金融サービス

MUFG と Google のリテール領域における戦略的提携について

Thu, 07 May 2026 02:00:00 +0000

株式会社三菱 UFJ フィナンシャル・グループ（代表執行役社長半沢淳一、以下 MUFG）は、今般、Google とのリテール領域における戦略的提携（以下本提携）に合意しました。

テクノロジーの進展により、人々の暮らしや日常行動は大きく変化しています。金融分野においても、仕事や買い物、余暇などの日々の生活の中で、意識することなくより自然に利用できる、シームレスなサービスへの期待が高まっています。

MUFG は、ライフステージ総合金融サービス「エムット」を通じて、決済、貯蓄、家計管理、資産形成、将来への備えなど、多様な金融サービスを展開し、お客さま一人ひとりの人生に寄り添う取り組みを進めてまいりました。

Google および Google Cloud は、検索、動画、地図などといった幅広いサービスに加え、AIやクラウドをはじめとする先進的なテクノロジーを通じて、人々の生活や行動を支えるデジタルインフラとして、社会において重要な役割を果たしています。

本提携は、MUFG が進めるリテール戦略のもと、日常生活の中で金融がより自然に利用される世界を実現するとともに、Google が有する AI および多様なサービス・コンテンツを活用した、新たな顧客体験・金融体験の創出を目的としています。

今回はその第一弾として、Google Cloud との AI 領域における協業を中心にお知らせします。

1．本提携の内容

（1）購買から決済、金融取引の意思決定までを AI エージェントが支える次世代金融体験～Agentic Commerce／Agentic Payments を含む自律型金融への取り組み～

➢ AI エージェントが、商品選択・購買から決済の実行に至るまでの一連のプロセスを自律的に支援する「Agentic Commerce」および「Agentic Payments」の領域について、国内での早期実現を見据え協業していきます。

➢ Google Cloud は、AI およびクラウド基盤に関する知見を生かし、MUFG の取り組みに対してクラウドおよび AI 技術の提供と技術的な助言や開発面での支援を行う予定です。 ➢ MUFG は、本提携を通じて、Agentic Commerce／Agentic Payments を実現するための次世代の決済インフラを Google Cloud 上に構築し、日本における AI エージェント時代の購買・決済の新たなスタンダードの確立をめざします。

➢ さらに、同基盤上で高度に連携する AI エージェントが日常の購買や支払い、各種手続きにおける意思決定プロセスを支援することで、お客さまの意思を尊重しつつ、負担をかけることなく、やさしく先導する新しい金融のあり方（自律型金融）の実現をめざします。

➢ デジタルチャネルに加え、店舗やリモート相談などのリアルな接点も融合し、チャネルを横断して AI エージェントが状況を理解・支援することで、一貫した安心感と利便性を提供するとともに、日常生活やライフイベントに至るまで、お客さま一人ひとりに寄り添った継続的なサポートを実現してまいります。

（2）データと AI によるお客さま理解の深化と、日常体験価値の向上

～データ・マーケティングの高度化とパーソナライズされた顧客体験設計～ ➢ MUFG はこれまでも、AI 技術の活用による Web ページの改善や広告動画生成、およびお客さま一人ひとりにパーソナライズされた情報提供・コミュニケーションの高度化を進めてきました。

➢今後はさらに、Google Cloud の AI を活用したデータ分析、施策立案、効果検証を通じて、マーケティングにおける PDCA サイクルの高度化・高速化を進めます。顧客体験の継続的な改善を図るとともに、本提携を通じて両社の連携を一層強化し、両社のサービスやプロダクトを利用されるお客さまに対し、よりシームレスで高度に最適化された新たな価値や体験を提供することをめざします。

（3）Google のサービスと連携し、日常の中で価値が広がる金融体験

～日常と金融が自然につながる体験設計～

➢ Google が日常生活の中で提供する多様なサービスや体験と金融を組み合わせることで、お客さまの毎日の行動や体験の中に自然に金融が溶け込み、利便性や楽しさ、価値を実感できる新しい顧客体験の創出をめざします。

