音声・文書・対話のAIサービスを理解する

この単元で学ぶこと

• 音声・言語・画像・文書のAI機能を区別する
• Lex V2の目的と情報収集・業務実行を説明する
• 認識結果の検証とデータ保護を設計する

本文解説

1. 必要な出力を先に決める 問い合わせ録音を文字にしたいのか、文章を音声で読ませたいのか、予約の会話を続けたいのかで必要な機能が違います。既成AI機能をAPIで利用する場合、モデルの仕組みを一から実装する負担を減らせます。ただし、対応する言語・入力形式・量と品質は確認します。API呼出しの成功と認識結果の正確さは別です。

2. 音声を文字へ、文字を音声へ Transcribeは録音や対応するストリーミング音声の文字起こしに使います。Pollyは用意した文章から音声を作るサービスです。例えば講義録音を文字にして検索し、要点の文章を読み上げる場合、入力の変換と出力の変換を分けます。音声認識の誤りが後段の要約や検索へ影響する場合があるため、固有名詞や数値等を確認します。

3. 翻訳と文章分析 Translateは言語間の変換を扱い、Comprehendは感情、エンティティ、キーフレーズ等を分析します。例えば外国語のレビューを翻訳し、内容の傾向を調べる構成を比較します。機能によって対応言語等が異なります。Comprehendにはカスタム分類等もあり、すべてのAI APIは調整できないという断定もしません。

4. 写真と文書を読む Rekognitionは画像や動画の物体等の分析を中心に選びます。Textractは文書の文字、フォーム、表等の抽出を中心に選びます。Rekognitionにも文字検出があるため、文字があるだけでどちらか一つへ決めません。請求書の表や項目といった必要な出力、対応形式、精度、処理の流れを具体的に比べます。

5. Lexのインテント Lex V2で対話を作るとき、利用者がしたいことをインテントとして定義します。予約する、予約を確認する、取消す等の目的です。「明日の席を取りたい」のような発話例を用意して目的の認識を支援します。音声を文字にするだけでなく、会話の目的に応じた流れを作れる点を理解します。

6. スロットを集めて実行する 予約の目的に日付、人数、時間が必要なら、それらをスロットとして定め、足りない値を尋ねます。必要な値を集めた後、Lambdaやアプリ等の業務処理へつなぐ設計ができます。値が揃ったことだけで空席や本人確認が済んだわけではなく、業務の入力検証と認可を行います。意図が分からないときの応答も用意します。

7. 自信と正解を分ける 認識結果に信頼度等が付いていても、個々の答えが必ず正しいわけではありません。低品質な録音、崩れた文字、学習時と異なる表現等で誤る場合があります。用途に合うサンプルで試し、金額や予約確定等の重要な項目は閾値や人による確認、再質問などを組み合わせます。

8. 入出力のデータ管理 音声や画像、文書には個人情報や機密情報が含まれ得ます。どこへ入力し、誰が結果を見て、どれだけ保持するかを確認します。AIサービスの利用権限だけで、業務の利用者全員へ全結果を公開してよいことにはなりません。処理量、対応地域、機能別料金も確認し、必要な範囲の情報で評価・運用します。

図解

重要ポイント

• 変換方向と求める出力でサービスを区別する。
• Lexの目的認識、値の収集、業務確定は別。
• 信頼度やAPI成功を正解の保証にしない。

間違えやすい点

• Textractの抽出成功を請求金額の業務承認とみなす。
• 会話で注文番号を聞ければその人が本人だと判断する。

用語解説

音声認識

音声入力を文字等へ対応付ける処理。

音声合成

文章から読み上げ等の音声を作る処理。

エンティティ

文章に現れる人名・場所・物等、意味のある対象。

フォールバック

目的を認識できない場合等の代替応答や対処。

関連教材

• SageMaker AIと機械学習の工程を理解する
• AWSのAI・機械学習サービスの全体像
• AI・機械学習サービスの違いと使い分け
• データ・サーバー移行と接続のシナリオ判断
• AI・機械学習サービスのシナリオ判断