生成AIの利用が広がる中で、次のテーマとして注目されているのがAIエージェントです。AIエージェントを最もシンプルに表すなら、 モデルが自律的にツールを繰り返し使う仕組み です。 目的を与えると、モデルは次に何をすべきかを考え、必要なツールを選びます。そして、その結果を受け取って、さらに次の行動を決めます。 この自律的にツールを使うという性質が、AIエージェントを便利にしています。同時に、この性質はセキュリティ上の意味も大きく変えます。 従来のLLMで問題になっていたのは、主に何を出力するかでした。しかし

1. はじめに 2026年9月に、AWS Certified Generative AI Developer - Professional（AIP-C01、以下AIP）を受験し、817点で合格しました！ 学習を始める前は、AWS Certified Solutions Architect - Professional（以下SAP）を取得していたものの、Amazon Bedrockを使った経験はありませんでした。 この記事では、受験前の前提知識、実際に使った教材と勉強方法、そして学習を通して得られたことを紹

本ブログは 2026 年 4 月 16 日に公開された AWS Blog “ How Automated Reasoning checks in Amazon Bedrock transform generative AI compliance ” を翻訳したものです。 規制業界のコンプライアンスチームは、手作業のレビューに数週間を費やし、外部コンサルタントにも費用を支払っていますが、AI の出力に形式的な証明がない場合には、依然として監査上のギャップに直面します。 Amazon Bedrock Guar

AWS Skill Builder に新しく登場した「SAP Generative AI on AWS」コースは、SAP のビジネスデータと AI サービスの間のギャップを埋めるのに役立ちます。多くの場合、両方の領域を理解できるスキルを持つ専門家が不足しており、その結果、AI の取り組みが遅れ、競争優位を逃してしまうことがあります。 SAP アーキテクト、クラウドエンジニア、あるいはこの領域をリードする技術者の方であれば、このコースはまさにあなたのような専門家のために設計されています。本コースは 4 つの

メインフレーム基幹系システムの AWS 移行を真剣にご検討中のお客様向けのイベント「AWS Mainframe Modernization Day Tokyo 2026」を 2026 年 9 月 17 日(木) に開催しました。本ブログでその概要を紹介します。 本イベントは以下の三部で構成しました。 Part 1: AWS セッション Part 2: お客様セッション Part 3: お客様同士の交流会 Part 1: AWS セッション 冒頭のオープニングは、アマゾンウェブサービスジャパン合同会社 (以

はじめに 以前の記事 では、SUSE AIとSUSE AI Factoryの概要と、両者の位置づけを紹介しました。今回は、SUSE AI Factoryの中身について紹介します。 vLLMで高速推論、Milvusでベクトル検索、Open WebUIでチャット、MLflowで実験管理。生成AI基盤に欠かせないこうしたOSSを、SUSE AI Factoryならひとつのプラットフォームで扱えます。 本記事では、まずSUSE AI Factoryの仕組みとユースケース、アーキテクチャを紹介します。そのうえで、S

1. はじめに はじめまして、NTTデータの菊地です。 普段はデータ分析やデータ活用に関する業務に携わっています。 Dataikuについては、業務をきっかけにほぼ初心者の状態から学習を始めました。 Dataikuに興味を持ったものの、 「そもそも何ができるの？」 「何から学習すればいい？」 「どこまで学べば、ある程度使えるようになる？」 と迷う方も多いのではないでしょうか。 私自身も同じ状態からスタートし、公式Learning Pathを中心に学習して、以下の認定資格を取得しました。 ・Core Desi

はじめに 本記事は、HR データ統合基盤を題材に、共通オントロジーの設計の考え方と、取込・質問応答・推論への使い方、それを AWS 上で組む際の構成を解説します。 RAG（Retrieval-Augmented Generation）は、検索で取得した社内データなどを LLM に渡して回答を生成する構成です。ドキュメントをベクトル化し、意味の近い断片を取得して LLM に回答させる方式は、FAQ や社内ナレッジ検索では十分に機能します。 一方で、HR ドメインではうまくいかない場面が出てきます。たとえば次

