みなさん、こんにちは。ソリューションアーキテクトの吉川です。FIFA ワールドカップ 2026 がいよいよ佳境を迎えていますね！先月号では「さあ、キックオフです！」とお伝えしましたが、決勝トーナメントの熱戦が続く中、もうひとつの熱い戦いの結果をお届けします。そう、6 月 25-26 日に幕張メッセで開催された AWS Summit Japan 2026 です。製造ブースには多くの方にお越しいただき、大盛況で幕を閉じました！今月の「月刊 AWS 製造」では Summit 特集として、製造ブースの展示レポートと、関連するセッション動画・ブログをまとめてお届けします。なお、リンク先には英語の記事も含まれていますが、解説を加えていますのでぜひご覧ください。 ピックアップトピック : AWS Summit Japan 2026 — 製造ブース展示レポート 6 月 25 日（水）〜 26 日（木）の 2 日間、幕張メッセ Hall 7 の AWS Industries Zone に設けられた製造業向け展示エリアが大盛況のうちに終了しました。「 AI で加速する製造業のルネッサンス 」をテーマに、未来の製造業を体感できる Highlight 展示 と、「すぐに使える」テクノロジーを実機デモで体感できる Industry 展示 の 2 エリアで構成しました。多くの来場者にお立ち寄りいただき、ありがとうございました。ここでは各展示の見どころを振り返ります。展示エリア全体の概要は「 AWS Summit Japan 2026 製造業向け展示の見どころ紹介！ 」で詳しくご紹介しています。 Highlight 展示 — 3 つのデモで体感する未来の製造 ① サプライチェーン最適化 — AI エージェントが需要急変に数分で対応 需要変動や供給遅延が発生した際に、AI エージェントが在庫枯渇の予測・生産計画への影響分析・代替調達の選択肢・対応方針案を数分で導き出す一連の流れをデモで体験いただきました。Amazon Bedrock AgentCore と時系列基盤モデル Chronos-2 による多変量需要予測、Amazon Bedrock Knowledge Bases によるサプライヤー情報検索を組み合わせ、従来数時間かかっていた意思決定を大幅に短縮します。詳しくは「 AWS Summit 2026 Supply Chainブースのご紹介 」をご覧ください。 図: サプライチェーン。市場の変化に応じて、生産計画に反映できる需要予測を行う AI エージェント ② 生産ラインの未来（スマートマニュファクチャリング） — デジタルツイン × AI で自律的に最適化 ナレッジグラフと IoT リアルタイムデータを活用し、AI エージェントが生産ラインを自律的に最適化するデモを展示しました。インパクト分析・ボトルネック検出・改善提案を AI が行い、PLC プログラムの修正案まで自動生成。後述のソフトウェア定義工場の展示と合わせて、デジタルツインで検証した上で本番環境に適用するという「生産ラインの CD（Continuous Delivery）」を実現するアーキテクチャをご紹介しました。詳しくは「 AWS Summit Japan 2026 ブース紹介 生産ラインの未来 」をご覧ください。 図: 生産ラインの未来。デジタルツインとナレッジグラフを元に AI エージェントがボトルネックを特定し、かつ、改善案まで実装する ③ ソフトウェア定義型ファクトリー — PLC を仮想化し、生産ラインをコードで制御 物理 PLC を仮想化し「ソフト PLC」として動作させることで、生産ラインの制御ロジックをソフトウェアとして管理するデモを展示しました。AI コーディングエージェントが自然言語の指示をもとにソフトウェア PLC の CODESYS 上の制御プログラム（ST プログラム）を修正し、NVIDIA Isaac Sim を用いた仮想環境でシミュレーション検証した上で実機に適用します。Git リポジトリによるバージョン管理とエッジからクラウドまでの一気通貫アーキテクチャにより、生産ラインの変更を安全かつ迅速に実現できることをお伝えしました。詳しくは「 AWS Summit Japan 2026 ブース紹介 ソフトウェア定義型ファクトリー 」をご覧ください。 図: ソフトウェア定義型ファクトリー。仮想化された PLC の制御ロジックで、物理工場を動かす Industry 展示 — 「すぐに使える」テクノロジーを実機デモで体感 Product Engineering（製品設計開発） AI コーディングエージェント Kiro を活用し、自然言語による 3D モデル生成、CAE シミュレーション実行、Physical AI の強化学習トレーニングまでをコーディングなしで実現するデモを展示しました。詳しくは「 AWS Summit Japan 2026 ブース紹介 — 生成 AI 時代の製品設計開発 」をご覧ください。 