課題8: 〇〇株式会社のカスタマーサポート自動化システム構築

難易度: 🟡 中級

分類情報

項目	内容
難易度	中級
カテゴリ	AI / カスタマーサポート
処理タイプ	リアルタイム / 非同期
使用IaC	CloudFormation
所要時間	6〜8時間

学習するAWSサービス

この演習では以下のAWSサービスを実践的に学習します。

メインサービス

サービス	役割	学習ポイント
Amazon Bedrock	生成AIによる回答生成	Claude 3モデルの呼び出し、プロンプトエンジニアリング
Bedrock Knowledge Base	FAQの検索・RAG	ベクトル検索、Retrieval-Augmented Generation
Amazon OpenSearch Serverless	ベクトルストア	Knowledge Baseのバックエンド、埋め込みベクトル管理
Amazon S3	FAQドキュメント保存	Knowledge Baseのデータソース
Amazon DynamoDB	会話履歴・セッション管理	NoSQLデータモデリング、TTL設定
AWS Lambda	APIロジック処理	サーバーレス関数、Python実装
Amazon API Gateway	REST API提供	REST API設計、Lambda統合

補助サービス

サービス	役割
Amazon CloudWatch	ログ・メトリクス・アラート監視
AWS IAM	サービス間の権限管理
Amazon SNS	エスカレーション通知

最終構成図

コンポーネント	役割
User	カスタマーサポートを利用するユーザー
API Gateway	チャットAPIエンドポイント
Lambda	リクエスト処理・RAG連携
Knowledge Base	FAQデータをベクトル検索
OpenSearch	ベクトルインデックス保存
Claude 3	回答生成（Bedrock経由）
DynamoDB	会話履歴の保存
S3	FAQドキュメント保存
SNS	エスカレーション通知
CloudWatch	ログ・メトリクス監視
Support Staff	人間のサポート担当（エスカレーション先）

システム構成の説明

レイヤー	コンポーネント	説明
API Layer	API Gateway → Lambda	ユーザーからのリクエストを受け付け、処理を行う
Amazon Bedrock	Knowledge Base, OpenSearch Serverless, Titan Embeddings, Claude 3	RAGによるFAQ検索と回答生成
Data Layer	DynamoDB, S3, SNS	会話履歴の保存、FAQデータ管理、エスカレーション通知
Monitoring	CloudWatch	ログ収集、メトリクス監視、アラート

シナリオ

企業プロフィール

〇〇株式会社は、都市部を中心に急成長中のフードデリバリースタートアップです。

項目	内容
業種	フードデリバリー
従業員数	50名（うちサポートスタッフ5名）
月間アクティブユーザー	10万人
インフラ予算	月10万円以内

現状の課題

カスタマーサポートへの問い合わせが月間3,000件を超え、5名のサポートスタッフでは対応が追いつかなくなっています。急成長に伴い、サービス品質の低下が顧客離れを引き起こすリスクが高まっています。

数値で示された問題

指標	現状	業界平均
平均初回応答時間	2時間	30分
平均解決時間	8時間	2時間
サポートスタッフ残業	月平均50時間/人	-
顧客満足度（5段階）	3.2	4.0
問い合わせ対応コスト	月150万円	-

問い合わせ内訳分析

過去3ヶ月の問い合わせ3,000件を分析した結果：

カテゴリ	割合	件数/月	自動化可能性
注文状況確認	25%	750件	高
配達時間の問い合わせ	20%	600件	高
キャンセル・変更方法	15%	450件	高
クーポン・ポイント	10%	300件	高
商品の不備・クレーム	15%	450件	中（エスカレーション）
アプリの使い方	10%	300件	高
その他複雑な問題	5%	150件	低

定型的な問い合わせ（自動化可能）：約80%（2,400件/月）

解決したいこと

定型的な問い合わせの80%をAIチャットボットで自動応答
平均初回応答時間を2時間から15分以内に短縮
サポートスタッフは複雑な問い合わせ・クレーム対応に集中
24時間365日対応を実現
顧客満足度を3.2から4.0以上に改善

成功指標（KPI）

KPI	現状	目標
AI自動応答率	0%	80%以上
平均初回応答時間	2時間	15分以内
顧客満足度	3.2	4.0以上
サポートコスト	150万円/月	105万円/月（30%削減）
スタッフ残業時間	50時間/月	20時間/月以下

達成目標

この演習で習得できるスキル：

技術的な学習ポイント

Amazon Bedrockの実践的活用
- Claude 3モデルを使った自然言語処理
- プロンプトエンジニアリングの基礎
- RAG（Retrieval-Augmented Generation）パターンの実装
サーバーレスアーキテクチャ設計
- Lambda + API Gatewayによるリアルタイム処理
- DynamoDBを使ったセッション管理・履歴保存
Knowledge Baseの構築と運用
- FAQデータのベクトル化と検索
- Amazon OpenSearch Serverlessの活用
CloudFormationによるIaC
- マルチリソースのテンプレート作成
- 環境変数・パラメータ管理

