メインコンテンツへジャンプ

実例で見る!企業が生成AIを駆使する方法

Share this post

生成AI(GenAI)は信じられないほど速く動いています。 その結果、わずか 2 年足らずで GenAI は最もエキサイティングで変革的なテクノロジーの 1 つとして登場し、さまざまな業界の企業がイノベーションを推進し、生産性を高め、優れた顧客体験を提供できるようにしています。 Databricks では、通信、エネルギー、金融サービス、ヘルスケアおよびライフサイエンス、製造、公共部門、メディアおよびエンターテイメント、小売および消費財など、あらゆる業界のプラットフォーム全体で GenAI アプリケーションの需要と開発が急激に増加しています。

Data + AI Summitが近づくにつれ、私たちはグローバルコミュニティを結集し、すべての人にデータインテリジェンスを提供するという約束を果たしていきます。 GenAI はイベントの中心的なテーマとなり、GenAI アプリケーションの開発と展開をサポートする130 社以上のパートナーが参加します。

このブログでは、さまざまな分野の大手企業が生成 AI を活用して業務を変革し、常に最先端を行く方法を探ります。

通信

通信業界は、ユーティリティから付加価値サービス プロバイダーへの変革を遂げており、データとAI 、より優れた消費者、ネットワーク、パートナー エクスペリエンスを提供するための中核を成しています。 データと AI が効率的な成長の拡大に活用されているこの時代において、通信サービス プロバイダーは GenAI アプリケーションを利用して、サービスと運用のコストを削減しながら顧客エンゲージメントを強化しています。 TMForum の最新の GenAI レポートによると、通信サービス プロバイダー (CSP) は、GenAI アプリケーションの開発と展開に関して、データの正確性と追跡可能性の確保、大規模言語モデルの出力におけるバイアスと「幻覚」への対処など、多くの課題に直面しています。 これは、Databricks が重点的に取り組んでいる分野です。 現在、私たちはAT&T、T-Mobile、Rogers、Comcastなどのチームがこれらの課題に取り組み、GenAIの可能性を最大限に引き出せるよう支援しています。 ここでは、実装されている最も重要なユースケースをいくつか紹介します。

強化された顧客サポート: RAG を使用してエージェントを増強します (生産性の向上、待機時間の短縮)。 AI を搭載したチャットボットと仮想アシスタントの生成により、通信業界の顧客サービス環境が変革しています。 これらのインテリジェント エージェントは、幅広い問い合わせを処理し、即座に応答し、パーソナライズされたソリューションを提供すると同時に、人間のエージェントがより複雑なタスクに集中できるようにします。

パーソナライズされたコンテンツの作成:生成AI により、通信会社はターゲットを絞ったマーケティング キャンペーンからカスタマイズされた顧客サポートのやり取りまで、高度にパーソナライズされたコンテンツを作成できます。 これらの AI モデルは、ユーザー データと好みを分析することで、個々の顧客の心に響く独自のコンテンツを生成し、より深いエンゲージメントとロイヤルティを育むことができます。

フィールド技術者サポート: 従業員や請負業者がボットに質問をして、解決への最短の道筋(ネットワークの依存関係)を見つけるためのボットのようなエクスペリエンス。 生成AIは、通信分野におけるネットワークパフォーマンスとリソース割り当てを最適化するために活用されています。 これらの AI モデルは、膨大な量のネットワーク データを分析することでパターンを識別し、潜在的な問題を予測し、最適な構成を推奨できるため、サービス品質と運用効率が向上します。

以下は、通信業界、および GenAI アプリケーションを含むデータと AI の強固な基盤の構築に関連する、データと AI サミットで見逃せない講演の一部です。

組織要約
T-mobileT-Mobile のデータとAI進化とコネクテッド データ アーキテクチャ
T-Mobile Network エンジニアリング チームは、 Databricksレイクハウスと長年協力し、大規模な (1 日あたり最大 600 TB の取り込み) 課題の解決に取り組んできました。 これまでサイロ化されていた加入者データ資産を、Unity Catalog によって実現される統合マルチテナント データ プラットフォーム全体のネットワーク データにリンクできるようになりました。 この最新の Lakehouse アプローチにより、コラボレーションが合理化され、データの重複、複雑さ、コストが削減されます。 強化されたデータ共有により、データ サイロが解消され、イノベーションが加速されます。
AT&TAT&T のサーバーレス データ インテリジェンス プラットフォームへの取り組み
今日のデータ チームは、増加するAIおよびデータエンジニアリング プロジェクトを迅速に導入すると同時に、価値実現までの時間を短縮する必要に直面しています。 AT&T が当初のユースケースを超えて複数の事業分野に対応できるよう拡張する中で、Databricks プラットフォーム上での進化について洞察に満ちたセッションにご参加ください。 Delta Live Tablesを使用した自動化されたパイプラインからサーバーレスのDatabricks SQL 、 AI / MLユースケースまで、 Databricks AT&T での新しいデータの合理化と高速化を実現しました。 ただし、ワークロードが独自のネットワークにデプロイされていない場合、複雑なセキュリティと接続の要件を満たすことは困難な場合があります。 このセッションでは、AT&T がサーバーレス SQL ウェアハウスから始めて、 Databricksサーバーレス プラットフォームを導入しながら、厳格なセキュリティと規制の要件をどのように満たしているかについて説明します。 また、 Databricksプラットフォーム チームが AT&T と提携して実現した最新の機能強化についても説明します。