図: Kiro で 3D 形状作成 & シミュレーション実行。すべて自然言語で Kiro が生成 — 人間が書いたコードは 0 行 Engineering Development Hub（EDH） CAD/CAE アプリケーション向けの仮想デスクトップ・HPC 環境を AWS 上で提供するフレームワークです。エンジニアがオンデマンドで高性能コンピューティングリソースにアクセスできる環境を体験いただきました。 図: Engineering Development Hub。設計開発で使用するワークステーションならびに HPC クラスタ環境を簡単に展開、管理、実行する、AWS CloudFormation ベースのソリューション。 Smart Products and Services（スマート製品開発・運用） Kiro による AI 駆動ソフトウェア開発の加速と、Amazon Quick を用いたデータドリブンな製品改善サイクルのデモを展示。部門横断のデータ分析を AI が支援し、スマート製品の SDLC 全体を加速するアプローチをご紹介しました。詳しくは「 Accelerating Smart Product SDLC with AI Agent Workshop のご紹介 」をご覧ください。   図: AI エージェントによるスマート製品開発の加速ワークショップ   図: Amazon Quick によるアフターマーケット分析ワークショップ AWS 認定デバイスウォール 日本で認定された 248 以上の IoT デバイスの中から 10 デバイス実機を一堂に展示。AWS IoT サービスとシームレスに連携するカメラ、ゲートウェイ、産業用 PC などを実際にご覧いただけるエリアでした。IoT 関連の展示全体については「AWS Summit Japan 2026 -AWS IoT サービスを活用した展示の一部をご紹介-」もあわせてご覧ください。  写真: AWS 認定デバイスウォール Physical AI（ロボット × AI エージェントの自律オペレーション） FANUC CRX-20iA/L 協働ロボットと Amazon Bedrock AgentCore 上の AI エージェントを組み合わせ、「調査→判断→復旧」を自律的に完走するデモを展示しました。AI エージェントが現実世界の物理的な操作を伴うオペレーションを遂行する仕組みを体感いただけるエリアでした。詳しくは「 Physical AI — AI エージェントが現実世界で「見て、考えて、動かす」自律オペレーションの実現 」をご覧ください。 写真: Physical AI 展示 AWS Summit セッション動画のご紹介 AWS Summit Japan 2026 のセッション動画がオンデマンドで公開されています。製造業に関連するセッションをピックアップしてご紹介します。 AWS Summit Japan 2026 オンデマンド動画 AWS Summit Japan 2026 の全セッション動画がオンデマンドで視聴可能です。260 を超えるセッションの中から、気になるテーマを選んでご覧いただけます。 基調講演 AI エージェントが実現できることの限界を押し広げる今、AWS がエージェントの構築・デプロイ・スケーリングをいかに容易にしているかをご覧いただけます。登壇者: 長﨑 忠雄 氏（OpenAI Japan）、歌門 正師 氏（東京海上日動火災保険）、横路 隆 氏（フリー）、デイブ・ブラウン（AWS）、白幡 晶彦（AWS Japan）。 情報を集め、判断し、行動する時代へ：データ基盤・AI エージェント・エッジ AI で変わる製造現場 製造設備や産業用製品が自ら情報を収集し、判断・行動する自律的な仕組みの実現に向けた設計指針と実装パターンを、デモとともに紹介するセッションです。前半では生成 AI を活用した予知保全や品質異常検知のユースケースと、OT/IT シームレス連携を実現するデータ正規化の手法を解説。後半ではエッジコンピューティング上での AI 活用により、プライバシー保護と低レイテンシーを両立するアプローチを紹介しています。登壇者: 深澤 真愛（ソリューションアーキテクト）。 Physical AI における学習・運用での AWS 活用方法 ロボットが「見て、考え、学び、行動する」Physical AI を AWS で実現するための実践的アプローチを紹介するセッションです。IoT Core・Greengrass・Strands Agents によるデータ収集と制御から、SageMaker でのモデル学習、実機デプロイまでを解説しています。登壇者: 大前 遼（ソリューションアーキテクト）。 クラウドと AI で創る製造業の未来 ― コニカミノルタ × FPT の挑戦 ― 製造業における大規模クラウド移行と AI 活用を成功に導く実践事例を紹介するセッション（FPT スポンサー）です。