実務で活かせる知識

カスタマーサポート自動化の設計パターン
生成AIを業務システムに組み込む際のベストプラクティス
チャットボットのUX設計（エスカレーションフロー含む）

GCPとの比較

機能	AWS	GCP
生成AI	Amazon Bedrock	Vertex AI
ベクトルDB	OpenSearch Serverless	Vertex AI Vector Search
サーバーレス関数	Lambda	Cloud Functions
APIゲートウェイ	API Gateway	API Gateway / Cloud Endpoints

使用するAWSサービス（詳細）

メインサービス

サービス	役割	選定理由
Amazon Bedrock	生成AIによる回答生成	Claude 3モデルで高品質な日本語応答
Bedrock Knowledge Base	FAQの検索・RAG	マネージドでベクトル検索を実現
Amazon OpenSearch Serverless	ベクトルストア	Knowledge Baseのバックエンド
Amazon S3	FAQドキュメント保存	Knowledge Baseのソース
Amazon DynamoDB	会話履歴・セッション管理	低レイテンシ、スケーラブル
AWS Lambda	APIロジック処理	サーバーレスで運用負荷軽減
Amazon API Gateway	REST API提供	WebSocket対応、認証統合

補助サービス

サービス	役割
Amazon CloudWatch	ログ・メトリクス・アラート
AWS IAM	権限管理
AWS Secrets Manager	APIキー管理
Amazon SNS	エスカレーション通知

前提条件

必要な事前知識

AWSマネジメントコンソールの基本操作
REST APIの基本概念
Python 3.9以上の基礎文法
JSONの読み書き

準備するもの

AWSアカウント
- Bedrockのモデルアクセス有効化（Claude 3 Sonnet）
- 適切なIAM権限
開発環境
- AWS CLI v2（設定済み）
- Python 3.9以上
- pip（boto3インストール用）
- コードエディタ（VS Code推奨）
テストデータ
- FAQドキュメント（演習で作成）
- テスト用問い合わせデータ

Bedrockモデルアクセスの有効化手順

1. AWSコンソール → Amazon Bedrock
2. 左メニュー「Model access」
3. 「Manage model access」クリック
4. 「Anthropic - Claude 3 Sonnet」にチェック
5. 「Request model access」
6. 数分で有効化完了

トラブルシューティング課題

問題1: Knowledge Baseからの検索結果が空

症状:

Knowledge Baseに問い合わせても、関連するFAQが返ってこない。
回答が一般的すぎて、〇〇固有の情報が含まれない。

ヒント:

Knowledge Baseの同期状態を確認してください
S3のFAQデータが正しいパスにあるか確認してください
OpenSearch Serverlessコレクションのステータスを確認してください

解決方法:

bash

# 同期ジョブの状態確認
aws bedrock-agent list-ingestion-jobs \
  --knowledge-base-id <KB_ID> \
  --data-source-id <DS_ID> \
  --region ap-northeast-1

# 再同期実行
aws bedrock-agent start-ingestion-job \
  --knowledge-base-id <KB_ID> \
  --data-source-id <DS_ID> \
  --region ap-northeast-1

問題2: Lambda実行時にAccessDeniedエラー

症状:

Error: User: arn:aws:sts::xxx:assumed-role/quickeats-support-lambda-role/quickeats-chat-handler
is not authorized to perform: bedrock:InvokeModel

ヒント:

IAMロールにBedrockの権限が付与されているか確認
Bedrockのモデルアクセスが有効化されているか確認
リージョンが一致しているか確認

解決方法:

bash

# IAMポリシー確認
aws iam list-attached-role-policies --role-name quickeats-support-lambda-role

# モデルアクセス確認（コンソールから）
# Bedrock → Model access → Claude 3 Sonnetが「Access granted」か確認

問題3: API Gatewayで504 Gateway Timeout

症状:

API呼び出しが30秒以上かかり、504エラーが返る
CloudWatch Logsには処理途中で終了した形跡がある

ヒント:

API Gatewayのタイムアウト設定を確認（デフォルト29秒）
Lambda関数のタイムアウト設定を確認
Bedrockの応答時間をログで確認

解決方法:

bash

# Lambda タイムアウト延長（最大15分まで可能）
aws lambda update-function-configuration \
  --function-name quickeats-chat-handler \
  --timeout 60 \
  --region ap-northeast-1