エネルギー

データと人工知能 (AI) は、電気そのものと同じくらいエネルギー分野にとって不可欠なものになりつつあります。 現在のエネルギーシステムの進化において、アナリティクスとAIエネルギーの運用、分配、消費に革命をもたらしています。 再生可能エネルギーは現在、世界の発電量の 30% を占めており、2010 年から 10% 増加しており、データとAIの応用が重要になっています。 これらのテクノロジーは、ますます多様化するエネルギーミックスを管理し、消費行動の電化を推進する上で主導権を握っています。

消費者の嗜好や市場の力の変化に後押しされ、世界的な勢いが再生可能エネルギーと脱炭素化へと移行する中、データと AI は、従来のエネルギー インフラストラクチャと新興のエネルギー インフラストラクチャの統合を管理する上で不可欠であることが証明されています。 この移行は、大きな経済的影響を伴う価格の変動を特徴としています。 マッキンゼーは、データ分析と AI を戦略的に導入することで、今後 10 年間で最大 5 兆ドルの価値が生み出され、2050 年までにネットゼロ排出量の目標を達成する上で極めて重要になると予測しています。

今後、エネルギー分野の業界リーダーは、データと AI を活用して、この変革期を乗り切り、市場の不安定性によってもたらされるリスクを緩和することを目指しています。 特に、生成AIは大きな変革をもたらす影響を与えると期待されています。 以下は、エネルギー分野のクライアントの間で現在観察されているいくつかの主要なアプリケーションです。

資産パフォーマンス管理:エネルギー業界では、数十年に及ぶ長期間にわたって運用される物理的な資産 (リグ、グリッド、風力タービン、パイプライン) が重要です。 この複雑な機械は、高頻度のセンサー データ (機器ごとに数百万のデータ ポイント) を生成します。これを使用して、計画外のダウンタイムを削減し、出力を最大化し、高度なプロセス自動化を推進し、最終的にはより安全な操作とより高いパフォーマンスを実現します。

再生可能エネルギー予測:風力、太陽光、水力などの再生可能エネルギーは本質的に変動しやすいため、予測と計画の高度な機能を構築する必要があります。 風速、日射量、水力の流入量などのダイナミクスを考慮して再生可能エネルギーの発電量を予測し、予想される負荷と価格のシグナルとよりよく一致させる機能は、企業が再生可能エネルギー市場の不確実性、効率、利益を減らすのに役立ちます。

グリッド最適化:高度メータリング インフラストラクチャ (AMI) を導入することで、ユーティリティはグリッドの状態をリアルタイムで把握できるようになります。 AI機能により、企業は負荷をより正確に予測し、停電を予測し、使用パターンを明らかにすることで、コストと中断を減らしながら需要への対応を改善し、グリッド管理に対するより積極的かつ予測的なアプローチへの扉を開くことができます。

エネルギー取引: 電力市場はボラティリティが高く、意思決定には非常に短い時間枠で済みます:データの正確性と分析の適時性の欠如は、重大な財務上のマイナス面につながる可能性があります。 資産パフォーマンス予測、市場価格設定、リスク管理プラクティスを組み合わせることで、企業はより優れた前日オファーを通じて価値獲得を最適化し、取引戦略を最適化できます。

組織要約
ShellAIとレイクハウス: シェルの効果的なデータガバナンスへの
シェル エナジーの講演者が、大規模で多様性のある組織でデータ戦略とレイクハウスを実装する際の課題と解決策について話し合います。 データ戦略とガバナンスにおける最初のハードルや、それを克服するために Unity Catalog と企業所有のデータ製品アプローチをどのように使用したかなど、経験を共有します。 データ メッシュの概念を詳しく説明し、製品開発チームと顧客の役割について議論し、実際の例を紹介します。 また、データガバナンスのためのアナリティクス、PowerBI、 MLモデル、 AI使用に関する知見も共有します。 このセッションは、データ戦略とガバナンスに取り組む専門家を対象としており、目標の調整、ユースケースの特定、チーム編成、運用の拡張に関する知見を提供します。 参加者は、データ分析とAI活用して成功を収めることについて、より深い理解を得ることができます。 このセッションは中級レベルを対象としており、コードスニペットと実際のコードデモが含まれます。
Ordnance Survey場所のAI : 地理空間データで Gen AIのパワーを解き放つ
このセッションでは、位置情報インテリジェンスにおける最先端の GenAI アプリケーションについて探り、空間データ分析の進化に関する独自の視点を提供し、英国に新たな知見をもたらす Ordnance Survey の能力を強化します。 地理空間データセットの可能性を解き放つ大規模言語モデルとセグメント・エニシング・モデルの革新的な使用法を紹介します。 高度な AI 技術が、多様な地球観測データから現実世界の特徴抽出を自動化する方法を学びます。 実際の例と導入事例は、生成AI が複雑な課題を解決する上で有効であることを示しており、Ordnance Survey とDatabricksの地理空間インテリジェンスへの画期的な貢献を紹介しています。 地球観測と地理空間データセットの拡張、AI モデル アプリケーションの最適化におけるグリッド インデックス システムの重要な役割について詳しく説明します。 これらのシステムが大規模な地理空間データを効率的に管理し、生成AI とシームレスに統合して OS での分析ユースケースを強化する方法を理解します。