コニカミノルタ、FPT、AWS のシナジーで技術者不足やナレッジの属人化といった課題を乗り越えたプロセスを解説。さらに共同開発中の次世代 3 層アーキテクチャ自立型エージェント基盤も紹介されています。登壇者: 前野 好太郎 氏（FPT ジャパンホールディングス 執行役員）、岩本 博史 氏（コニカミノルタ FPT ソリューションラボ 代表取締役 CEO）。 AWS Summit New York City 2026 — AI エージェントに「コンテキスト」を与える新発表 6 月 17 日にニューヨークで開催された AWS Summit NYC 2026 では、AWS VP of Agentic AI の Swami Sivasubramanian による基調講演が行われ、AI エージェントの構築・運用に関する重要な新機能が多数発表されました。テーマは「 AI エージェントにコンテキストを与え、信頼できる意思決定を実現する 」こと。製造業の現場でも、設備データ・品質データ・サプライヤー情報など散在するデータをエージェントが横断的に理解できるかが鍵となるため、今回の発表は注目に値します。 主な発表のうち、製造業に関連性の高いものをピックアップします： AWS Context（Coming soon） — 組織内のデータ間の関係性をナレッジグラフとして自動マッピングし、AI エージェントがランタイムでガバナンス付きのデータ関係・ビジネスルール・ドメイン知識にアクセスできる新サービスです。製造現場では設備マスタ、BOM、品質基準、サプライヤー情報など複数システムにまたがる関係性を AI が理解する基盤として活用が期待されます。Apache Iceberg 形式で公開されるため、既存のデータレイク基盤ともシームレスに連携可能です。 Amazon Bedrock AgentCore ハーネス（GA） — エージェントのモデル・ツール・スキル・設定を定義するだけで、オーケストレーションループをコーディングすることなくプロダクショングレードの AI エージェントを数分で構築・実行できるようになりました。Summit Japan の製造展示でも中核技術として活用されていた AgentCore が、さらに使いやすくなりました。 Amazon Bedrock Managed Knowledge Base — エンタープライズ RAG パイプラインをマネージドで構築可能に。ネイティブデータコネクター、マルチフォーマット対応のスマート解析、エージェンティックリトリーバーを備えています。製造業の設計文書・作業手順書・品質マニュアルなど大量のドキュメントを AI に活用させたい場合に有効です。 Amazon S3 Annotations（GA） — S3 オブジェクトに最大 1 GB のリッチなコンテキストを直接アタッチし、クエリ可能にする機能が一般提供開始。IoT データや設備ログに対してメタデータを付与し、AI エージェントが自律的にデータを発見・理解するための基盤として活用できます。 Kiro for iOS（Gated Preview） — エージェント型 IDE「Kiro」のネイティブ iOS アプリが発表されました。スマートフォンからセッションの開始・監視・差分確認・変更承認が可能に。現場を飛び回る製造エンジニアにとって、移動中でも開発状況を確認できるのは嬉しいアップデートです。 詳細は以下のブログをご覧ください： ニューヨークで開催される 2026 年の AWS Summit に関する主要なお知らせ Context intelligence for your data and AI agents at scale （英語） 最後まで読んでいただきありがとうございました。ワールドカップも AWS Summit Japan も熱い夏でしたね。来月も引き続き製造業の皆さまに役立つ情報をお届けしていきます。来月も 月刊 AWS 製造ブログ をよろしくお願いします。それでは、また来月お会いしましょう！ 著者について Kohei Yoshikawa ソフトウェア開発者およびシステムインテグレーターとして 20 年以上従事した後、2020 年から AWS Japan で活動中。エンタープライズ事業本部で、日本の多くの製造業や SI 事業のお客様の AWS 活用を支援してきた。スマートプロダクトのためのサービス開発に興味を持ち、最近は AI 開発エージェントを用いた製品開発ライフサイクルの加速に取り組んでおり、お客様との会話のネタが尽きない毎日を送っている。趣味は週末のサイクリング、冬はスキー。風を切る乗り物がとにかく好き。 TAGS: AWS Manufacturing Monthly