➢ MUFG のサービスをお申込みいただいたお客さまに対し、動画配信サービス YouTube の有料プラン「YouTube Premium」の 3 ヶ月無料プランを提供します。

➢ ヘルスケア領域において、Google Fitbit を MUFG の特定サービスにご加入いただいたお客さまへ提供するとともに、Moneytree アプリへヘルスケア機能を実装し、お客さまの健やかで豊かな人生を後押しする、家計管理とヘルスケアを組み合わせた新たなサービスのリリースを予定しています。

➢ Google の AI を搭載した、次世代 3D ビデオ会議システム「HP Dimension with Google Beam」を導入し、対面さながらの自然なコミュニケーションを実現して、手続きや相談などあらゆるシーンにおける顧客体験の向上をめざします。

今後も Google が有するサービス・エコシステムとの更なる連携を検討しており、日常生活における金融体験の「広がり」をめざしてまいります。

2．今後の展望

本提携に基づく取り組みは、AI・クラウド領域を起点に、Google が有するサービス・エコシステムとの連携を段階的に深めることで、人々の日常のあらゆるシーンにおいて、金融が自然に利用される世界の実現をめざすものです。

今回は、AI・クラウド領域における取り組みについて発表していますが、今後も、Google が有するサービス・エコシステムとの更なる連携により、お客さまへの新たな金融体験の提供をめざしてまいります。

MUFG は、Google および Google Cloud とともに、リテール領域における顧客体験・金融体験のさらなる進化をめざし、戦略的提携を強化してまいります。

《Google LLC Senior Vice President ヒロシ・ロックハイマーコメント》

MUFG のリテール領域における戦略的パートナーシップを、ともに始動できることを心から嬉しく思います。この提携は、Google にとっても、日本のみなさまが日常生活の中で金融サービスをより安心して、身近にご利用いただけるよう支援するうえで、極めて重要な機会になると確信しています。日常で幅広く利用されている Google のサービスを通じた接点に加え、最先端の AI 技術を含むセキュアで革新的なテクノロジーを、MUFG に積極的にご活用いただくことで、MUFG の金融サービスがより自然に日常に溶け込み、利用されるみなさまにとって一層身近な存在となるよう、その実現に向けて私たちがお手伝いできることを心から楽しみにしています。

《グーグル・クラウド・ジャパン合同会社代表三上智子コメント》

MUFG が進められているリテール領域における取り組みにおいて、Google Cloud の AI およびクラウドの技術と知見をご活用いただけることを大変嬉しく思います。

本提携を通じて、データや AI の活用による顧客理解の高度化や、デジタルを活用したサービス・コミュニケーションの進化など、さまざまな領域で連携を進めてまいります。セキュリティやプライバシー、ガバナンスを重視する Google Cloud は、MUFG が持続的な顧客価値を創出できるよう貢献してまいります。

《MUFG 代表執行役社長半沢淳一コメント》

このたび、グローバルに幅広いデジタルサービスと先進的な AI・クラウド技術を有する Google および Google Cloud と、本戦略的提携に合意できたことを大変心強く感じています。 MUFG は、ライフステージ総合金融サービス『エムット』を通じて、お客さま一人ひとりの人生に寄り添い、金融が日常生活の中で自然に機能する社会の実現をめざしています。本提携は、Google が持つ日常に根ざしたデジタル体験と当社の強みを掛け合わせることで、金融を人々の暮らしにより深く浸透させ、社会全体に持続的な価値をもたらすための重要な一歩です。 MUFG は、信頼・信用を第一に、適切なガバナンスのもとで挑戦を加速し、これからも社会やお客さまと共に成長する金融のあり方を追求してまいります。

エージェント型 AI で経費報告を自動化した SAP Concur

Wed, 22 Apr 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

経費の自動化は、数十年にわたって「機械がテキストを読み取ることができれば、経費精算は可能である」というシンプルな前提に基づいていました。しかし、ポケットの中で丸まったレシートや、汚れがあったり、日焼けしたりしているレシートのスキャンを試みたことがある人は、情報の読み取りだけでは不十分であることがおわかりでしょう。都市名や明確な日付などの重要データが読み取れないと、機械は停止し、ユーザーが手動で入力しなければならないからです。