金融サービス

変化の激しい金融業界では、企業は自動化の推進、製品イノベーションの加速、業務効率の向上を通じて競争力を維持する方法を常に模索しています。 経営陣は、生成AIが金融機関(FSI)の自動化、合理化、効率化を支援する上で重要な役割を果たすと考えています。 FSI は、膨大な量のデータを分析し、人間の知性を補強する知見を提供するAI機能への投資を開始しています。 たとえば、ブルームバーグは金融業界向けに特別に構築された500億ドル規模の大規模言語モデル (LLM ) Bloomberg-GPT 」を発表しました。また、モルガン・スタンレーはLLM AI@ Morgan Stanley Assistant を立ち上げました。このツールにより、ファイナンシャルアドバイザーは約10万件の調査レポートと文書のデータベースに迅速にアクセスできます。また、JPモルガンはChat-GPTベースの言語AI モデルを使用して、 25年分のFRBのスピーチを分析し 、潜在的な取引シグナルを発見したと報じられています。その他の使用例は次のとおりです。

パーソナライズされた投資戦略:生成AI は、金融機関が投資戦略を策定する方法に革命をもたらしています。 これらの AI モデルは、顧客データ、市場動向、経済指標を分析することで、個人のリスク プロファイルと財務目標に合わせたパーソナライズされた投資推奨を生成できます。

自動化されたコンプライアンスと規制モニタリング:生成AIは、規制の変更とコンプライアンス要件のモニタリングを自動化することで、金融サービス業界で非常に貴重な存在であることが証明されています。 これらの AI モデルは、膨大な量の法的および規制文書を迅速に解析し、関連する更新を識別し、カスタマイズされたコンプライアンス レポートを生成することができるため、組織は進化する規制に常に先んじることができます。

不正行為の検出と防止:生成AI は、金融分野における不正行為の検出と防止を強化する上で重要な役割を果たしています。 これらのAIモデルは、取引パターン、顧客の行動、その他の関連データを分析することで、異常や潜在的な不正行為を特定し、金融機関がリスクを積極的に軽減して顧客を保護できるようにします。

組織要約
Northwestern MutualGenAI による運用効率の向上
このセッションでは、当社の金融/保険会社が顧客サービスの効率を高めるために Retrieval Augmented Generation (RAG) システムをどのように実装したかを紹介します。 RAG アーキテクチャの概要と、 Databricksを使用してコンテンツのインデックス作成とユーザー フィードバックの収集のための堅牢なデータ パイプラインを構築する方法について説明します。 マルチステージのコンテンツチャンク、高度な検索検索技術、最適化のための評価フレームワークなどのイノベーションを探ります。 Databricks ワークフローを使用したフィードバック ループにより、RAG 実装が改善されます。 また、AI 生成のユースケースを加速する当社独自のオーケストレーション レイヤーについても紹介します。 最後に、生成 AI が効率化と自動化の戦略によって顧客サービス業務をどのように変革できるかを理解します。 これらの学習は、業務の効率化を目指すあらゆる顧客サービス組織に当てはまります。
JP Morgan ChaseAI 時代における JP モルガンのデータ製品開発の加速
人工知能は急速に、世代を定義する技術的進歩になりつつあります。 JP Morgan Payments Data チームの技術リーダーが、アジャイルな技術実験の促進から実際のビジネス成果の促進まで、AI をどのように活用しているかをご覧ください。 また、新たなユースケースを評価し、組織文化を変化させることで、独自の AI 投資を計画する方法も学びます。 JP Morgan Payments エンジニアリングが、Databricks MLflowdata scientists、データアナリスト、データエンジニアリング向けに と を使用してセルフサービス イノベーション ファクトリーを構築した方法をご覧ください。
Banco Bradescoガバナンスを民主化し、使用し、維持する方法としてのGENAIプラットフォーム
Bradescoはラテンアメリカ最大の銀行の1つであるにもかかわらず、銀行は時間のかかるプロセスを扱っています。 ソリューションを探していた Bradesco 氏は、製品に革命を起こし、ゲームを変えるような体験を生み出す可能性を秘めた GenAI に目を向けました。 セキュリティを確保しながら銀行内での GenAI の使用を民主化するために、パフォーマンスとスケーラビリティを保証するレイクハウス アーキテクチャを使用した GenAI プラットフォームを開発しました。 また、マイクロサービスへの要約などの機能が構造化された確立されたAPIs LLMモデルにアクセスするために を使用しました。
Avanade高度な機械学習におけるMOSAICMLとデータセキュリティの統合
LLMでは、データの侵害とセキュリティは常に大きな課題です。 このLLMフレームワーク内にセキュリティを組み込むための革新的な戦略とベスト プラクティスを検討し、 MLモデルの高速化と最適化によってデータの完全性と機密性が損なわれないようにします。 講演では、さまざまな業界の導入事例を取り上げ、安全で効率的なMLソリューションの実装の成功例を紹介します。

医療・ライフサイエンス

ヘルスケアとライフサイエンスは、患者ケア、医学研究、臨床意思決定の改善を目的としたデータと AI の活用を長年模索してきましたが、大規模言語モデル (LLM) により、AI はヘルスケアのリーダーがもはや無視できない戦略的取り組みへと昇格しました。

創薬の加速:生成AI は、ヘルスケアおよびライフサイエンス業界における創薬プロセスに革命をもたらしています。 これらの AI モデルは、膨大な量の分子データを分析し、有望な薬剤候補を特定し、潜在的な治療法の効果をシミュレートできるため、従来の薬剤開発に関連する時間とコストを大幅に削減できます。