はじめに 本記事は、2026年3月10日に開催された Elastic{ON} Tokyo での発表「 『定型』を許さない製造業データへの挑戦 」の内容をもとに、3本の連載記事として再構成したものです。 第1回（本記事）：ビジュアル情報を活かす 第2回：分断されたデータを繋ぐ 第3回：止めずに進化させる キャディ株式会社で、AIデータプラットフォーム「CADDi Drawer」の検索基盤の技術戦略と開発チームのマネジメントを担当している橋本です。 この記事では、製造業の検索で「ビジュアル情報」がなぜ外せないのか、それを Elasticsearch でどう実現したかについて書きます。 CADDi Drawer とは CADDi Drawer は、製造業のお客様が持つデータを「検索・探索」を通じて活用できるようにするプラットフォームです。 CADDi というプロダクトは3層構造になっています。最下層で ERP やファイルサーバーなどに散在するデータを統合・構造化し、中間層の CADDi Drawer で構造化されたデータを結びつけて現場の意思決定を支援し、最上層で業界課題に特化したソリューションを提供しています。 CADDi Drawer は、下層で生まれた生のデータを現場が使える知見に変換する、いわば情報のハブです。 「検索」から「探索」へ 従来の業務システムでは、検索体験は特定の業務フローに合わせて作られていました。固定の検索フィールドに図番や品名を入力し、ERP から返ってくる文字情報を確認する。「何を探しているか、どう探せばいいかが最初から決まっている」前提の検索です。 でも、現場で本当に必要なのは、こういう決まりきった検索ではありません。たとえば調達部門が「より良い発注」を目指す場合、こういうプロセスを回したい。 発注予定の図面に対して、視覚的に似た過去の図面を検索する 見つかった図面に紐づく発注実績をシステム横断で確認する 集まった情報をもとに今回の発注額を適正化する 最初から「何を探すか」が決まっているわけではなく、データに触れながら手探りで解像度を上げていくプロセスです。これが私たちが「探索」と呼んでいるもので、CADDi Drawer が支えるべき対象です。 ビジュアルの壁 この「探索」を製造業で実現するうえで、最初に立ちはだかるのがビジュアルの壁です。 製造業はどこまでいっても「モノづくり」の世界です。部品の価格や納期を確認するとき、データベース上の数値だけで判断できるかというと、まず無理です。背後にある「形」を図面や 3D モデルで見て、大きさ、重さ、加工の複雑さといった物理的な実体を把握して初めて、数字に意味が出てくる。文字情報だけでなく形状情報とセットで扱えることが前提になります。 つまり、探索の起点は図面や CAD というビジュアル情報です。ここで求められるのは大きく2つあります。 ビジュアルな検索結果が次の探索行動を生むこと 形状そのものを検索条件にできる手段 順に説明します。 ビジュアルな検索結果が探索を駆動する 「探索」は、データを見て、気づき、次の条件を入れるという思考のループです。ここで「見て」の部分が決定的に重要です。 SQL ビューアーのようにテキストと数値が並ぶだけの検索結果では、このループは回りません。図面のサムネイルが検索結果に並んでいて、形状を一覧でパッと比較できるからこそ、「あ、この形状のほうが近いな」「この系統をもう少し掘ってみよう」という次のアクションが生まれます。ビジュアルな情報がユーザーの思考を刺激し、探索行動を惹起する。これがただのデータ検索と「探索」の違いです。 CADDi Drawer では、検索結果の一覧で図面のサムネイルと属性情報をセットで表示しています。いちいちファイルを開かなくても形状を確認しながら絞り込みを進められる。この体験を支えるために、どんなに複雑な条件でも1秒を切る応答速度を維持しています。私たちの検索基盤では Elasticsearch を使っていますが、ここで活きてくるのは低レイテンシの分散検索、ファセット、ハイライトといった基本機能で、これらを組み合わせることでビジュアルな結果を瞬時に返し続けるインターフェースの土台を作っています。 形状で探す ― kNN 検索による類似図面検索 UI の工夫だけでなく、「形状そのものをクエリにできる」という技術的なアプローチも取っています。 なぜ形状検索が要るのか 製造業の現場では「この図面に似た部品を過去に作ったことがあるか？」という問いが日常的に発生します。ただ、この「似ている」を言葉で表現するのは難しい。テキスト検索で「丸い」「穴が3つ」と入れたところで、形状全体の類似性は捉えられません。 ベクトル化と kNN 検索 私たちは、図面の幾何学的な特徴を捉える学習モデルを使って全図面をベクトル化しています。このベクトルデータを Elasticsearch の kNN 検索にかけることで、「この図面に似たもの」という言語化しにくい条件での検索を実現しました。 kNN（k-Nearest Neighbors）検索は、ベクトル空間上で距離が近い、つまり特徴が似ているドキュメントを取得する手法です。