Toyota drives innovation & enhances operational efficiency with gen AI

セッション概要

• タイトル：Toyota drives innovation & enhances operational efficiency with gen AI
• 日付：2024年12月2日(月)
• Venue：MGM Grand |レベル3 | Chairmans 364
• スピーカー：
  • Kordel France（AI Architect、トヨタ）
  • Paul Greenberg（Principal Engineer、AI Applications、TMNA）
  • Stepehn Ellis (Technical Product Manager, Toyota Motors North America)
  • Sandeep Kulkarni (Chief Technologist, Automotive and Manufacturing, Amazon)
• 業界：Automotive
• 概要：Generative AIを使用してメインフレームの近代化を加速し、移行スケジュールを最大50％短縮し、新しいビジネス機能を導入するトヨタの革新的なアプローチを学びましょう。

はじめに

トヨタでは、AWSでGen AIを介して運用効率を向上させたことについて疑問が生じ、このセッションを申請しました。大手メーカーのトヨタで、SageMaker、BedrockなどのAWSサービスをなぜ使用したのか、利点が何なのかを紹介します。

AWS Bedrockを使用した理由

AWS Bedrock は、トヨタがジェネリック AI ソリューションの構築と活用に重要な役割を果たしており、選択した主な理由は次のとおりです。

1. さまざまな基盤モデルの柔軟な活用
Bedrockは、さまざまな基盤モデルを単一のAPIを通じて提供します。トヨタは、特定の作業やニーズに合ったモデルを自由に選択または切り替えることができなければなりませんでした。また、特定のモデルをカスタマイズするためのオプションを提供するために、Bedrockでは、トヨタは独自のデータを活用したカスタムAIモデルを構築することができました。

2.データのプライバシーとセキュリティの保証
Bedrockは、データをモデル学習に使用しないため、トヨタのデータが外部に漏洩しないことがわかりました。企業データの機密性を考慮したデータのプライバシー保証は、大規模企業にとって不可欠です。

3. Retrieval-Augmented Generation（RAG）テクニカルサポート
Bedrockは、RAG機能をサポートし、トヨタが内部データベースに関連付けられた質問応答システムを構築できるようにしました。を受け取ることができました。

4. 迅速で簡単な統合と運用
Bedrockは、複雑なインフラストラクチャを設定せずにAIモデルを簡単に活用できるように設計されています。
Bedrockを使用することで、独立したモデル学習やインフラストラクチャを構築せずにAIソリューションを開発および展開できます。

5. スケーラビリティと将来のコントラスト
Bedrock は、新しいベースモデルが追加された場合でも既存のデータと互換性があるように設計されており、将来のスケーラビリティに優れています。 AIモデルを継続的に改善しながら、新しいモデルに切り替えたり、カスタムソリューションを開発するために必要な柔軟性を維持することができました。

GearPal

1. GearPalの主な目的機器のトラブル
 シューティングに必要な情報を効率的に提供し、運用中断による損失を最小限に抑え、製造現場での作業者の技術ギャップを減らし、初心者にも専門家レベルの問題解決を可能にすることを支援することが主な目的です。

2. GearPalの主な機能
– 集中化されたデータ管理
– 多言語サポート
トヨタの製造機器が日本、ドイツ、アメリカなどさまざまな国で生産され、文書が多言語で書かれたことが多く、Amazon Translateを活用してすべての文書を英語に統合したその後検索し、必要に応じてリアルタイムで原文言語に翻訳して提供します。

3. AIベースの問い合わせ応答システムのオペレータが「
なぜ機器が故障したのか」または、「どのように修理する必要がありますか？」などの質問をすると、関連データを分析して最適な解決策を提案し、ユーザーはトラブルシューティングの過程で必要な情報をすばやく検索できます。

4. フィードバックによる精度の向上 ユーザーの
フィードバックに基づいて AI モデルのパフォーマンスを継続的に改善します。 Golden Queriesを構築することで、正確性と信頼性を確保し、AIモデルを切り替えてもデータの一貫性を維持できます。