パーソナライズされた治療の推奨:生成AI により、医療提供者はよりパーソナライズされた効果的な治療を提供できるようになります。 これらの AI モデルは、患者データ、病歴、研究結果を分析することで、カスタマイズされた治療計画と投薬の推奨を生成し、患者の転帰を改善し、副作用のリスクを軽減することができます。

インテリジェントな医療画像分析:生成AI は、医療専門家が X 線、CT スキャン、MRI スキャンなどの医療画像を分析および解釈する方法を変革します。 これらの AI モデルは、微妙なパターンや異常を検出し、診断を支援し、さらなる調査のための推奨事項を提供することで、医療上の意思決定の精度と効率を高めます。

組織要約
CVS Healthナレッジマネジメントのための世界最大のRAGの構築@CVS HEALTH
CVS Healthには300,000+人の従業員と多様な事業ポートフォリオがあります。 何千ものチームが使用するさまざまなソースに知識が分散している場合、複雑な組織全体で知識を管理するのは困難です。 大企業では、業務を遂行するために必要な情報を見つけることが困難な場合があります。 従業員が適切なタイミングと場所で、最も関連性の高い/信頼性の高い情報にアクセスできるようにするにはどうすればよいでしょうか? 私たちは、ナレッジマネジメントの問題を解決し、CVS Healthのエクスペリエンスを向上させることに着手しました。 ナレッジマネジメントのための世界最大のRAGシステムを構築するためのアプローチを紹介します。 多くのRAGシステムは、拡張性に欠けるPOCでした。 RAGを使用して、多くのユースケースとBUに対応する統一されたスケーラブルなナレッジプラットフォームを作成する方法を説明し、直面した技術と組織の課題、それらをどのように克服したか、そしてこの大きな問題に取り組むための戦略を共有します。 この講演は、RAGを自分のドメインや問題に大規模に適用することに関心のある他の実務家や研究者に刺激を与え、情報を提供することを目的としています。
Providence HealthUNITY CATALOG によるヘルスケア データ インテリジェンス: PROVIDENCE の旅
Providence が Unity Catalog の実装の過程を共有する、変革的なセッションにご参加ください。 Providence が現在の状態を分析してガバナンスの定義、クラスターの適正サイズ設定、ワークスペースの統合、データの一元化を行った方法をご覧ください。その際、Databricks と緊密に連携し、ベスト プラクティスを活用してパフォーマンスを最適化し、コストを効果的に管理しました。 クリーンアップ、最適化、考え方の転換など、採用された課題と戦略についての知見を得ます。 Unity Catalogと LakeHouse アーキテクチャを実装することで、Providence の最も重要な臨床および運用上の GenAI とLLM使用例に対するデータ インテリジェンス、共有、コラボレーション、サポートがどのように向上したかを学びます。 この機会を利用して Providence の経験から学び、その教訓をデータ管理の取り組みに応用してください。
Mankind PharmaGENAIを活用してイノベーションを加速
Mankind Pharmaは、インドの大手製薬メーカーです。 その使命は、医薬品の手頃な価格、品質、アクセス性に焦点を当てることにより、より健康的なインドを構築することです。 23年度のインドでは処方箋数で第1位、数量で第3位にランクされています。 20以上のブランドファミリーが年間10億ドル以上のビジネスを生み出しており、そのうち97%以上がインドから来ています。 このビジネスは、インド全土に広がる15kの担当者、13k +の仕入れ業者、および25の製造施設によってサポートされています。 Mankind Pharma のデジタル変革の取り組みでは、GenAI を活用して複数の領域でビジネス プロセスを加速しています。 このセッションでは、次の 3 つのユース ケースについて説明します。
  • genie / データ ルームを通じて、非技術者によるデータへのアクセスを民主化します。
  • 画像生成モデルを使用して、製品ラインのパッケージを再設計します。
  • 15,000 人以上の担当者から主要な問題と感情を抽出するためのオーディオ アナリティクス ユースケースを構築する複雑さ。

製造

人工知能 ( AI ) は、本番運用プロセスを合理化し、効率を高め、運用コストを削減することで、製造業に革命をもたらしています。 AI を活用したシステムにより、予測メンテナンスが可能になり、機械の故障を事前に予測することでダウンタイムを最小限に抑えることができます。 また、正確な欠陥検出を通じて品質管理を強化し、高度なアナリティクスを通じて最適化されたサプライチェーン管理を促進します。 AI を製造業に統合することで、企業は俊敏性を高め、製品の品質を向上させ、イノベーションを推進し、よりスマートで持続可能な製造業の実践への道を切り開くことができます。

Databricks では、AI テクノロジーへの幅広いアクセスを推進しています。 私たちは、すべての企業が独自の言語モデルを開発し、データと結果のモデルの所有権を維持する機会を持つべきであるという信念を持っています。 製造業やエネルギー分野では、競争の中で優位に立ち、業務効率を高めるために、独自のプロセスが不可欠です。 これらの独自の手法は、特許や学術研究を通じて共有するのではなく、競争上の優位性を保護する戦略である企業秘密として機密に保たれることがよくあります。 独自の知見を放棄する必要がある多くの既存の言語モデルとは異なり、当社は企業の独占的な知識と実践を保護するモデルをサポートしています。