# API Gatewayはコンソールから統合リクエストのタイムアウトを変更
# （最大29秒の制限あり。それ以上の場合はWebSocket APIを検討）

設計の考察ポイント

1. なぜAPI Gateway + Lambdaのサーバーレス構成を選択したのか？

考察ポイント:

EC2やECS常駐と比較したコスト効率
トラフィックパターン（ピーク時と平常時の差）
運用負荷の軽減
スケーラビリティの自動化

代替案:

ECS Fargate: 常時接続が必要な場合
EC2 + ALB: 大量の同時接続が必要な場合

2. DynamoDBを会話履歴に選択した理由は？

考察ポイント:

セッションベースのアクセスパターン
スケーラビリティ要件
TTLによる自動削除の必要性
コスト（オンデマンドモード）

代替案:

ElastiCache (Redis): 高速だがセッション管理が複雑
RDS: 複雑なクエリが必要な場合
S3: 長期アーカイブ用途

3. RAG（Knowledge Base）を採用した利点と欠点は？

利点:

FAQの更新がリアルタイムに反映
ハルシネーションの軽減
根拠のある回答が可能

欠点:

検索精度の調整が必要
OpenSearch Serverlessのコスト
レイテンシーの増加

4. エスカレーション判定のロジックは適切か？

考察ポイント:

キーワードベースの判定の限界
感情分析（Comprehend）の導入検討
閾値の調整方法
False Positive/Negativeのバランス

5. セキュリティ面で考慮すべき点は？

考察ポイント:

API Gatewayの認証（Cognito連携）
個人情報の取り扱い（DynamoDBの暗号化）
ログに含まれる機密情報
レート制限の必要性

発展課題

1. WebSocket APIへの移行

リアルタイム双方向通信の実現
ストリーミングレスポンス（タイピング中表示）
プッシュ通知対応

2. Amazon Comprehendによる感情分析追加

ユーザーの感情をリアルタイム検知
ネガティブ判定時の自動エスカレーション
感情トレンドのダッシュボード化

3. マルチチャネル対応

LINE公式アカウント連携
Slack連携（社内サポート用）
メール自動応答

4. A/Bテスト基盤構築

プロンプトの改善サイクル
回答品質の定量評価
CTR（クリック率）トラッキング

5. 多言語対応

Amazon Translateとの連携
言語自動検出
言語別FAQ管理

想定コストと削減方法

月額概算コスト（月間3,000リクエスト想定）

サービス	内訳	月額コスト
Amazon Bedrock (Claude 3 Sonnet)	入力: 約300万トークン、出力: 約60万トークン	$12-15
Bedrock Knowledge Base	検索クエリ3,000回	$0.50
OpenSearch Serverless	2 OCU（最小構成）	$350
Lambda	3,000回 × 10秒 × 256MB	$0.10
API Gateway	3,000リクエスト	$0.01
DynamoDB	オンデマンド、1GB未満	$1-2
CloudWatch	ログ・メトリクス	$5
合計		約$370（約55,000円）

コスト削減のポイント

OpenSearch Serverlessの代替検討
- Pinecone（無料枠あり）
- PostgreSQL + pgvector（RDS活用）
- → 最大$300/月削減可能
Bedrockモデルの最適化
- Claude 3 Haikuへの切り替え（単純な質問向け）
- → 約50%コスト削減
キャッシング導入
- よくある質問の回答をElastiCacheにキャッシュ
- Bedrock呼び出し回数削減
Lambda Provisioned Concurrency
- コールドスタート対策（ただしコスト増）
- 本番運用時のみ検討

リソース削除手順

bash

# 1. API Gateway削除
aws apigateway delete-rest-api --rest-api-id <API_ID> --region ap-northeast-1

# 2. Lambda関数削除
aws lambda delete-function --function-name quickeats-chat-handler --region ap-northeast-1

# 3. DynamoDBテーブル削除
aws dynamodb delete-table --table-name quickeats-chat-history --region ap-northeast-1

# 4. Knowledge Base削除（コンソールから）
# Bedrock → Knowledge bases → 削除

# 5. OpenSearch Serverlessコレクション削除（コンソールから）
# OpenSearch → Serverless → Collections → 削除

# 6. S3バケット削除
aws s3 rb s3://quickeats-support-kb-${AWS_ACCOUNT_ID} --force --region ap-northeast-1

# 7. IAMロール削除
aws iam delete-role-policy --role-name quickeats-support-lambda-role --policy-name BedrockAccess
aws iam delete-role-policy --role-name quickeats-support-lambda-role --policy-name DynamoDBAccess
aws iam delete-role --role-name quickeats-support-lambda-role

# 8. CloudWatchリソース削除
aws cloudwatch delete-alarms --alarm-names quickeats-chat-lambda-errors quickeats-chat-lambda-latency
aws cloudwatch delete-dashboards --dashboard-names 〇〇-Support-Dashboard

