本記事は ChatGPT o3 と筆者の編集で作成しました。

Amazon OpenSearch Service

概要

Amazon OpenSearch Service（旧称 Amazon Elasticsearch Service）は、オープンソース検索エンジン OpenSearch／Elasticsearch OSS を AWS 上でフルマネージド提供するサービス。全文検索、ログ分析、アプリ監視、オブザーバビリティ、生成 AI 向け検索基盤など幅広いユースケースをサポート。

特徴

フルマネージド運用：ノードのプロビジョニング、ソフトウェア更新、障害復旧、スケーリングを AWS が自動化。
高い拡張性と可用性：ペタバイト級データ、マルチ AZ クラスタ、クロスリージョンレプリケーション、自動スナップショット。
多層ストレージ：Hot → Warm → UltraWarm → Cold → Snapshot と階層化し、性能とコストを最適化。
セキュリティ：IAM/Federated 認証、VPC エンドポイント、暗号化 (転送・保存)、フィールド・ドキュメント・インデックスレベルアクセス制御。
ベクトル検索 (k‑NN) 対応
- knn_vector 型により数千次元までのベクトルを格納し、コサイン類似度や L2 距離で近傍検索。
- エンジン：HNSW（高速グラフ）、Faiss IVFFlat/Hierarchical Navigable Small World、Lucene ベース ANN などを選択可能。
- フィルタ付き ANN にも対応し、メタデータ条件で絞り込みながらベクトル近傍を検索可能。
- OpenSearch Serverless Vector Search Collection を使えば、キャパシティ管理なしでオンデマンドにスケール。
- ベクトル埋め込みは Amazon Bedrock Titan Embeddings などで生成し、RAG (Retrieval‑Augmented Generation) のデータストアとして利用できる。
- 1,000 億件・5,000 次元級でもミリ秒オーダー検索を実現した社内検証事例が公開されている。
機械学習統合：OpenSearch ML フレームワークで異常検知・分類モデルを簡単にデプロイ。
可観測性：OpenSearch Dashboards、CloudWatch Logs/Metric、AWS Distro for OpenTelemetry と連携。

メリット

運用負荷ゼロに近いベクトルデータベースを迅速に構築でき、全文検索とベクトル検索を 同一 API でハイブリッド実行可能。
生成 AI/RAG アーキテクチャを AWS ネイティブサービスだけで完結できるため、権限制御やネットワーク設計がシンプル。
ストレージ階層とサーバーレス課金により、長期間保持が必要なログ・ドキュメントを低コストで管理可能。

デメリット

インスタンス選定やシャード設計を誤るとコストが高騰しやすい。試行時は Auto‑Tune とスケールテストが不可欠。
高次元ベクトルはメモリ消費が大きく、Hot ノード容量が先にボトルネックとなることがある。
ソフトウエアバージョンは AWS がサポートする範囲に限定され、最新 OpenSearch 機能を即時利用できない場合がある。

類似サービスとの比較

項目	Amazon OpenSearch Service	OpenSearch Serverless	自己管理 OpenSearch	Elastic Cloud
管理者作業	ほぼ不要	完全不要	全て自己責任	低
ベクトル検索	k‑NN / ANN	k‑NN / ANN	k‑NN / ANN	ES Vector DB
課金形態	インスタンス+ストレージ	容量ユニット従量課金	EC2/EBS	リソースベース
RAG 連携	Bedrock/Knowledge Bases	Bedrock 直接統合	カスタム構築	LangChain 等

利用する際の選定理由

AWS 上でセキュアに 全文 + ベクトル + 構造化 データを横断検索したい。
生成 AI チャットボットや FAQ 検索を Bedrock + OpenSearch で短期間に構築したい。
ログ分析・APM と AI 検索を 1 つの統合プラットフォームで運用したい。

活用事例

コネヒト：生理・妊活コミュニティ検索に Titan Embeddings → OpenSearch k‑NN を採用し、キーワード誤表記のヒット率を大幅改善。
Atlassian：Jira/Confluence 検索基盤を OpenSearch Service に移行。毎日 3,500 万検索をベクトル＋テキストで処理。
Pinterest：画像レコメンドにベクトル検索を利用し、ユーザーエンゲージメントを向上。

難しい用語解説

用語	説明
k‑NN (k‑Nearest Neighbors)	ベクトル空間で最も近い k 個の点を探索するアルゴリズム。
HNSW	高速な近似最近傍探索を行うグラフベース手法。高精度と高速性を両立。
Faiss	Meta が OSS 公開したベクトル類似検索ライブラリ。IVF, HNSW など多数実装。
RAG (Retrieval‑Augmented Generation)	検索で取得した外部知識を生成 AI に与えて回答精度を向上させる手法。
Vector Search Collection	OpenSearch Serverless のコレクション種別。キャパシティ管理が不要でスケーラブルなベクトル DB を提供。

参考URL

https://docs.aws.amazon.com/opensearch-service/latest/developerguide/what-is.html
https://docs.aws.amazon.com/opensearch-service/latest/developerguide/knn.html
https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-vector-search.html
https://aws.amazon.com/jp/blogs/news/genai-case-study-connehito/
https://docs.opensearch.org/docs/latest/vector-search/vector-search-techniques/approximate-knn/
https://aws.amazon.com/awstv/watch/b1fe8892ed2/