自動化された本番運用と品質管理:生成AIは、本番運用プロセスを自動化し、品質管理を強化することで、製造業務に革命をもたらします。 これらのAIモデルは、センサー データを分析し、潜在的な問題を特定し、本番運用を最適化するための調整を推奨することで、効率の向上、無駄の削減、製品品質の向上につながります。

予測保守:生成AI により、製造業者は予測保守を通じて機器の故障を予測し、防止できるようになります。 これらのAIモデルは、センサー データと過去の保守記録を分析することでパターンを識別し、機器の保守が必要になる時期を予測できるため、組織は運用に支障が出る前に問題に積極的に対処できます。

サプライ チェーンの最適化:生成 AI は製造業のサプライ チェーン管理を変革します。 これらの AI モデルは、サプライヤーのパフォーマンス、ロジスティクス、市場動向などの膨大な量のデータを分析して、最適化されたサプライ チェーン戦略を生成し、在庫管理を改善し、サプライ チェーン全体の回復力を強化することができます。

組織要約
Boeingボーイング社がストリーミングデータを活用してフライトデッキと OCC を強化する方法
Jeppesen Aero 知見 は、業界をリードする Jeppesen 航空地図とライブ航空機位置データを組み合わせて、世界中の 4,000 を超える空港で 1 日あたり最大 200,000 の一般航空、ビジネス航空、商業航空のフライトを監視します。 このシステムは、任意のステートフル アグリゲーションを備えたApache Spark™構造化ストリーミングを使用して、プッシュバック、タキシング、離陸、待機、迂回、着陸、駐車の各イベントを検出します。 データはダッシュボードとアドホック分析を通じて社内のマーケティング、戦略、エンジニアリングの意思決定に活用されます。 また、Jeppesen 社の FliteDeck Pro や Fleet 知見 などの製品を通じて、また Boeing 社の開発者APIsを通じて直接、フライトデッキやオペレーション コントロール センター (OCC) にいる航空会社の顧客にも提供されます。 Unity Catalogを使用して検出可能な内部データを生成する方法、カスタム ライブラリを備えたDelta Live Tablesパイプラインを使用して複雑なデータ型を解析する方法、 MLflowを使用してモデルをトレーニングし、パイロット向けにオンライン予測を行う方法を学びます。
Hapag-Lloyd AG生成AI によるHapag-Lloydの監査効率の向上
Databricks当社は、高度な検索拡張生成機能とスケーラブルなモデルサービングを特徴とする、 データ インテリジェンス プラットフォーム上に展開される洗練されたソリューションに重点を置いています。Hapag-Lloydの企業監査チームが直面している課題、特に実質的なビジネス価値を覆い隠す労働集約的な監査とレポート作成プロセスを掘り下げます。 このソリューションによってワークフローが大幅に効率化され、レポートの作成、校正、承認にかかる時間が短縮される様子を紹介します。 さらに、この導入により、エグゼクティブサマリーの読みやすさとインパクトが大幅に向上し、取締役会のレビューとアクションの可能性が高まりました。 Databricksの最先端のLLMアーキテクチャが、課題に対処し、具体的なビジネス上のメリットを強調しながら、ビジネス プロセスに革命を起こし、価値を高める方法について知見を共有します。
Rolls-Royceクラウドベースの生成AIによるエンジニアリング予備設計のサポート
多くのエンジニアリング ソリューションでは、専門的なノウハウと、その設計と操作の基盤となる物理メカニズムの深い理解が必要です。 同時に、パラメトリックモデルの限界を克服し、自由形式のジオメトリモデリングアプローチを通じて革新的な設計コンセプトの評価を可能にする、強化された設計空間探索機能の必要性が高まっています。 このセッションでは、Rolls-Royce と Databricks の共同作業の概要を説明し、主に条件付き敵対的生成ネットワーク (cGAN) トレーニング プロセスの最適化に焦点を当てます。 Databricksと取得したノウハウを活用することで、並列ハイパーメカニズムのチューニングにおける分散コンピューティングによって、約 30 倍の大幅な削減が実現しました。 MLflow の統合により、透明性と再現性が保証されます。 さらに、Unity Catalog の実装により、航空宇宙産業を含むコンプライアンス重視の業界にとって重要なガバナンス フレームワークが確立されます。

メディア・エンターテイメント

多くの業界と同様に、メディアおよびエンターテインメント組織は、消費者行動の変化やコンテンツの過剰、収益化および収益モデルの進化、著作権および知的財産保護が直面する課題に至るまで、デジタル革命の真っ只中にあります。 GenAIの成長は、業界がコンテンツの制作、配信、収益化を変革する可能性を認識し、この技術を受け入れていることから、慎重ながらも楽観的な見方がされています。 同時に、コンテンツの品質、顧客の信頼、そして人間が果たす重要な役割のバランスにかかわる重大な課題にも取り組んでいます。

自動コンテンツ生成:生成AI により、メディアおよびエンターテインメント企業はコンテンツ作成プロセスを効率化できます。 これらの AI モデルは、オリジナルのスクリプト、記事、さらには音楽作品を生成することができるため、人間のクリエイターはより複雑で創造的なタスクに集中できるようになります。

パーソナライズされたコンテンツの推奨:生成 AI は、メディアおよびエンターテインメント企業が視聴者と関わる方法に革命をもたらしています。 これらの AI モデルは、ユーザーの好み、視聴習慣、コンテンツのメタデータを分析することで、パーソナライズされたコンテンツの推奨事項を生成し、ユーザー エクスペリエンスを向上させ、顧客ロイヤルティを高めることができます。