こうした従来の光学式文字認識（OCR）では対応できない課題を解決しようと、SAP Concur のエンジニアリングチームが取り組みを開始しました。業界の多くの企業がまだ会話型インターフェースの設計に注力していた頃、SAP Concur はより大きな変化を予見していました。同社は、効率性を飛躍的に高めるには、スキャン技術の改善ではなく、インテリジェントな推論が必要であることを早い段階で認識していたのです。

その結果、ExpenseIt のエージェント型 AI がアップグレードされ、テキストの読み取りだけでなく、一筋縄ではいかない複雑な推論も自動化されました。これにより、手動入力の手間が大幅に削減されました。出張中の社員は、受け取った領収書を写真撮影、デジタルスキャンのアップロード、またはメールでの転送を行うだけで、ExpenseIt によって内容が経費項目に正確かつ瞬時に変換されるため、日付の入力や明細の作成が不要になります。

このような次世代システムの実現に至るには、イノベーションの限界を超え、大胆な目標を短期間で実現したいという意欲を持つパートナーが必要でした。SAP Concur は、カスタムシリコンやデータプラットフォームから世界水準のモデルやエージェントに至るまで、あらゆるレイヤを共同設計できる唯一のプロバイダである Google Cloud と提携し、SAP Concur の先見的なロードマップと Google Cloud のフルスタック AI の力を融合させました。両社のチームは協力して、費用管理における真のブレークスルーを実現しました。つまり、領収書を読み取るだけでなく、出張者の状況を直感的に把握する AI エージェントです。

スピード、スケーラビリティ、創意工夫

標準的な経費の自動化は、領収書の記載内容を把握するのに優れていますが、記載されていない情報は把握できません。SAP Concur は、AI エージェントの登場を、自ら推論、判断、アクションを実施できるシステムを構築する好機と捉えました。

たとえば、「メインストリートカフェ」というレストランで昼食をとったときの領収書をアップロードした場合を考えてみましょう。この領収書には住所が記載されていません。以前は、こうした不足情報によって自動化が完全に中断され、続行するにはこのデータをユーザーが手動入力する必要がありました。

エージェント機能があれば、ベンダー名、経費の種類、出張日程データなどのコンテキスト上の手がかりの分析を通して、不足情報が補われます。SAP Concur は、人間のアシスタントのように考えられる AI エージェントを構築したいと考えていました。たとえば、「『メインストリートカフェ』と記載されています。このベンダーはダラス行きのフライトとテキサス州グリーンビルのホテルを予約しているため、この取引は同ベンダーの出張日程と一致しています。したがって、このベンダーはフランスのパリではなく、テキサス州パリのホテルの近くにあるレストランを利用した可能性が高いです」のように考えるエージェントです。

これを実現するために、チームはスタートアップのようなダイナミックなマインドセットで問題に取り組みました。長い開発サイクルではなく、迅速なプロトタイピングと大胆な問題解決に基づくコラボレーションを推進しました。

両チームは Google の Gemini モデルを活用して、認知アーキテクチャを基盤とする Receipt Analysis Agent を構築しました。

仕組みは次のとおりです。

取り込み: ユーザーは SAP Concur モバイルアプリで写真を撮影するか、デジタルスキャンをアップロードするか、デジタル領収書をメールとして転送します。
決定論的なコア: SAP の基盤となるテクノロジーは、何十年にもわたる世界のさまざまな経費処理を通して改良されてきました。このテクノロジーは、細かく調整されたロジックを適用して、領収書に記載された情報を高精度で抽出します。
インテリジェントなルーティングレイヤ: スキャンされた領収書のデータが明確な場合、追加のアクションをトリガーする必要はありません。データに不足がある場合（例:「場所が不明」）、ルーティングロジックによって、そのタスクが Receipt Analysis Agent に動的に転送されます。
コンテキストに沿った推論: Gemini モデルで構築された AI エージェントは、単に推測するだけでなく、ツールやグラウンディングを使用して不足している情報を推論します。ExpenseIt は、ユーザーの出張日程やビジネスカレンダーなどのグラウンディングデータとともに、領収書のデータの一部を AI エージェントにフィードします。
ReAct（推論とアクションのフレームワーク）: Receipt Analysis Agent は、ロケーション履歴と照らし合わせてベンダーを検証するなど、複数の情報を結び付けてから、経費の入力を完了します。

