LoginSignup
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@BNR-Shizukain株式会社BinaryTech | 日本品質 × ベトナム開発、最高のバランスを。

AIと考える仕事術 | [第6回]: Slack＋AIで社内通知を効率化

Posted at

SlackとOpenAI APIで実践する「社内通知のAIフィルタリング」で情報洪水とさよならする方法

1. はじめに：増え続ける社内通知と「通知疲れ」

みなさん、日々の業務でこんな経験はありませんか？

  • 重要なSlackチャンネルのはずが、雑談やBotの自動通知が多くて本当に確認すべきメッセージを見逃しそう
  • デプロイ通知、監視アラート、問い合わせ通知...全てが「重要」マークで流れてきて、結局何が本当に緊急なのか判断できない
  • 休暇明けにSlackを開くと、数千件の未読メッセージが...。全てに目を通すのは不可能で、情報選別のだけで一日が終わる

これは現代のエンジニアが共通して抱える「情報洪水」問題です。全ての通知は本来、何らかの目的があって設定されたものですが、その量が多すぎると脳が麻痺し、かえって生産性を低下させます。

本記事は、この問題をAIの力でスマートに解決する実践的な方法を紹介します。具体的には、OpenAI APIとSlack APIを連携させ、流れてくる通知を自動で分類・要約し、エンジニアが本当に注目すべき情報だけを抽出するシステムを構築します。

理論だけで終わらず、実際に動作するPythonコードとともに、設計思想から実装のコツ、落とし穴までを詳しく解説していきます。

2. ソリューションの概要：AIを「知性のあるフィルタ」として活用する

今回構築するシステムの核心的なアイデアは、AIを単なるチャットボットではなく、「知性のあるフィルタ」 として利用することです。

アーキテクチャ概要

このシステムは、Slackからの生の通知を一旦すべて受け取り、OpenAI APIに渡して以下の3つの判断をさせます。

  1. 重要度の評価 (Critical, Normal, Ignore)
  2. カテゴリ分類 (Deploy, Alert, Inquiry, Chat, Other)
  3. 要約 (長文の通知は要点を抽出)

この判断に基づいて、后续の処理を振り分けます。Criticalなアラートは即時に個人へDM、Normalなデプロイ通知はまとめてレポートチャンネルへ、Irrelevantな雑談は無視する、といった具合です。

なぜLLM（大規模言語モデル）なのか？

従来の手法では、キーワードマッチングや正規表現でフィルタリングしていました。しかし、この方法は「意味」を理解できないため、誤判定が多発します。
例) 「エラー」という言葉は、本番環境の重大な障害でも、雑談中の「タイプミスしちゃったーエラー」でも同じようにヒットしてしまいます。

LLMは文脈を理解できるため、こうした従来手法の課題を克服し、はるかに高精度なフィルタリングを実現できます。

3. 実装：実際にコードを動かしてみよう

ここからは、具体的な実装手順を解説します。使用言語はPython、インフラはAWS LambdaとAPI Gatewayを想定しますが、考え方は他の環境でも応用可能です。

ステップ1: 環境設定とライブラリのインストール

必要なライブラリをrequirements.txtに記述します。

openai>=1.0.0
slack-sdk>=3.27.0
requests>=2.31.0
python-dotenv>=1.0.0

ステップ2: Slack Incoming Webhookの設定

  1. Slack Appを作成し、Incoming Webhookを有効化します。
  2. 通知をフィルタリングしたいチャンネルに、このAppをインストールし、Webhook URLを発行します。
  3. 発行されたURLを環境変数SLACK_WEBHOOK_URLに設定します。

ステップ3: OpenAI APIの準備

  1. OpenAI PlatformでAPIキーを発行します。
  2. こちらも環境変数OPENAI_API_KEYに設定します。

ステップ4: 核心部分のLambda関数コード

以下が、処理の核心部分です。lambda_function.pyとして実装します。

import os
import json
import openai
from slack_sdk.webhook import WebhookClient
from dotenv import load_dotenv