顧客体験: LLM の約束は、もはや「設定センター」が必要なくなることです。 ルールベースから行動指向への移行。 次世代のプリファレンスセンター。 ユーザーが何に取り組んでいるかを見て、何が好きかを尋ねる必要はありません。 ユーザーごとの意図を大規模に理解し、それを顧客体験に変換できます。

組織要約
SEGA世界を創る: セガの AI によるクリエイティブ ストーリーボードの強化
人工知能の急速な統合は、ビデオゲームの開発と出版に大きな影響を与えています。 セガヨーロッパは、Sports Interactive、Creative Assembly、Amplitude Studios、Relic Entertainment、Two Point Studiosなど、世界中の複数のスタジオと提携し、ビデオゲームを通じてエンターテインメントと思い出に残る体験を提供するパブリッシャーです。 セガはこうした技術革命を積極的に取り入れており、AI は現在、ビジネスのあらゆる側面で重要な役割を果たしています。 このセッションでは、主にクリエイティブ プロセスにおける生成 AI の役割に焦点を当て、データ サイエンスの分野で SEGA Europe が成し遂げた大きな進歩に光を当てます。 ここでは、解決すべきビジネスニーズと課題、ビデオゲームのキャラクターの画像データの収集と注釈付け、アートディレクションとゲームコンセプトに合わせて拡散モデルを微調整する手法、およびこのアプリケーションを Databricks で提供する方法について説明します。
FoxGenAI を活用したメディア ダイナミクス: パーソナライズされたコンテンツ エンゲージメントのための LLM の活用
Fox は、膨大な記事、ビデオ、画像ライブラリを備えたメディア大手です。 DatabricksファインチューニングAPIを通じて、独特のスタイルとトーンを持つ多数のカスタム LLM をトレーニングし、多数の Gen AIアプリケーションを実現しました。 さらに、Fox はビデオの文字起こしデータから知見を抽出する技術に革新をもたらし、セグメントからエンティティ、トピック、テイク (有力な専門家の意見) を識別します。 この進歩により、シームレスな VOD 再生とセマンティック検索のためのマーカー統合が容易になり、厳選されたビデオ ライブラリとパーソナライズされた推奨事項によってユーザー エクスペリエンスが向上します。 Fox はメディア インタラクションの革命の最前線に立ち、没入型デジタル エンゲージメントの新時代を切り開いています。
VivvixGenAI で数百万のクラスにわたるビデオ広告分類を拡張
広告情報企業である Vivvix は、 MLと GenAI を活用して、多様なクリエイティブ (動画、音声) からのリアルタイム 知見を活用します。 当初の目標は、ビデオ広告を 30,000 の製品クラスに分類することでしたが、600 万まで拡大する計画でした。 初期のトランスフォーマーベースの機械学習モデルは高い精度を達成しましたが、トレーニング時間の指数関数的な増加とクラスあたりのデータの制限による課題が予想されました。 これらの問題に対処するために、OSS LLM を活用しました。 最適化された LLama2 (Vllm) を使用して、製品カテゴリを識別し、ラベル間で類似性検索を実行することでクリエイティブを分類しました。 当社のベースライン機械学習モデルは、約 25,000 個のラベルと約 20 万個のクリエイティブのトレーニング データセットで 69% の精度を達成しました。 LLMを統合することで、精度を15%向上させるという驚異的な向上を実現しました。 両方のアプローチを組み合わせて、LLM モデルが前処理ステップとして機能し、後続の機械学習分析の要約を生成するソリューションを考案しました。

官公庁・公共機関

防衛と諜報、輸送とインフラサポート、金融と民間サービス、医療と教育など、公共部門は GenAI アプリケーションを安全かつ効果的に実装する最善の方法を決定することに全力を注いでいます。 これまで議論してきたように、GenAI のように国民とのやりとりからサービスの提供、内部プロセスの管理方法に至るまで、破壊的な影響を与える力を持つテクノロジーはほとんどありません。公共部門は、このテクノロジーの実装について慎重に、しかし必要な検討を行っています。 Databricks は、反復的なタスクの自動化、データ分析の強化、市民参加のサポートなど、基本的なユースケースを通じて政府機関が GenAI を実現できるようサポートしています。 ここでは、注目すべき例をいくつか紹介します。

インテリジェントなポリシー開発:生成AI は、公共部門の組織がより情報に基づいた効果的なポリシーを開発できるようにします。 これらのAIモデルは、人口統計情報、経済指標、社会動向などの膨大なデータを分析することで、さまざまなコミュニティの固有のニーズと課題に対処する政策推奨を生成することができます。 持続可能な投資の分野では、 国際金融公社 (IFC)が、新興市場における環境・社会・ガバナンス(ESG)の統合を支援するため、世界銀行グループ初の AIサービスである MALENA を外部ユーザーに提供しています。

自動化された市民および構成員向けサービス: AI を活用したチャットボットと仮想アシスタントの生成により、パーソナライズされた学生体験の提供から市民権取得へのより効率的な道筋の提供まで、さまざまな分野で公共部門組織がサービスを提供する方法が変革しています。 これらのインテリジェント エージェントは、幅広い問い合わせを処理し、即座に応答し、ユーザーを適切なリソースに誘導することで、構成員の全体的なエクスペリエンスを向上させ、効率を高めます。