エージェント型 AI を搭載した ExpenseIt（Receipt Analysis Agent）

上の例に基づき、ExpenseIt は領収書の画像に場所が記載されていないことを特定すると、インテリジェントルーティングレイヤが Receipt Analysis Agentをトリガーします。エージェントは Gemini を使用して、不足している情報を特定し、コンテキスト上の関連する手がかりとユーザー固有のデータを分析し、出張関連の予約やカレンダーの予定などの情報に基づいて判断を下します。

AI エージェントを成功させるための主な設計パターン

Receipt Analysis Agent は、Google のシニアエンジニアである Antonio Gulli が執筆した実践的なガイド『Agentic Design Patterns』の基本原則に基づいて設計されています。この重要なガイダンスにより、SAP Concur は ExpenseIt を、領収書の記載データと、領収書に記載されていないデータを推論したものを正確に経費入力できるシステムに見事に変換しました。

まず、チームはルーティングパターンを実装し、すべての領収書が AI エージェントによって処理されないようにすることで、費用とインテリジェンスの両方を最適化しました。ルーティングアーキテクチャでは、受信するタスクが分類されます。具体的には、OCR の信頼スコアが高い領収書は標準の決定論的パスにルーティングされ、スコアが低い領収書（例:「場所が不明」）は Receipt Analysis Agent に動的にルーティングされます。

次に、自己検証パターンを適用して、エージェントが基本的な chatbot のように単に回答を生成するのではなく、パリをフランスではなく米国テキサス州の街だと特定した複雑な例で見られるように、複数の情報を照合して正確な判断を下します。このパターンでは、ジェネレーターと批判者による内部ループが使用されます。つまり、モデルが仮説（「ここはフランスのパリだと思います」）を生成し、次に批判者として、その内容を確立されている事実に照らし合わせて確認します（「出張日程にはテキサス州ダラスと記載されています。したがって、この仮説は間違っている可能性が高いです」）。

最後に、エージェントはツール使用パターンに従い、Concur Travel から得られる出張日程などのグラウンディングソースへの明示的な API アクセスを提供します。このアプローチにより、エージェントはハルシネーションを起こすことなく、正しい情報を取得できるため、システムはテキスト生成ツールではなく事実確認ツールとして機能することになります。

曖昧さに対応するアーキテクチャ: Google Cloud のエコシステムの優位性

このプロジェクトは、インテリジェントシステム設計における重要な転換点を示しています。SAP Concur は、決定論的なコアとエージェントによる推論レイヤを組み合わせることで、AI の最大の価値が多くの場合、手元にあるデータの処理ではなく、不足データの推論による取得であることを証明しました。このエンジニアリングの過程でもたらされた重要な変化は、モデルの活用方法の転換でした。チームは Gemini を生成インターフェースとして活用するだけでなく、ロジックエンジンとしてデプロイするようになったからです。

SAP Concur がこうした未来を構築するために、Google Cloud との連携を選んだ理由は何でしょうか？なぜなら、エージェントの真価が、世界をどれだけ深く理解しているかに左右されるのと同様に、デジタル世界を深く理解している企業は Google の他にはないからです。

今回のリリースでは Gemini の推論能力が活用されていますが、このパートナーシップにより、市場で他に類を見ないマルチモーダルかつフルスタックのインテリジェンスの未来が実現されるでしょう。たとえば、次のようなことが可能になります。

実世界でのグラウンディング: エージェントが領収書と Google マップのデータを照合して、ビジネスが実際にその場所に存在することを確認できるようになります。
スムーズなフロー: 将来的に Google ウォレットとのインテグレーションにより取引のタイムスタンプを瞬時に照合したり、Gmail とのインテグレーションによりホテルの明細書を自動的に表示したりできるようになります。
エッジインテリジェンス: Gemini Nano やサービスシステム Android AICore などのモバイルの進化により、最終的には機密性の高い処理がデバイス上で直接可能になり、ユーザーはデータをスマートフォン以外に送信することなく、プライバシーを確保しながら迅速に操作できるようになります。