今回は、楽楽勤怠に組み込まれたAIチャットボット機能の開発を担当した、楽楽勤怠開発課の黒田さんに話を聞きました。 黒田さんは新卒2年目。事業部・デザイナー・インフラ担当など多くの関係者を巻き込むこの開発を、ほぼ一人で任されています。 楽楽勤怠とは 楽楽勤怠のAIチャットボットとは何か なぜこの機能を作ったのか 開発の話：工夫した点、難しかった点 実装より大変だった、社内の情報連携 当初試していたRAGの課題と方針転換 回答精度のチューニングと、こだわった速さ 今後の展望 おわりに 楽楽勤怠とは 「楽楽勤怠

こんにちは。LINEヤフーのプラットフォーム部門でメトリクスチームに所属している千葉です。普段は、全社のサービスを支える大規模モニタリングプラットフォーム「Yamas」の開発と運用に取り組んでいます。...

みなさん、こんにちは。AWS ソリューションアーキテクトの野間です。今週も生成 AI に関する 1 週間のアップデートをお届けします。 9 月 17 日に更新された About Amazon の記事「 AWS、米国とアイルランドを結ぶ海底ケーブル Fastnet を展開 」では、米国メリーランド州とアイルランドのコーク県を結ぶ大西洋横断の海底光ファイバーケーブル Fastnet が紹介されています。2028 年の運用開始時には 320 Tbps を超える設計容量（HD 映画 1,250 万本の同時ストリー

はじめに こんにちは。検索基盤ブロックのXEIです。私たちのチームには、ZOZOTOWNの検索に関する問い合わせが社内から日々寄せられます。 本記事では、この問い合わせ対応を複数のAIエージェントの組み合わせでどう効率化したかを紹介します。読み終わる頃には、役割を分けたAIエージェントをどう組み合わせ、人間の関与をどこに残すと問い合わせの件数を維持したまま対応の負荷を下げられるのか、その設計の勘所を持ち帰っていただけるはずです。なお、本記事は「問い合わせに回答する」部分に絞り、管理・運用の自動化は扱いませ

はじめに 本記事は、 株式会社レスター （以下、レスター）の加瀬 友基 氏による寄稿記事です。 レスターでは、各社・各部門に分散していた営業情報を一つの土台に集める AI 情報プラットフォームを構築しています。中核となるレスターマッチングサービス（以下、RMS）は、顧客ニーズと企業・技術・製品などの解決手段を結びつけるマッチングの仕組みであると同時に、顧客・仕入先、取引実績、担当者との接点、商材、案件、議事録などを相互の関係性を保ったまま蓄積する、グループ共通のデータウェアハウスです。商談時の録音データを

ニューヨークの 9 月中旬には、特別なエネルギーがあります。パンプキンスパイスラテがたっぷりとあり、気温も下がってきていて、もうすぐセーターが必要となりそうな天気です。街は全速力で戻ってきました。AWS のローンチカレンダーも同様です。2026 年 9 月 14 日週、そのエネルギーは、Amazon Bedrock 上の新しいフロンティアモデル、Amazon Quick のデスクトップアプリ、そして AI エージェントで最大の効果を得ている開発者は単により良いツールを使っているだけではなく、働き方そのもの

目次 概要 主な変更点 できること 動作に必要な環境など シーケンス図（超概略図） 動かし方 1. 準備 1.1. GitHub リポジトリのダウンロード 1.2. .env ファイルに必要な情報を記載します。 2. ビルドおよびコンテナの起動 2.1. ビルド 2.2. コンテナの起動 3. EIS の設定 4. Elasticsearch へのデータ登録 4.1. 密ベクトル生成前のテキストデータの登録 4.2. インデックスの作成 4.3. マッピングの作成 4.4. _reindex 4.5. キ