学習のポイント

1. RAGパターンの理解

生成AIを業務システムに組み込む際の最重要パターン。外部知識（FAQ）を検索して、コンテキストとしてLLMに渡すことで、ハルシネーションを防ぎつつ正確な回答を実現する。

2. サーバーレスアーキテクチャの設計原則

Lambda + API Gateway + DynamoDBの組み合わせは、変動するトラフィックに対してコスト効率が高い。ただし、コールドスタートやタイムアウトの制約を理解する必要がある。

3. プロンプトエンジニアリングの基礎

システムプロンプトでAIの役割・制約・参考情報を明確に定義することで、回答品質を大幅に向上させられる。

4. エスカレーションフローの重要性

AIで100%対応することを目指さず、人間へのエスカレーションパスを最初から設計に組み込む。これが顧客満足度を維持する鍵。

5. オブザーバビリティの組み込み

本番運用を見据え、ログ・メトリクス・アラートを最初から設計に含める。問題発生時の原因特定を迅速に行えるようにする。

課題8: 〇〇株式会社のカスタマーサポート自動化システム構築 ​

分類情報 ​

学習するAWSサービス ​

メインサービス ​

補助サービス ​

最終構成図 ​

システム構成の説明 ​

シナリオ ​

企業プロフィール ​

現状の課題 ​

数値で示された問題 ​

問い合わせ内訳分析 ​

解決したいこと ​

成功指標（KPI） ​

達成目標 ​

技術的な学習ポイント ​

実務で活かせる知識 ​

GCPとの比較 ​

使用するAWSサービス（詳細） ​

メインサービス ​

補助サービス ​

前提条件 ​

必要な事前知識 ​

準備するもの ​

Bedrockモデルアクセスの有効化手順 ​

トラブルシューティング課題 ​

問題1: Knowledge Baseからの検索結果が空 ​

問題2: Lambda実行時にAccessDeniedエラー ​

問題3: API Gatewayで504 Gateway Timeout ​

設計の考察ポイント ​

1. なぜAPI Gateway + Lambdaのサーバーレス構成を選択したのか？ ​

2. DynamoDBを会話履歴に選択した理由は？ ​

3. RAG（Knowledge Base）を採用した利点と欠点は？ ​

4. エスカレーション判定のロジックは適切か？ ​

5. セキュリティ面で考慮すべき点は？ ​

発展課題 ​

1. WebSocket APIへの移行 ​

2. Amazon Comprehendによる感情分析追加 ​

3. マルチチャネル対応 ​

4. A/Bテスト基盤構築 ​

5. 多言語対応 ​

想定コストと削減方法 ​

月額概算コスト（月間3,000リクエスト想定） ​

コスト削減のポイント ​

リソース削除手順 ​

学習のポイント ​

1. RAGパターンの理解 ​

2. サーバーレスアーキテクチャの設計原則 ​

3. プロンプトエンジニアリングの基礎 ​

4. エスカレーションフローの重要性 ​

5. オブザーバビリティの組み込み ​

課題8: 〇〇株式会社のカスタマーサポート自動化システム構築

分類情報

学習するAWSサービス

メインサービス

補助サービス

最終構成図

システム構成の説明

シナリオ

企業プロフィール

現状の課題

数値で示された問題

問い合わせ内訳分析

解決したいこと

成功指標（KPI）

達成目標

技術的な学習ポイント

実務で活かせる知識

GCPとの比較

使用するAWSサービス（詳細）

メインサービス

補助サービス

前提条件

必要な事前知識

準備するもの

Bedrockモデルアクセスの有効化手順

トラブルシューティング課題

問題1: Knowledge Baseからの検索結果が空

問題2: Lambda実行時にAccessDeniedエラー

問題3: API Gatewayで504 Gateway Timeout

設計の考察ポイント

1. なぜAPI Gateway + Lambdaのサーバーレス構成を選択したのか？

2. DynamoDBを会話履歴に選択した理由は？

3. RAG（Knowledge Base）を採用した利点と欠点は？

4. エスカレーション判定のロジックは適切か？

5. セキュリティ面で考慮すべき点は？

発展課題

1. WebSocket APIへの移行

2. Amazon Comprehendによる感情分析追加

3. マルチチャネル対応

4. A/Bテスト基盤構築

5. 多言語対応

想定コストと削減方法

月額概算コスト（月間3,000リクエスト想定）

コスト削減のポイント

リソース削除手順

学習のポイント

1. RAGパターンの理解

2. サーバーレスアーキテクチャの設計原則

3. プロンプトエンジニアリングの基礎

4. エスカレーションフローの重要性

5. オブザーバビリティの組み込み