私たちは Elasticsearch の kNN 検索機能を使っています。 テキスト検索やファセットによる絞り込みと類似図面検索を同じクエリの中で組み合わせられるのと、100万枚を超える図面に対しても分散インデックスで速度が出るのが、この構成を選んだ理由です。kNN と構造化データのフィルタリングを同一クエリで実行できることが決め手で、全文検索と同居させる構成にしています。 ビジュアル × 形状クエリで探索の入口をつくる ビジュアルな検索結果と形状クエリが揃うことで、「検索窓に何を打てばいいかわからない」という状態からでも探索を始められるようになります。ただし、ビジュアルだけでは探索は完結しません。見つけた図面の先にある発注実績や品質データにたどり着くには、データソースの横断が必要です。これは次回の記事で扱います。 まとめ 製造業の検索においてビジュアル情報は前提です。文字だけの検索結果を眺めて部品の良し悪しを判断できる人はいません。 この記事では、ビジュアルな検索結果が次の探索行動を生むこと、そして形状をクエリにできる kNN 検索の2つについて書きました。どちらも「探索」の入口をつくる技術です。 ただ、ビジュアルの問題を解いただけでは探索は完結しません。先ほどの調達の例でいえば、①似た図面を見つけた後に、②発注実績確認や③発注適正化まで一気通貫で回す必要があります。次回は、このデータソース横断検索をどう実現しているか、10兆通りの組み合わせをどう捌いているかについて書きます。

はじめに AWS Summit Japan 2026（6/25-26 @幕張メッセ）にご来場いただいた皆様、ありがとうございました。本ブログでは、建設・不動産業向けインダストリーブース（A057）の不動産パートの展示内容をご報告します。 不動産ブースのテーマ： 「不動産業の未来を、生成 AI で切り拓く ─ データと対話が変える、新しい不動産体験」 また、ブースの事前紹介は こちらの開催予告ブログ で公開しています。 不動産×AI ─ AI 時代のデータ戦略をどう描くか 不動産業界では、人口減少・空き家問題・人手不足といった構造的な課題が山積しています。これらに立ち向かうために、データと AI を組み合わせた業務変革が求められています。しかし、どれだけ優れた AI が登場しても、活用できるデータが整っていなければ課題解決は始まりません。今回のブースでは、不動産業の数ある業務の中でも 開発・流通・管理 という3つのフェーズに着目し、さらにそれらを横断する 意思決定・可視化 の視点を加えた4つの切り口で、業務課題を解決するためのデータと AI の活用方法をご紹介しました。 開発：オープンデータ× 自社データ活用。大量のデータを AI で解析し、エリア分析・将来予測 流通：自社の物件・顧客データを AI に提供。AI が自社システムにアクセスし、顧客体験をセルフサービス化 管理：設備データ・修繕履歴・IoT センサーを深く・継続的に蓄積。3D モデルや AI で解析・予測 可視化：データを横断的に可視化。Amazon Quick の生成 AI によるダッシュボード自動生成で、経営判断を加速 今、不動産業に求められるのは、ユースケースを正しく理解し、必要なデータを集め、求められる切り口で AI に活用させること。これが 2026 年における「AI 時代のデータ戦略」です。 ここからは、ブースで展示した各ソリューションをご紹介します。 展示① 都市・エリア分析 × AI エージェント「AI Urban Digital Twin」 概要 不動産業における 開発 フェーズにおいて「どこに」「何を」建てるかの意思決定を AI で支援するソリューションです。人口統計・地価・交通量・POI などの公開データと自社データを統合し、AI が都市特性を多角的に分析します。 本ソリューションには2つの側面があります。ひとつは、大量のオープンデータを事前に整形・統合し、3D 地図上にヒートマップや境界ポリゴンとして描画する可視化機能。もうひとつは、MCP（Model Context Protocol）で AI エージェントが不動産情報ライブラリ API や分析データベースにリアルタイムにアクセスし、「この地域の将来人口は？」などの自然言語クエリに即座に回答する対話型分析機能です。この2つを組み合わせることで、エリア分析を高速に実行し、不動産開発・用地選定の判断を加速します。 デモの見どころ エリアの開発ポテンシャル分析：生成AIが人口増加率・地価変動率・災害リスク・周辺施設の充実度など多角的な指標をもとにエリアをスコアリングし、地図上にエリアの状況を描画 開発企画の提案：エリア特性（人口分布・用途地域等）に基づき、住宅・オフィス・商業施設それぞれにおいて、周辺施設の状況などを踏まえた開発企画を AI が提案 将来予測の可視化：5年後・10年後・20年後の地価変動・人口予測をヒートマップで表示 データ取得・変換フロー 今回は、国土交通省が提供する「不動産情報ライブラリ」の情報を元に都市を分析するデモを作成しています。 