強化されたミッション遂行:生成 AI は、防衛や諜報から医療や国民サービスまで、さまざまな政府機関におけるミッション遂行を改善するために公共部門で活用されています。 一般的なユースケースには、ドキュメントの検索と要約、エンティティの自動解決、ロジスティクスの合理化、情報収集などがあります。

公共部門のAIモデルは、履歴データ、リアルタイム情報、その他の関連データソースを分析することで、潜在的な脅威を予測し、リスクの高い領域を特定し、リスクを軽減するための積極的な対策を推奨することができます。

組織要約
National Institutes of Health (NIH)レイヤード インテリジェンス: 生成 AI と従来の意思決定科学の融合
この講演では、生成 AI、特に大規模言語モデル (LLM) が従来の意思決定科学の方法論にどのように統合されるかを探ります。 LLM がチャットボットを超えて、最適化アルゴリズム、統計モデル、グラフアナリティクスをどのように強化するかを見ていきます。 この階層化されたアプローチは、従来の方法に新たなエッジをもたらし、複雑な問題解決、微妙なデータインタラクション、解釈可能性の向上を可能にします。 このセッションでは、メソッドとアーキテクチャ、および実際のアプリケーションとデモ実装について説明します。 AI LLM が意思決定科学に新たな息吹を吹き込み、戦略的アナリティクスと意思決定を促進できる仕組みについて説明します。
Ordnace Survey場所のAI : 地理空間データで GENAI のパワーを解き放つ
このセッションでは、位置情報インテリジェンスにおける最先端の GenAI アプリケーションについて説明し、空間データ分析の進化に関する独自の視点を提示して、英国に新たな知見をもたらす Ordnance Survey の能力を強化します。 地理空間データセットの可能性を解き放つ大規模言語モデルとセグメント・エニシング・モデルの革新的な使用法を紹介します。 高度な AI 技術が、多様な地球観測データから現実世界の特徴抽出を自動化する方法を学びます。 実際の例と導入事例は、生成AI が複雑な課題を解決する上で有効であることを示しており、Ordnance Survey とDatabricksの地理空間インテリジェンスへの画期的な貢献を紹介しています。 地球観測と地理空間データセットの拡張、AI モデル アプリケーションの最適化におけるグリッド インデックス システムの重要な役割について詳しく説明します。 これらのシステムが大規模な地理空間データを効率的に管理し、生成AI とシームレスに統合して OS での分析ユースケースを強化する方法を理解します。
North Dakota University SystemLLM と DATABRICKS で非構造化データの潜在能力を解き放つ
非構造化データは、さまざまな分野での意思決定や問題解決に貴重な知見を提供します。 ただし、このようなデータの抽出と分析は、その複雑さと多様性のために困難な場合があります。 このプレゼンテーションでは、ノースダコタ大学システム (NDUS) が Databricks 内のネイティブ AI 機能を使用して、ポリシーや手順などの非構造化データを活用するために使用している LLM フレームワークである Retrieval augmented generation (RAG) アーキテクチャについて説明します。 NDUS のすべてのスタッフ、教員、学生が承認された AI アプリにアクセスするための AI ポータルを作成する上で、Databricks がいかに重要な役割を果たしたかを紹介します。 また、非構造化データ分析と生成に RAG アーキテクチャとAzure Databricksを使用する利点と課題についても説明します。

小売・消費財

小売・消費財企業 (RCG) は、製品開発から顧客体験まで、業務のあらゆる側面に革命を起こす可能性のある生成 AI の変革の可能性をもはや無視できません。 この技術を採用しないと、競合他社に遅れをとり、さまざまな業界で年間 2兆6,000億ドルから4兆4,000億ドル と推定される、この技術がもたらす大きな経済的利益を逃すリスクがあります。 以下は、RCG 全体で生成 AI アプリケーションを推進する主要なユースケースのほんの一部です。

パーソナライズされた製品の推奨:生成AI は、パーソナライズされた製品の推奨を可能にすることで、小売業および消費財業界を変革しています。 これらの AI モデルは、顧客データ、購入履歴、閲覧行動を分析して、個人の好みに合わせた製品を提案し、ユーザーエンゲージメントを強化し、売上を増加させ、長期的な顧客ロイヤルティを育みます。

自動在庫管理と需要予測:生成AIは、小売業と消費財業界の在庫管理と需要予測に革命をもたらします。 企業は、販売データ、サプライ チェーンの知見、市場動向など、幅広いデータを分析することで、 AIモデルを活用して需要を予測し、在庫レベルを最適化し、補充を自動化できます。 これらの知見により、需要と供給のダイナミクス間の調整が強化され、運用効率が向上し、在庫切れが回避され、マーケティング戦略が通知され、コストが削減されます。

最前線の労働者の生産性と効率性の向上:生成 AI の登場により、小売、顧客サービス、消費財の最前線で生産性と戦略的意思決定の新しい時代が到来しています。 小売業者、消費財企業、レストランは、店舗スタッフによる顧客からの問い合わせの管理から、管理者向けの実用的な知見による製品の品質向上まで、業務のさまざまな側面を効率化するためにAIを採用しています。 AI を活用することで、企業は、画像メタデータを抽出して電子商取引リスト用の一貫性のある製品説明を作成することから、AI 搭載のチャットボットによる顧客サービスの向上まで、さまざまな活動を最適化できます。 AI は、店舗マネージャーがスタッフが時間に敏感な状況を効率的に処理できるよう支援したり、現場のマネージャーがどのような決定をいつ下すべきかを把握したりできるようにもします。 これらの進歩は、最前線の業務の改善、顧客エンゲージメントの深化、収益成長の促進における生成 AI の重要な役割を強調しています。

