はじめに

受講セッションの個人的な所感と、メモです。
メモの内容は、誤字脱字などあるやもしれませんが、ご了承ください。

概要

近年、生成 AI は多くの注目を集めています。このセッションでは、生成 AI とその応用先、およびこの新興技術の利点とリスクについて紹介します。生成 AI アプリケーションを構築するために使用できる AWS サービスを探ります。

所感

AI、生成AIを自社内で活用したり、自社プロダクトに組み込んでサービスの価値、ユーザーに提供できる価値を向上させたい、というのは今やどの企業も考えることだと思います。

しかしながら、エンジニアリソースが豊富で、AI分野に関する知識を十分に有する企業は、まだそう多くはない印象で、
今回のイベントの盛り上がりが、それを象徴している気がします。

結論から言うと、このお話はすごく参考になりました。
これからAIを使いたいぞ！っという方は是非に内容を確認してみてください。

そもそもの従来AIと生成AIの違い。活用事例。そして組織にAIを組み込むための心構え。

そもそもですが、AIを導入することが目的になってはいけません。
あくまでも、ビジネス課題の解決が目的であり、AIはその手段です。

自社にとって、導入することでどんなメリットをもたらすのか。
導入する上でのデメリット、懸念事項はなんなのか。
それらをクリアし、明確にし、責任をもってAIを導入する。

いいお話でした。

受講メモ

顧客体験の向上

チャットボット
コンタクトセンター
パーソナライゼーション
SNS投稿監視

生産性を高める

検索
コンテンツ作成
テキスト要約
コード生成

創造性

アート
ミュージック
テキスト
画像
アニメーション
ビデオ

事業運営の改善

文書処理
品質管理
目視検査

ヘルスケア

電子カルテ
- 音声データからカルテ化
個別化医療
医療画像処理

ライフサイエンス

創薬
タンパク質構造予測
合成生物

金融サービス

不正検出
ポートフォリオ管理
債権回収

製造業

プロダクトデザイン
プロセスの最適化
予防保全
材料科学

リテール

価格最適化
バーチャル試着
店舗レイアウトの最適化
レビューの要約

メディア

仮想現実

コンピューティング

独自モデルの構築
- SageMaker
基盤モデル
- Bedrock

生成AIの活用事例

シナリオ：靴ブランドが新しい靴を製品ラインに追加

市場調査レポートの要約
テーマをもとにコピーを作成
これまでの内容をもとにSNS向けにテキストをリライトする
画像の背景を生成AIで作り替える
作成したファイルをS3にアップするためのPythonコードの作成
ユーザーからの問い合わせ対応

基盤モデル

ラベルなしのデータを事前に学習→事前トレーニング

トランスフォーマー

単語の分解、単語同士のベクトルの計算

コンテキスト

現在行っている会話の文脈
長い会話では継続しない
最大サイズがある

生成AIプロジェクトの計画

スコープを定義する

収益：組織はこれをおこなうべきか？
コスト：組織はこれが可能か？
お客様：これを希望しているか？
シンプルな計画
- リテラシーのあるエンジニア向けのケース
強固な計画
- 非エンジニア向けに必要なケース

モデルの選択

事前学習済みのモデル（基盤モデル）
ファインチューニング
- 追加の学習が必要か

モデルの適応

プロンプトエンジニアリング
- 入力に追加してあげるなど
ファインチューニング

モデルの使用

偏見など倫理観に欠ける回答をしないか
ユーザーからのフィードバックをどう対応するか
パフォーマンスの追跡
再トレーニングするために変更をどのように追跡するか（バージョン管理）

リスク

公平性

偏りがない状態で全ての変数を平等に扱う

プライバシー

個人情報を公開しない

有害性

ハルシネーション
知的財産
盗作と不正行為
業務の混乱

生成AIを活かした組織の構築

リーダーからはじめる

意思決定者から行動する
トレーニングとリソースの提供
準備状況の確認
変化が従業員に与える影響を理解する

従業員の準備をする

教育
生成AIは学習モデルの一種
雇用の保障
- AIが支援する未来
- 新製品
- 新しい役割
メリットについて話し合う
- タスクを自動化し、サービスを向上
- 収益を増やす
フィードバックするよう奨励する
- 計画
- 利用
- フィードバック
継続的学習の重要性を強調
- 新しいテクノロジーへの継続的な学習と適応

チームで取り組む

専門家との協業
データの品質と可搬性に重点を置く

ガバナンスモデルの確立

透明性と説明責任
- システムの責任など明確に定義する
倫理原則とガイドライン
- プライバシー、公平性、透明性

実装

パイロットプロジェクトから始める

監視と評価

定量的な定義
成功と失敗の把握

関連

AWS SUMMIT2024 参加レポート