# 環境変数の読み込み
load_dotenv()

openai.api_key = os.getenv('OPENAI_API_KEY')
SLACK_WEBHOOK_URL = os.getenv('SLACK_WEBHOOK_URL')
REPORT_CHANNEL_WEBHOOK = os.getenv('REPORT_CHANNEL_WEBHOOK')

# OpenAI APIを呼び出して分析する関数
def analyze_message_with_ai(message_text):
    """
    SlackメッセージをAIで分析し、重要度、カテゴリ、要約を返す
    """
    prompt = f"""
    以下のSlackメッセージを分析してください。
    出力はJSON形式のみとし、以下のキーを含めてください。
    - "priority": "critical" (直ちに対応が必要), "normal" (情報として知っておく必要あり), "ignore" (無視してよい)
    - "category": "deploy" (デプロイ関連), "alert" (障害/アラート), "inquiry" (問い合わせ), "chat" (雑談), "other"
    - "summary": メッセージの要点を50字以内で要約。日本語で。

    メッセージ本文:
    {message_text}
    """

    try:
        response = openai.chat.completions.create(
            model="gpt-3.5-turbo-1106",  # コストと速度のバランスが良い
            messages=[{"role": "user", "content": prompt}],
            response_format={"type": "json_object"}  # JSON形式での出力を強制
        )
        analysis_result = json.loads(response.choices[0].message.content)
        return analysis_result
    except Exception as e:
        print(f"OpenAI API呼び出し中にエラーが発生しました: {e}")
        # エラー時は安全側に倒す（例えば、全てcritical扱いにするなど）
        return {"priority": "critical", "category": "other", "summary": "分析エラー"}

# メインのLambdaハンドラー
def lambda_handler(event, context):
    # API Gatewayからのペイロードを想定
    body = json.loads(event.get('body', '{}'))
    # SlackのIncoming Webhookから送信されたメッセージを取得
    message_text = body.get('text', '')
    channel_name = body.get('channel_name', 'unknown')

    # 1. AIでメッセージを分析
    analysis = analyze_message_with_ai(message_text)

    # 2. 分析結果に基づいて処理を振り分け
    priority = analysis.get('priority', 'normal')
    category = analysis.get('category', 'other')
    summary = analysis.get('summary', '')

    print(f"Received message: {message_text[:100]}...")
    print(f"Analysis Result: Priority={priority}, Category={category}")

    # 3. 重要度に応じたアクション
    if priority == "critical":
        # 重大なアラートは即時に個人や緊急チャンネルへDM
        critical_webhook = WebhookClient(SLACK_WEBHOOK_URL_CRITICAL)
        critical_webhook.send(
            text=f"🚨 CRITICAL ALERT in #{channel_name}\n*Summary*: {summary}\n*Original*: {message_text[:200]}..."
        )
    elif priority == "normal":
        # 通常の通知はレポート用チャンネルにまとめて送信
        report_webhook = WebhookClient(REPORT_CHANNEL_WEBHOOK)
        report_webhook.send(
            text=f"📋 Normal Notification ({category})\n*Summary*: {summary}\n*Channel*: #{channel_name}"
        )
    else:  # ignore
        # 無視してよいものはログに残すだけ
        print(f"Ignored message: {summary}")

    return {
        'statusCode': 200,
        'body': json.dumps('Processing completed!')
    }

ステップ5: API Gatewayの設定

  1. AWS API Gatewayで新しいREST APIを作成します。
  2. POSTメソッドを作成し、先ほど作成したLambda関数と統合します。
  3. APIをデプロイし、発行されたURLをメモします。
  4. Slack AppのIncoming Webhook設定画面で、このURLを「Webhook URL」として設定します。

これで、Slackチャンネルにメッセージが投稿される度に、API Gateway → Lambda → OpenAI API の流れで処理が実行されるようになります。