組織要約
CVS Healthナレッジマネジメントのための世界最大のRAGの構築@ CVS Health
CVS Healthには300,000+人の従業員と多様な事業ポートフォリオがあります。 何千ものチームが使用するさまざまなソースに知識が分散している場合、複雑な組織全体で知識を管理するのは困難です。 大企業では、業務を遂行するために必要な情報を見つけることが困難な場合があります。 従業員が適切なタイミングと場所で、最も関連性の高い/信頼性の高い情報にアクセスできるようにするにはどうすればよいでしょうか? 私たちは、ナレッジマネジメントの問題を解決し、CVS Healthのエクスペリエンスを向上させることに着手しました。 ナレッジマネジメントのための世界最大のRAGシステムを構築するためのアプローチを紹介します。 多くのRAGシステムは、拡張性に欠けるPOCでした。 RAGを使用して、多くのユースケースとBUに対応する統一されたスケーラブルなナレッジプラットフォームを作成する方法を説明し、直面した技術と組織の課題、それらをどのように克服したか、そしてこの大きな問題に取り組むための戦略を共有します。 この講演は、RAGを自分のドメインや問題に大規模に適用することに関心のある他の実務家や研究者に刺激を与え、情報を提供することを目的としています。
SephoraPrompt エンジニアリングは終了しました。 DSPy フレームワークを使用してLLMアプリケーションを構築する
LangChainでの prompt エンジニアリングを停止します。 ニューラルネットワークの重みを手動で選択しないのと同じように、プロンプトも手動で選択しないでください。 DSPy は、コードを使用して言語モデルプロンプト、モデルチューニング、LLM アプリケーションを最適化するパイプラインの構築に向けたパラダイムシフトを提供するオープンソースフレームワークです。 このセッションでは、経営幹部は DSPy を導入することで時間とリソースを節約しながらアプリケーションのパフォーマンスを向上させる方法を学び、開発者は DSPy を LLM アプリケーション開発プロセスに組み込む方法に関する知識を身に付けてセッションを終えます。 従来のプロンプト エンジニアリングからより体系的なアプローチに移行する方法、つまり DSPy の「シグネチャ、モジュール、オプティマイザー」機能を統合して、アプリケーション内の特定のタスクに言語モデルを活用するシステムを作成し、LLM アプリケーションのパフォーマンスを経験的に最適化する方法を紹介します。

組織全体でソリューションを構築するために当社のAIツールを使用している顧客をさらに見つけるには、 Databricksの顧客ページにアクセスするか、 Data + AI Summitにご参加ください。

Databricks 無料トライアル

関連記事

DatabricksによるGenAIの構築とカスタマイズ:LLMとその先へ

ジェネレーティブAIは、ビジネスに新たな可能性をもたらし、組織全体で力強く受け入れられています。 最近の MIT Tech Reviewの レポートによると、調査対象となった600人のCIO全員がAIへの投資を増やしており、71%が独自のカスタムLLMやその他のGenAIモデルの構築を計画していると回答しています。 しかし、多くの組織では、自社のデータで学習させたモデルを効果的に開発するために必要なツールが不足している可能性があります。 ジェネレーティブAIへの飛躍は、単にチャットボットを導入するだけではありません。 この変革の中心は、 データレイクハウス の出現です。 このような高度なデータアーキテクチャは、GenAIの可能性を最大限に活用する上で不可欠であり、データとAI技術の迅速かつコスト効率の高い、より広範な民主化を可能にします。 企業が競争上の優位性を確保するためにGenAIを活用したツールやアプリケーションへの依存度を高める中、基盤となるデータインフラは、これらの先進技術を効果的かつ安全にサポートでき

Databricks モデルサービングの新たなアップデートで生成 AI アプリ開発を加速

May 9, 2024 アフメド・ビラルKasey Uhlenhuth による投稿 in 生成 AI
昨年、 Databricksモデルサービングにおける 基盤モデルのサポート を開始し 、企業が統合データおよび AI プラットフォーム上で安全でカスタマイズされた生成 AI アプリを構築できるようにしました。 それ以来、何千もの組織がモデルサービングを使用して、独自のデータセットに合わせてカスタマイズされた生成 AI アプリを展開してきました。 本日、生成 AI アプリの実験、カスタマイズ、展開を容易にする新しいアップデートを発表できることを嬉しく思います。 これらの更新には、新しい大規模言語モデル (LLM) へのアクセス、より簡単な検出、よりシンプルなカスタマイズ オプション、および改善された モニタリング が含まれます。 これらの改善により、生成 AI...

Cleanlab Studioを使ったより良いデータでより良いLLMを

June 1, 2023 Anish Athalye による投稿 in 業界
Original: Better LLMs with Better Data using Cleanlab Studio 翻訳: junichi.maruyama この投稿とそれに付随する ノートブック と チュートリアルビデオ は、 Cleanlab Studio を使用して、大規模言語モデル(LLM、基礎モデルとも呼ばれる)のパフォーマンスを、それらが微調整されるデータを改善することによって改善する方法( Data-centric AI (DCAI)とも呼ばれるアプローチ)を示します。事例として、LLMの最も一般的な使用例の1つである、テキスト分類のためのモデルのファインチューニングを、Stanford politeness...
業界一覧へ