Amazon Web Services ブログ
AWS GameDay @ AWS Summit Japan 2024 結果発表!!
本記事では、2024 年 6 月 20 日、21 日に幕張メッセにて開催された AWS Summit 2024 の Day 2 に実施された、コスト最適化をテーマとした AWS GameDay ~ Frugality Fest(節約祭り!) ~ の開催概要と結果をご報告いたします。
週刊AWS – 2024/7/1週
みなさん、こんにちは。ソリューションアーキテクトの根本です。 今週も週刊AWSをお届けします。 梅雨のはずです […]
スキャンしたPDFをAmazon Q Businessで利用し、生産性を向上させる
Amazon Q Business は、生成 AI 対話アシスタントであり、企業のデータソースに格納されたデジタルコンテンツだけでなくスキャンした PDF からも、事前のテキスト抽出をせずとも直接質問に答えたり、要約を作成したり、コンテンツを生成したり、インサイトを発見することが可能になりました。本記事では、Amazon Q Business を使用し、スキャンした PDF ドキュメントを非同期でインデックス化、リアルタイムでクエリを実行する方法を説明します。
セゾンテクノロジー様の AWS 生成 AI 事例:Amazon Bedrock を活用してサポートエンジニアの回答作成時間を最大 30 % 短縮
セゾンテクノロジーは、「世界中のデータをつなぎ、誰もがデータを活用できる社会を作る」というミッションを掲げています。自社製品である「HULFT(ハルフト)」は、国内外で広く活用されるデータ連携製品へと進化し、近年はポートフォリオをさらに拡充させています。昨今急速に進化をしている生成 AI は企業ミッションとも親和性が高く、セゾンテクノロジー内では個人やプロジェクト、チーム単位で活用方法を模索する動きが活発化していました。そこで、各部門に分散していた生成 AI の知見を集約し発展を加速させるため、全社横断的な研究会である LLM Mavericks を設置し、生成 AI の研究や活用に取り組んでいます。
本ブログでは、LLM Mavericks の活動の一環として、Amazon Bedrock を活用した AI チャットボットを HULFT 製品のテクニカルサポートセンターに導入した事例について解説します。なお、本事例は 2024 年の AWS Summit Japan の基調講演でも取り上げられました。
週刊生成AI with AWS – 2024/7/1週
週刊生成AI with AWS, いろんなお客様の生成AI活用事例を見るだけで勉強になると実感する2024年7日8日号 – 公式Webマガジンbuilders.flashで生成AIに関する3本の記事が公開、株式会社AI Inside様の国内事例ブログを公開。実業務に生成AIを活用するうえでヒントに成り得る3本のブログ記事を公開。サービスアップデートではVisual Stuido IDEでのAmazon Q Developerの一般利用開始、Amazon SageMaker StudioのAmazon S3 Access Grantsとの統合、ほか1件をおしらせ
生成 AI を活用して工場の稼働率低下の原因分析を行う
みなさん、こんにちは!製造業のお客様を中心に技術支援を行っているソリューションアーキテクトの山田と新澤です。 […]
NTTドコモにおける Leminoの大規模ライブ配信を支えるアーキテクチャ(第二回)
本稿では株式会社NTTドコモにおいて、映像配信サービス『Lemino』の開始にあわせて配信基盤を再構築し、数百 […]
官公庁・教育・医療といった公共機関の大規模なクラウド移行を包括的に支援する、AWSのクラウド移行支援プログラム登場 – AWS ITトランスフォーメーションパッケージ 公共版(ITX for PS)
みなさん、こんにちは。パブリックセクターでビジネス開発、マイグレーションプログラム推進をしている今井です。 ア […]
LLM の埋め込み情報ドリフトを Amazon SageMaker JumpStart から監視する
生成 AI のワークロードで最も有用なアプリケーションパターンの 1 つが Retrieval Augmented Generation (RAG) パターンです。 RAG パターンでは、入力プロンプトに関連する参照コンテンツを探すために、埋め込みベクトル (テキスト文字列の数値表現) に対して類似検索を実行します。埋め込みはテキストの情報内容を捉え、自然言語処理 (NLP) モデルが言語を数値的に処理できるようにします。埋め込みは浮動小数点ベクトルであるため、3 つの重要な質問を用いて分析することができます。参照データは時間とともに変化するか、ユーザーが尋ねる質問は時間とともに変化するか、そして最後に、参照データが尋ねられている質問をどの程度カバーできているかです。
スマートシティ向けの早期火災検知設計モデル : AWS IoT および ML テクノロジーの活用
このブログ記事では、早期警告システムを緊急時対応者に構築するためのデータを接続、収集、活用するにあたり、AWS のサービス群をどのように使用するかを学びます。全体のシステムアーキテクチャについて説明し、データを収集するセンサーやデバイス、AWS IoT サービスを使ったデータ処理と分析、Amazon SageMaker を使ったローコードな ML モデルによる火災予測についても見ていきます。