不動産情報ライブラリは REST API として公開されており、以下の2種類の形式でデータを取得しています。 JSON API：市区町村・都道府県単位で取得。不動産取引価格（四半期別）など ベクトルタイル API（GeoJSON）：将来推計人口、用途地域、災害リスク、施設POI など 不動産情報ライブラリ API から取得したデータは、 AWS Lambda を利用して変換し、 Amazon S3 に CSV として蓄積します。この際、データは都市コードごとに分類され、さらにデータ種別（将来推計人口・用途地域・地価・災害リスク等）ごとのディレクトリに整理して格納されます。2次処理では Amazon S3 上の全データを読み込み、空間統合・スコアリングを行った結果を Amazon DynamoDB のテーブルへ書き込みます。処理の中では、取得した各種ポリゴンデータを約250m四方の正方形グリッド（メッシュ）に変換・割り当てし、メッシュ単位でデータを統合しています。それぞれのテーブルには以下のようなデータが格納されます。 AreaData：同一用途地域ごとにグルーピングしたエリア単位の分析結果 PredictionData：エリアごとの5年刻みの将来予測データ BoundaryData：地図描画に使用するエリアの境界ポリゴン ZoningData：用途地域データや建ぺい率・容積率の区域データ PropertyData：自社物件データ（所在地・緯度経度・物件属性） なぜ、2段階の処理でデータを取得しているかというと、データ量の問題があります。1都市あたり約 200 MB、1,000ファイル以上にも渡る取得結果をそのまま描画するのはパフォーマンスの懸念がありました。そこで、 Amazon DynamoDB にデータを整形して投入することで、地図描画時のパフォーマンスを確保しています。また、 Amazon S3 に生データを残すことで、処理ロジックを改良した際にいつでも再処理が可能な設計としています。 フロントアプリケーションの構成とデータの活用 Amazon DynamoDB に格納されたデータは、API を経由してフロントエンドに提供されます。各 Lambda 関数がそれぞれの Amazon DynamoDB テーブルにアクセスし、用途に応じた形でデータを返却します。また、MCP Chat Lambda は Amazon Bedrock と連携して自然言語での対話型分析を、Geodata Lambda は Amazon Location Service と連携して地図描画を実現しています。 フロントアプリケーションでは以下の機能が提供されます。 AI 都市診断機能 各テーブルから取得したエリア分析結果を地図上に可視化し、ユーザーにデータ参照体験を提供します。さらに Amazon Bedrock がデータを解釈し、人口動態・地価・災害リスク・周辺施設などを総合した都市分析レポートを生成します。 開発企画生成機能 用途地域・施設充実度・人口構成などのデータを元に、生成 AI が当該エリアに適した開発企画（住宅/商業/オフィス等）を提案し、顧客に新たなインサイトを提供します。 未来の可視化機能 将来予測データを元に、都市の5年後・10年後・20年後の人口・地価の変化をヒートマップで表示します。時間軸を切り替えることで、エリアの将来性を直感的に把握できます。 自社物件マッピング機能 自社保有物件を地図上にプロットし、エリア分析結果と重ねて表示します。これにより「自社物件がどのようなエリア特性の中に位置しているか」を一目で把握できます。さらに、エリアのスコアや将来予測と自社物件を掛け合わせ、生成 AI が「このエリアの物件は将来的に価値が上がるか」「周辺施設の充実度に対して賃料設定は適切か」といった分析を提供します。開発判断やポートフォリオ見直しの材料として活用できます。 その他にも、用途地域ポリゴンを地図上に重ねて表示する機能や、洪水浸水想定区域・液状化リスク・土砂災害警戒区域といった防災情報の可視化機能も備えており、開発候補地のリスク評価を地図上で直感的に確認できます。 AI チャット機能 大規模なバッチ処理によって大量のデータ処理と可視化を実現している一方で、不動産情報ライブラリ API を MCP（Model Context Protocol）サーバーとして構成し、生成 AI を利用した対話型分析機能も提供しています。こちらはバッチ処理済みのデータに加え、国交省 API からリアルタイムに最新情報を取得して回答できるため、「直近の取引事例は？」「このエリアの最新の地価公示は？」といった鮮度の高い問いかけにも対応します。バッチによる俯瞰的な可視化と、MCP によるリアルタイムな対話分析の両輪で、ユーザーの意思決定を支援します。 