SAP Concur は、世界の金融取引を支える専門分野の知識を持っています。Google Cloud は、トレーニングに最適化されたカスタム設計チップ（TPU）から、ユーザーが携帯するモバイル OS まで、AI スタック全体を提供しています。

次世代エージェントを構築する準備はできていますか？

ExpenseIt のような推論エンジンを構築するために、一から作り直す必要はありません。ここで説明するアーキテクチャパターン（ルーティング、自己検証、ツール使用）は、Google Agent Development Kit（ADK）にすでに組み込まれています。ADK は、ユーザーの皆様が「プロンプトエンジニアリング」から「システムエンジニアリング」に移行するのを支援するフレームワークとベストプラクティスを提供します。これらは、信頼性とスケーラビリティに優れ、企業に適したエージェントを構築するためのブループリントとしてご利用いただけます。

- Google AI スペシャリスト、Matt Wilkerson

- Google 主要アカウントエグゼクティブ、Jaime Serra

PayPal 史上最大規模のデータ移行が生成 AI イノベーションの基盤に

Mon, 09 Mar 2026 01:30:00 +0000

※この投稿は米国時間 2026 年 2 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI 時代の到来により、企業には革新的なプロダクトを生み出す前例のない機会が訪れており、それに対応するため、テクノロジーインフラの戦略的な見直しが求められています。数年前、数億人の顧客にサービスを提供するデジタルネイティブ企業である PayPal は、大きな課題に直面していました。同社は 25 年にわたりサービスと機能を拡大してきましたが、その結果、データ分析インフラは複雑化していました。さらに、規模拡大の制約や Venmo、Braintree などの企業買収の影響により、約 400 ペタバイトものデータが 12 のサイロ化されたシステムに分散していました。

成長とイノベーションで成功を重ねた結果、複雑さが増し、それが次の進化の足かせになりかねない状況でした。

金融サービス分野における次なるイノベーションの波を引き続き牽引していくために、私たち PayPal はデータ基盤のモダナイゼーションが不可欠だと判断しました。今回は、PayPal が、おそらく史上最大級のデータ移行の一つを成功させ、最終的に分析基盤を Google Cloud のエンタープライズ向けデータウェアハウスである BigQuery に移行した経緯をご紹介します。この取り組みは、事業の重点領域を拡大および推進し、絶えず変化するお客様の金融ニーズに応えていくために必要となる強固なデータ基盤を構築するうえで、大きな前進となりました。

この移行は不可欠でしたが、規模の大きさは圧倒的でした。実際、（すでに運用を終了した）Teradata システムをはじめ、いくつかの指標で見ても、これは史上最大級のデータ移行の一つだったと私たちは考えています。こうした規模の移行にふさわしく、私たちがどのようにこの移行を進めたのか、また皆さんが自社で大規模な移行に取り組む際に検討すべき点は何かについて、いくつかの示唆を共有したいと思います。

データに眠る可能性

デジタル決済の草分け的存在の一つとして、PayPal は数十億件の取引を処理し、数十年にわたる貴重なお客様インサイトを蓄積してきました。当社には、お客様や加盟店のために十分活用しきれないまま、何十年もかけて蓄積されてきた膨大なデータがあります。まさに「山」ではなく「山脈」と呼ぶべき規模です。

買収や新サービスの追加によって有用な機能は増えましたが、その一方で新たなデータ課題も生まれました。たとえば、小規模事業者がオンライン販売では PayPal を、地域での取引では Venmo を使うといったことがあります。しかし、事業全体を一元的に把握できる形で見せるには、コストも時間もかかる複雑な処理が必要でした。

データが分断されていたため、消費者一人ひとりに合わせた体験を提供しにくくなり、その結果、利用者がお金の価値を最大限に引き出せる可能性も小さくなっていました。加えて、データからより深いインサイトを得ることも難しくなっていました。