4. 実践的なティップスとよくある落とし穴

実際に運用する上で役立つノウハウと、回避すべき問題点を紹介します。

✅ ティップス

  1. プロンプト設計は慎重に: AIの出力品質はプロンプトで決まります。出力形式を明確に指定（例: JSON）し、具体例（Few-shot Learning）を含めると精度が劇的に向上します。

    • 悪い例: 「このメッセージは重要ですか？」
    • 良い例: 「...出力はJSON形式のみとし、以下のキーを含めてください...」

  2. コスト最適化: OpenAI APIの呼び出しはコストがかかります。gpt-3.5-turboはgpt-4より大幅に安価で高速であり、多くの分類タスクでは十分な精度を発揮します。また、本当に分析が必要なメッセージだけをフィルタリングする（例: 特定のチャンネルからのみ、または特定のキーワードを含むもののみ処理する）事前フィルタを設けることも有効です。

  3. レート制限とエラーハンドリング: OpenAI APIにはレート制限があります。Lambda関数内でリトライ処理を実装し、一時的なエラーに対応できるようにしましょう。backoffライブラリなどの利用がおすすめです。

⚠️ よくある落とし穴

  1. 無限ループへの注意: Slackに投稿したメッセージを自身のWebhookが再度拾い、それがまた投稿をトリガーする...という無限ループが発生する可能性があります。これを防ぐためには、処理対象のメッセージが自身のBotから投稿されたものかどうかをチェックするロジックが必要です。

  2. 個人情報（PII）の問題: メッセージ本文には個人情報や機密情報が含まれている可能性があります。OpenAI APIなど外部サービスに送信する前に、情報をマスキングするなどの対策を検討する必要があります。

  3. レイテンシ: OpenAI APIの呼び出しには数百ミリ秒～数秒の時間がかかります。Slackの投稿と通知までの間に遅延が発生することを理解し、即時性が極めて重要な通知にはこの方式が適さない可能性がある点に注意してください。

5. 応用と発展：さらに一歩先へ

基本的なシステムができたら、さらに以下のような発展的な機能を追加してみましょう。

  • マルチモーダル分析: メッセージの感情を分析し、ユーザーのフラストレーションが高い問い合わせを優先的に抽出する。
  • ルーティング最適化: 分析したカテゴリに基づき、問い合わせはサポートチケットシステム（Zendeskなど）へ、バグ報告はJiraへ自動起票する。
  • レポート機能の強化: 1日や1週間単位で、どのような種類の通知がどれだけあったかをAIに分析させ、レポートを自動生成する。

6. 結論

今回紹介したSlackとOpenAI APIを連携させたAIフィルタリングシステムは、増え続ける社内通知という現代のエンジニアリング組織が抱える普遍的な課題に対する、非常に強力なソリューションです。

メリット

  • 生産性の向上: ノイズの中から本当に重要なシグナルを見つけ出す時間を大幅に短縮できます。
  • 見逃し防止: 人間の注意力に依存することなく、機械的な判断で重大なアラートを確実に通知できます。
  • カスタマイズ性: 自社の文化やプロジェクトに合わせて、AIの判断基準をプロンプトで柔軟に調整できます。

デメリット / 注意点

  • 初期コストとランニングコスト: 開発工数とAPI利用コストがかかります。
  • 設定の難しさ: プロンプトエンジニアリングにはある程度の試行錯誤が必要です。
  • 外部API依存: OpenAI APIの可用性に依存します。

未来への展望

本記事で紹介した手法は、AIが人間とデジタル情報の間の「インテリジェントなインターフェース」 となる未来の一端を示しています。今後、LLMがより安価に、高速に、高精度になるにつれ、このような「AIを活用した仕事術」は、ごく当たり前のインフラの一部となっていくでしょう。

まずは小さなチャンネルからでも良いので、実際に実装してその効果を体感してみてください。情報洪水との戦いにおいて、AIは心強い味方になってくれるはずです。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?