このように、大量のデータを高速に参照して地図上に描画する用途と、チャットのようにリアルタイムで短い問いに即座に応答する用途では、求められるデータパイプラインが異なります。前者にはバッチ処理による事前整形と Amazon DynamoDB への投入が、後者には MCP を通じた API のリアルタイム呼び出しが適しています。ユースケースに応じてパイプラインを分けることが、データと AI を組み合わせたソリューション設計において重要なポイントです。 展示② 不動産流通支援 AI エージェント「AI コンシェルジュ」 概要 不動産業における顧客接点は Web・電話・メッセージアプリと多岐にわたりますが、どのチャネルでも一貫した体験を提供できている企業はまだ少ないのではないでしょうか。その背景には、物件データベースや予約管理システムなど自社の業務システムが個別に存在し、チャネルが分断している現状があります。本展示では、生成 AI エージェントが自社の物件データベースや予約管理システムに直接接続し、電話でもチャットでも、物件提案から内覧予約までをシームレスに完結させるオムニチャネル体験をお見せしました。AI が自社システムのデータにリアルタイムにアクセスすることで、顧客はどのチャネルからでもセルフサービスで物件探しから予約まで完了できます。 デモでは、チャットで「目黒駅の 2LDK を探している」と伝えると、AI が条件を整理して物件を提案し、内覧日時をその場で確定する、という一連の流れをお見せしました。 デモの見どころ 電話とチャットのオムニチャネルな体験：同じ AI エージェントがチャットでも電話でも対応。チャネルを問わず一貫した顧客体験を提供 生成AIが既存システムと連携：顧客の発話内容に応じて、AI が自社システムの API（物件検索・予約管理等）を自律的に呼び出しデータを取得・入力 顧客体験がセルフサービスで完結：物件提案から内覧予約の確定まで、人間の介在なしに AI が一連の業務を完結。24時間対応 アーキテクチャの特徴 Amazon Connect Customer AI Agents は、 Amazon Connect Customer 上で動作する AI エージェント機能です。音声やチャットチャネルを通じて顧客と直接会話し、質問への回答だけでなく予約の作成・変更・キャンセルといったアクションまで自律的に実行できます。解決が難しい場合はシームレスに人間のオペレーターにエスカレーションします。この仕組みの軸は、自社システムの API をツールとして AI エージェントに読み込ませることにあります。プロンプトで定義されたルールに基づき、AI エージェントが顧客の希望に合わせて能動的にツールを起動し、自社の物件データベースから条件に合う物件を検索したり、予約管理システムに内覧予約を書き込む操作を自律的に実行します。人間が介在せずとも、データの参照と入力の両方を AI が行える点がポイントです。 この仕組みはチャットだけでなく電話でも同様に機能します。 Amazon Connect Customer がオムニチャネルの入口となるため、顧客がどのチャネルから問い合わせても同じ AI エージェントが同じツールを使って対応します。 本展示で扱う物件データ（PropertyData）は、展示①のエリア分析で使用しているものと同じデータです。展示①では「エリア × 自社物件」の俯瞰的な分析視点で活用しているのに対し、展示②では同じデータを顧客向けのセルフサービス体験として提供しています。 展示③ 施設管理 × AI × デジタルツイン 概要 展示①と同じ地図ベースのソリューションですが、扱うデータが異なります。展示①がオープンデータと自社物件データで「都市」を分析するのに対し、本展示では施設のセンサーから取得する稼働データや修繕履歴データを用いて「管理されている施設の状態」を可視化・分析します。 不動産管理のフェーズでは、開発・流通とは異なる課題があります。管理施設が数十〜数千棟に散在する中で「どの施設が最もリスクが高いか」を一元的に把握する手段がなく、台帳はExcelや紙・個別システムに分散しているため横比較ができません。修繕優先度の判断は熟練者の勘に依存し、退職とともに知見が消失します。さらに、設備状態の確認には毎回現地巡回が必要であり、劣化に気づかないまま放置された結果、発見時には既に状態が深刻化し、大規模修繕による膨大なメンテナンスコストが発生するリスクがあります。 デモの見どころ 地図上の施設状態マッピング：施設のセンサー稼働データ・修繕履歴を元に劣化ランクを算出し、地図上に色分けで表示。コンディションベースでメンテナンスの意思決定が可能に 生成 AI アシスタント：取得したデータが生成 AI に連携され、施設に関する質問への回答や劣化予測・修繕優先度の提案を自然言語で取得可能（例：「築40年以上でFCIがD以上の施設は？」） デジタルツイン（3D可視化）：これらの情報を建物の3Dモデル上にマッピングし、デジタルツインとして管理可能。