生成 AI の時代が始まるにつれ、この分断は単なる技術的な不便さでは済まなくなってきました。金融サービスにおいて AI が大きな変革をもたらし、費用対効果も大きいと見込まれる中、データが断片化したままでは、お客様が期待する高度で賢い体験を生み出す力が大きく制約されてしまうことは明らかでした。具体的には、業界をリードする不正検知モデルをさらに強化することから、競争の激しいグローバル経済で加盟店が成功できるよう最高水準のコマース基盤を提供することまで、幅広い取り組みが含まれます。

そこに到達するには、まず分散していたデータ基盤を整える必要がありました。

レガシーシステムとこれからの目標

対象範囲は非常に大規模でした。世界最大規模とされる Teradata 環境に加え、Hadoop クラスタ、Redshift、Snowflake、さらにペタバイト級の取引データを処理するさまざまなシステムを含む、複数のデータプラットフォームを統合する必要がありました。しかもこの移行は、お客様が求めるセキュリティと信頼性を損なうことなく、サービスを止めずに実行しなければなりませんでした。

テクノロジー企業として PayPal には相応の社内リソースがあるため、まずはこの課題に自前で取り組むべきかどうかを判断する必要がありました。コストと効果を比較検討した結果、将来のニーズに対応するためにオンプレミス基盤を統合し、拡張していくやり方では、費用も完了までの期間も現実的ではないと分かりました。さらに、AI のイノベーションはクラウド上で急速に進んでいました。データの力を真に活用するには、そのイノベーションが生まれている場所に身を置く必要がありました。

私たちはさまざまなデータウェアハウスソリューションを評価した結果、多くの利点を備えた BigQuery を選択しました。BigQuery は、コンピューティングとストレージが分離され、それぞれを独立してスケールできる、フルマネージドのクラウドネイティブプラットフォームです。また、私たちが必要としていた規模とパフォーマンスに対応する強力な機能を備えており、使い慣れた SQL インターフェースを利用できるため、開発者コミュニティにとっても学習のハードルが比較的低いという利点がありました。

最も重要なのは、BigQuery が AI とネイティブに統合されている点です。これにより、データ分析をシームレスかつ効率的に行えます。

統合データに向けた歩み

データパートナーとして Google Cloud を選定したのち、私たちはこの歴史的なデータ移行プロジェクトに着手しました。大げさに聞こえるかもしれません。しかし、PayPal の事業規模、展開する地域の広さ、地域ごとに異なる規制、そしてこのデータが高い機密性を持ち、文字どおり大きな価値を有することを踏まえると、この取り組みがいかに大規模で難易度の高いものだったかが見えてきます。

Google Cloud コンサルティングのパートナーや専門家の支援を受けながら、私たちは 300 ペタバイト超のデータを移行し、運用を効率化しました。同時に、全体の約 25% に相当するワークロードを廃止しました。そしてこれらを、事業運用のダウンタイムを一切発生させることなく、またお客様への影響もなく実現しました。成功につながった主な要因は、次のとおりです。

連携: 大規模な変革を実現するうえで最初のハードルは、関係者の間で共通の目標に対する認識をそろえることです。そこで私たちは、この取り組みを全社的な最優先事項と位置付けました。

調査と分析: 移行の範囲、作業量、予算見込みを定義するためには、データ、ワークロード、入出力のデータストリームについて詳細な棚卸しを行うことが不可欠です。データリネージを確立することで、さまざまなコンポーネントの起点や相互関係を追跡できるようになり、依存関係の構造を明確かつ包括的に把握できるようになりました。

戦略: 移行プロセスの基本原則を定めることも重要です。たとえば、リフト＆シフトを採用するのか、それともモダナイゼーションを進めるのかを判断すること、セキュリティ原則を定義すること、ガバナンスのガードレールを設定すること、利用状況をどのように追跡するかを決定することなどが含まれます。

実行: 可能な限りあらゆる作業を自動化し、移行の進捗を継続的に把握できるよう、リアルタイムのダッシュボードも構築しました。また、移行プロセス全体に FinOps を組み込み、利用状況とパフォーマンスを明確に可視化できるようにしました。

