリケーションから検索を実行
  2. Amazon Bedrock (Bedrock)を利用して検索クエリを補正
  3. Amazon Kendra (Kendra) で対象ファイルを自然言語で検索
  4. Kendra から返却された DocumentID を抽出
  5. 抽出された DocumentID を元に、Aurora から該当する DocumentID の全項目を返却
    ( Kendra からの返却情報では粒度が不足するため、全項目を別途取得する )

フォーマット処理:

  1. Aurora から返却された情報をコンテキストに追加
  2. Bedrock を利用して指定したフォーマット文章を返却 ( データソースのリンクを含む )

検証方法と結果:

結果の検証については、手動で確認しました。比較内容としては出力表記とソースリンクを確認し、ソースと出力内容の内容が一致しているかを確認するという方法を用いました。比較対象としては、 「返却された文章」および「データソースのリンク」と「S3 内に保管された文章」の 3 点としました。

そして合格条件として、以下の 1. が90%以上の確率で返却されることとしました。

  1. データソースが正しく、文章の記載内容も正しい
  2. データソースが正しいが、文章の記載内容に不備がある
  3. データソースが誤っているが、文章の記載内容が正しい
  4. どちらにも不備がある

検証結果として対象100件のうち、95件が合格。つまり「ハルシネーションが発生しない返答」という良好な結果を得られました。
その結果を踏まえてシステムの社内リリースを実施、直近 7 月のデータベースへの検索アクセス実績は従来の8倍近くに及んでいます。
数件のハルシネーションが発生したものの、ユーザー側の自然言語による検索の工夫でカバーてきていると考えており、利便性は大幅に向上したと考えています。

鴻池運輸の技術革新本部長である菅沼常務からは 「 今回のアップデートにより、アクセスし易さや検索機能が向上し、利用者の評価もアップしています 。また AWS 様のサービスを活用することでセキュリティも強化され、安心して利用できるシステムになりました。今後はグループ全体でこのシステムを利用してもらい、社内にある技術を活用して新たな価値を産み出せるような組織に変革していきたいと考えています。」 というコメントをいただきました。

今回の開発チームの構成として、WEB アプリケーションのフロントエンド / バックエンド開発者数名とプロンプトエンジニアリングを含む Bedrock の開発者 1 名になります 。少人数のチームではありましたが、エンジニアチームと現場ナレッジ側のデータ記載粒度の統一作業も並行してスムーズに実施できたため、着手から僅か4 か月で本番実装することができました。社内初となる生成 AI を用いたサービスを展開した結果、生成 AI そのものが社内でも広く認知されるようになり、また早くも別の生成AI アイデアが挙がってくるという副次的な効果も発生しています。

今後の展望:

目指す部分 :

今回の生成 AI を用いた RAG チャットアプリケーションの導入では多くの反応がありました。例えば別々の拠点間での導入サービス横展開の案件などです 。これらの対応を通じて社内ナレッジの活用を推進、課題解決のための効率化を図り、本業においてもより高品質なサービスをお客様へ提供してまいります。

具体的な対応 :

そのための直近の展開としては、以下のような対応を予定しています。

  • ユーザーの入力内容 (ユーザープロンプト) の分析 : ユーザープロンプトの内容からユーザーが抱える課題や要望を分析し、業務改善部門から該当拠点へのアプローチを容易にしていきます 。分析方法に関してはクラスタリング分析を想定しており、 Amazon SageMaker を利用することで効率的に実施できると考えています。
  • RAG アプリケーションの応用展開 : 今回の RAG チャットアプリケーションを他業務へ展開することによって業務効率向上を図ります 。対象としては「社内ヘルプデスク」や「各部門の FAQ」、「安全品質にかかわる社内周知」といった業務を検討しています。

まとめ:

今回の開発では、Amazon Bedrock と AWS Kendra を活用した RAG ソリューションによって社内情報の暗黙知を共通知化することができました。鴻池運輸では今後も AWS の先進的なテクノロジーを活用し、こうした活動を通じてより高品質なサービスをお客様に提供していく考えです。

ソリューションアーキテクト 伊藤 一成