AI・機械学習サービスのシナリオ判断

録音、請求書、予約会話、需要予測、回答生成の事例からサービスの役割を判断します。単にAPIが成功したかではなく、得られた結果が業務で使えるかを数値と具体的な条件で確認します。

この単元で学ぶこと

入力と期待結果に合うAIサービスを選ぶ
Lexと独自モデルの工程を具体例へ適用する
品質の数値と誤り・データ管理を判断する

本文解説

1. 録音を活用する顧客の問い合わせ録音を検索したい場合、まずTranscribe等で文字起こしする構成を考えます。別言語の文章へ変えるならTranslate、用意した回答を読み上げるならPollyを比較します。録音を文字にした段階で目的と異なる語が入っていれば、後段の分析にも影響するため段階ごとに確認します。

2. 請求書から値を得るスキャン請求書の項目や表を取り出す用途ではTextractを比較します。写真内の一般的な物体ラベルを得る用途ならRekognitionを比較します。抽出した金額と数量の関係を確認し、読み違いがある場合は人の確認へ回す等の条件を定めます。認識の信頼度は支払承認そのものではありません。

3. 予約の会話を作る Lex V2で予約する目的をインテントとし、日付・時間・人数をスロットとして集めます。人数が不足したら質問し、目的が分からない場合は再確認や案内を行います。必要な情報を揃えた後も、予約システムで空席、入力範囲、本人の権限を確認して確定します。目的の推測だけで業務を決めません。

4. 独自モデルを開発する自社の需要データから予測モデルを作る例ではSageMaker AIの工程を比較します。学習用のデータを準備し、別の評価用データで結果を調べ、適した環境へ配備して推論します。学習ジョブの成功ログだけで需要予測が有用とはいえず、何を予測する時点でどの情報が利用できるかも確認します。

5. 正解率を読む評価200件中170件が正解なら正解率85%、誤りは30件です。また、1000件中980件が正常なら、全て正常と答えるだけでも98%ですが、20件の異常は全て見逃します。業務で重大な誤りが何かを決め、全体率以外の結果も確認します。高い一つの指標が採用を自動決定するものではありません。

6. 生成された回答基盤モデルを使う回答や要約アプリではBedrock等を比較します。自然な文章でも事実や業務規則が正しいとは限りません。参照情報、評価用の問い、利用者へ返してよい情報、人が確認すべき場面を決めます。モデルや設定を変えたら同じ業務条件で結果を見直します。

7. 入力が変わったら公開後に新商品や新しい利用者が増えると、学習時のデータだけでは予測が合わなくなる場合があります。誤差、見逃し、入力の変化を監視し、必要ならデータとモデルを見直します。計算資源を増やすことは遅延や容量への対応であり、それだけでモデルの知識や品質を直すこととは別です。

8. データと運用を確認する音声や請求書、会話には機密情報が含まれ得るため、入力する範囲、権限、保持、出力の公開範囲を確認します。検証と本番の費用も見積もり、利用しない学習・推論等の資源を管理します。実際に試した形式や言語の範囲を記録し、別条件でも同じ品質と安易に広げません。

図解

サービス選択の後に確認すること — 処理成功、品質、業務上の承認は異なる確認項目です。

重要ポイント

変換の各段階で結果を確認する。
会話や文書の認識と業務の確定を分ける。
正解率だけで重要な見逃しを隠さない。

間違えやすい点

自然な文章の生成を事実の保証とみなす。
計算資源の増加だけで予測モデルの誤りが直ると考える。

用語解説

誤検出: 本来該当しないものを該当すると判定する誤り。
見逃し: 本来該当するものを該当しないと判定する誤り。
業務の合格条件: 用途に応じて品質・時間・保護等の達成を判断する基準。

参考資料

教材データに登録された参考リンクです。リンク先の内容や更新日は提供元でご確認ください。

確認問題の出題・採点や学習履歴の保存にはログインが必要です。