BigQuery で得られた成果とその先にある価値

より迅速にインサイトを得られるようになりました。データサイエンティストが用いる複雑なクエリも含め、クエリの実行速度は 2.5 倍から 10 倍に向上しました。これによりリアルタイムの分析情報が得られるようになり、PayPal は商品レコメンド、オファー、カスタマーサポートをより個別化できるようになりました。

新たな AI の土台も整いました。モデルのトレーニングに利用できるデータは、鮮度が 16 倍向上しました。AI 開発上重要な工程である特徴量エンジニアリングも、整備されたガバナンス下のクリーンなデータに即時アクセスできるようになったことで改善されています。その結果、個人および企業の双方に向けた、パーソナライズされた金融ガイダンスや予測分析の開発が加速しました。

業務の最適化も実現しました。BigQuery への移行により、データインフラのベンダーは 4 社から 1 社に集約され、運用が簡素化されるとともに複雑さも大きく軽減されました。また、プラットフォーム間で発生していたデータの重複も完全に解消されました。

BigQuery 上に構築した新しい統合データプラットフォームは、PayPal の次なるイノベーションを支える基盤となっています。これにより、エコシステム全体にわたって、より直感的でパーソナライズされた体験を提供できるようになり、生成 AI の力も最大限に活用できるようになりました。

AI を活用したイノベーションの可能性

今後、この統合データプラットフォームを基盤として、これまで実現できなかった AI を活用した体験の提供を検討しています。たとえば、次のような取り組みです。

お客様に影響が及ぶ前に潜在的な問題を検知する予測型の不正防止。
加盟店がビジネスを最適化できるよう支援するパーソナライズされた金融インサイト。
お客様一人ひとりの好みや行動パターンに合わせて最適化されるシームレスな決済体験。
より高度なリスク評価を通じた、これまで十分な金融サービスを受けられていなかったコミュニティに対する金融アクセスの拡大。

さらに、エージェント型コマースをはじめとする新たな可能性も見据えています。

AI 時代の教訓

私たちの移行は規模の面で特別な取り組みに見えるかもしれませんが、抱えている課題や目指している方向性は、決して私たちだけのものではありません。今まさに自社のデータ基盤を見直そうとしている金融サービス業界の企業はもちろん、それ以外の業界にとっても、参考になる論点は数多くあります。

まず、データがどれほど十分に活用されていないか、そしてどれほど整理されていないかを過小評価しないことです。

データを一元化し、正確性と整合性を担保できれば、AI の実験や本番投入に向けた土台が整います。データファブリックの整備に時間を投じる組織ほど、ML や生成 AI のアプリケーションを、より早く、しかも大規模に市場へ投入できるようになります。

次に重要なのは、適切な統制のもとで、組織内の誰もがデータにアクセスできる状況を整えることです。これにより、多くの可能性が開かれます。データオーケストレーションとエンタープライズ検索を生成 AI と組み合わせれば、長年固定化してきた部門間のサイロを取り払い、組織全体の意思決定を加速できる可能性があります。これは、AI 活用の中でも特に有望な領域の一つです。

金融の世界は、新たなテクノロジーと変化する顧客の期待に後押しされ、今後も進化し続けるでしょう。PayPal のデータ変革は、老舗企業であっても、立ちはだかる根本課題に正面から向き合う意思さえあれば、この変化に先回りする形で自らを再構築できることを示しています。

その結果、私たちはデジタル決済のパイオニアとしての地位を守っただけでなく、デジタルコマースにおける次なるイノベーションの波を牽引し続けるための基盤も整えることができました。

- PayPal、SVP 兼データ、AI、ML テクノロジー担当グローバルヘッド、Mani Iyer 氏

- PayPal、データ分析担当シニアディレクター、Vaishali Walia 氏

Google Cloud の AI による机上演習で金融レジリエンスを高める

Fri, 20 Feb 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 2 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