現地に行かずに設備状態を空間的に把握 アーキテクチャの特徴 統合施設管理AIダッシュボードは、施設・設備の維持管理を支援するAIエージェント機能です。ダッシュボード上のチャットUIを通じて担当者と対話し、施設の劣化状況や修繕優先度に関する質問への回答だけでなく、修繕依頼の起票といったアクションまで実行できます。修繕依頼の作成にあたっては、プロンプトで定義されたルールに従って担当者に確認を求めたうえで書き込みを行います。 この仕組みの軸は、自社システムのAPIをツールとしてAIエージェント（Strands Agents SDK + Amazon Bedrock AgentCore ）に読み込ませることにあります。プロンプトで定義されたルールに基づき、AIエージェントが担当者の要望に合わせて能動的にツールを起動します。 Amazon DynamoDB の施設・設備・修繕データから条件に合う施設を検索し、 Amazon Neptune Analytics の知識グラフに対してopenCypherクエリを発行して施設間の関係性（同型設備の故障リスク伝播、業者依存度、類似施設のクラスタリング）を分析し、確認を経たうえで修繕依頼を書き込む操作までを実行します。人間が最終判断を担いつつ、データの参照と入力の両方をAIが行える点がポイントです。 Amazon Bedrock の基盤モデルは、テキストの対話だけでなく画像の解析にも活用されています。点検時にアップロードされた写真をマルチモーダル基盤モデルが解析し、ひび割れ・錆・水損・劣化といった問題点の検出、重要度評価、推奨対応、概算費用の目安を構造化データとして返します。対話エージェントによるデータの参照・入力と、画像解析による点検の効率化が、いずれも同一のAI基盤の上で提供されています。 本ソリューションで扱う施設データは、単一のデータ基盤（ Amazon DynamoDB ）を複数の視点で共有しています。ダッシュボードでは「地図 × 3Dデジタルツイン（ AWS IoT TwinMaker ） × KPI」という俯瞰的な管理視点でデータを活用するのに対し、AIエージェントでは同じデータを担当者向けの対話型セルフサービス体験として提供します。さらに、 Amazon DynamoDB Streams 経由で知識グラフ（ Amazon Neptune Analytics ）へ自動同期されるため、参照系（可視化）と実行系（修繕依頼の起票）のどちらの操作を行っても、俯瞰と対話の両方の視点で常に最新かつ一貫した情報にアクセスできる点が本アーキテクチャの特徴です。 展示④ Amazon Quick ─ データの見せ方を変え、新たなインサイトを得る ここまでの展示で使用したデータを Amazon Quick で可視化すると、地図や AI チャットとはまた異なる切り口が見えてきます。 Amazon Quick には自然言語からダッシュボードを生成する機能があります。例えば、展示①で取得したエリア情報に関しても、地価や取引状況に着目したダッシュボードとして生成し直すと、経営管理ダッシュボードとして生まれ変わります。 このように、不動産に関するデータは見せ方・使い方・その粒度によって、様々なインサイトを我々にもたらしてくれます。同じデータでも、地図上のヒートマップとして見れば開発判断に、ダッシュボードとして見れば経営判断に活用できる。データと AI の組み合わせ方次第で、不動産業の意思決定は大きく変わります。 まとめ 今回のブースでは、不動産ビジネスの 開発・流通・管理、そして 可視化 という4つの視点を通じて、「AI 時代のデータ戦略」をお伝えしました。 開発 ── 国交省のオープンデータと自社データを広く掛け合わせ、メッシュ単位で AI が俯瞰的に解析する 流通 ── 自社システムのデータに AI がリアルタイムにアクセスし、顧客と直接対話して業務を完結する 管理 ── 設備・修繕履歴という深いデータを長期的に蓄積し、AI が予兆を読み 3D で可視化する 可視化 ── すべてのデータを Amazon Quick に統合し、生成 AI でダッシュボードを自動生成。経営判断を加速する 生成 AI の時代、まず取り組むべきは派手な AI 機能の開発ではなく、自社のデータを整え、つなぎ、AI に渡せる状態にすること。その第一歩を一緒に踏み出しませんか。 ブースにお越しいただいた皆様、ありがとうございました。展示内容についてのご質問や、自社での活用についてのご相談がございましたら、お気軽に担当のソリューションアーキテクトまでお問い合わせください。 本ブログは、ソリューションアーキテクトの奈良、Fikko が執筆しました。 関連リンク ・ 【開催予告】AWS Summit Japan 2026 建設・不動産向けブース展示