5. GearPalがもたらす性能障害の診断と
回復時間は、従来から数時間から数分に短縮され、製造装置の中断時間が短縮され、生産損失が最小化され、コストが削減されました。また、オペレーターは別の専門家の支援なしに機器の問題を解決することができ、生産性が向上しました。

Knowledge Retention Solution Architecture

トヨタの知識の効率的な保存と共有のために、Knowledge Retention Solutionを設計しました。このソリューションは、AWSベースのジェネリックAI技術を活用して、チーム間の知識のギャップを減らし、新しいチームメンバーや地域固有のユーザーが必要な情報を簡単に理解して活用できるようにします。

1.目的とニーズ
トヨタは、既存の製造知識とMobility移行プロセスで生成された新しいデータを効果的に管理し、さまざまなチームと地域で知識を共有する必要がありました。情報へのアクセスを容易にするためのプラットフォームが必要です。

2.主な機能
（1）データ収集と構造化
ユーザーは、文書、マニュアル、ケーススタディなどをシステムにアップロードすることができ、AIはこのデータを構造化形式に変換して文書の重要なキーワードと内容を抽出し、要約データとして保存します。ユーザーが特定のトピックや概念について質問を入力したら、関連情報を検索して整理された回答を提供します。

（２）ＲＡＧ（Retrieval-Augmented Generation）技術
RAG技術を活用して、既存の文書とユーザの問い合わせを組み合わせて正確かつコンテキストの応答を生成し、クエリの内容に応じて既存のデータベースから適切な情報を検索し、それに基づいて応答を生成する。

（3）多言語サポート
AWSの言語翻訳サービス（Amazon Translate）を活用して多言語文書を自動的に翻訳し、文書とクエリ応答の結果をさまざまな言語で提供し、グローバルチーム間のコラボレーションを強化。

（4）知識検証とフィードバックループ
AIが生成した情報は、ユーザーが検証できるようにフィードバックシステムを提供し、正確な応答の場合は肯定的なフィードバックを残し、誤った応答の場合は追加の改善要求を行い、フィードバックデータに基づいてAIモデルを提供します。継続的に学習と改善。

3. 活用事例
(1) 新チームメンバーの教育
新しいチームメンバーが入る時、Knowledge Retention Solutionを通じて必要な情報を素早く学習することで、チームメンバー間の情報伝達の非効率性を低減し、学習曲線を短縮。

(2) グローバルチーム間コラボレーション 地域別
言語障壁を克服し、グローバルレベルで統一された情報を提供し、チーム間技術とプロセスの一貫性を維持し、知識の効率的な伝播可能。

(3) 知識の更新・保存
システムに新しいデータを継続的にアップロードし、既存のデータを更新して情報の最新化を維持する。

まとめ

トヨタのKnowledge Retention Solution Architectureは、AWSのジェネリックAI技術とRAGアーキテクチャを活用して、組織内の知識の保存と共有を劇的に改善したケースです。このソリューションは、データを保存して検索する機能を超えて、知識の文脈的理解と多言語サポートを通じてグローバルチーム間のコラボレーションを強化し、新しいチームメンバーのトレーニングから製造プロセスの改善まで幅広く活用されています。
具体的には、AWSのAmazon Bedrock、Amazon Translate、SageMakerなどのAIサービスは、トヨタが持つ膨大なデータを効率的に活用することをサポートし、知識配信の正確性と一貫性を確保しました。これらの技術により、トヨタは製造業でよく見られる情報のギャップと言語の障壁の問題を効果的に解決し、チームと地域間の調和に成功しました。このように、AWSを通じて複数のAIサービスを活用して企業にとても役立つサービスを作成できることに気付くきっかけだったようです。

記事 │MEGAZONECLOUD　Enterprise Managed Service Center (EMS), Kubernetes Engineering Team、ユウギュンマネージャー