金融業界では、レジリエンスは必須です。最近のクラウド障害では、重要なデータがどれほど速く消える可能性があるかが明らかになっています。

このリスクは、デジタルオペレーショナルレジリエンス法（DORA）などの主要な規制要因によってさらに大きくなります。DORA では、金融機関があらゆる混乱に備えることが義務付けられています。最近、DORA に基づく重要なサードパーティサービスプロバイダ（CTPP）として Google Cloud が指定されたことは、お客様の安全でレジリエンスの高い金融業務を可能にするという Google の強いコミットメントをさらに強調するものです。

毎日数千件のトランザクションを処理する重要なアプリを多数抱える大手銀行を考えてみましょう。こうした銀行にとって、重大なインシデントは単なるダウンタイム以上の意味を持ちます。規制当局からの罰金や顧客からの信頼の低下につながるからです。

問題: 従来の机上演習は、次の 2 つの重要な点が不足しています。

金融機関の実際の本番環境の複雑さや固有の弱点を反映していない一般的なシナリオに依存している。
多くの場合、IT チームやコンプライアンスチームのみが関与し、実際のインシデント対応に不可欠な部門横断的なコラボレーションを組み込めていない。

このブログ記事では、Gemini Enterprise でコンテキストアウェアなシナリオモデリングを使用するソリューションをご紹介します。

ソリューション: Google AI を活用したコンテキストアウェアなシナリオモデリング

Google Cloud のテクニカルアカウントマネジメント（TAM）チームは、教科書的なシナリオにとどまらない、運用上のレジリエンステストの新しいアプローチを開発しました。

Google のイノベーションにより、これらの演習は動的で、真にコンテキストアウェアなものになっています。Google のチームは、さまざまなソースから得られたお客様の実際の運用情報を深く掘り下げて取り込み、分析して、高度にカスタマイズされた現実的なシナリオを構築します。また、過去のサポートケースや会議議事録から、アプリケーションのアーキテクチャ、さらには請求指標や SLA まで、あらゆるものを確認します。

次に、Gemini Enterprise を使用して、障害の内容とそのタイミングを正確に示したステップバイステップのタイムラインと、必要な軽減チェックを含む、カスタムシナリオを設計します。コンテキストアウェアな AI の準備は、FSI のお客様が独自の本番環境に直接根ざした状況に対するレジリエンスをテストするのに役立ち、お客様の対応戦略が目的に適合するようサポートします。

全体的なシナリオタイムラインのサンプル

Gemini Enterprise によって設計された、現実的な段階的シナリオを示すため、インシデントの全体的なシミュレーションを以下に示します。注 - 指標は説明のみを目的としています。

時間（hh:mm）	フェーズ / 対応	カスタマイズされたコンテキストアウェアイベント
T + 0:00	最初の異常	重要なトランザクション処理サービスでレイテンシの急増が検出された。ログに異常な API 呼び出しが記録されている。
T + 0:15	エスカレーション / 調査	アプリケーション運用チームから、主要な顧客データベースで読み取りエラーが 150% 増加しているという報告があった。
T + 0:45	重大な影響	アプリチームは、エラーの原因が重要なリージョンでのデータ破損であることを確認した。規制アラートが発行される。
T + 1:15	修復の試み	インシデント管理者が標準のフェイルオーバーランブックを実行しようとするが、既知の古い構成の問題が原因で失敗する。
T + 2:00	危機的状況	負荷により内部コミュニケーションシステムが遅くなり、チームは代替のコミュニケーション手段を使用せざるを得なくなる（コミュニケーションプロトコルのテスト）。

特定のサービス異常から規制上の危機的状況まで、インシデント進行のシミュレートは、お客様の実際の環境と文書化された弱点に深く基づいているため、演習は非常に関連性の高いものとなります。

実施: 部門横断的な緊急時訓練

最近、大手 FSI のお客様とのシミュレーションで、このアプローチにより、大規模なレイテンシとデータ破損を伴う二重の重大インシデントが明らかになりました。これは、お客様のコアシステムにとって完璧なストレステストとなりました。

その結果、ビジネスの意思決定者全員が参加する、リアルタイムのインタラクティブな緊急時訓練が実現しました。参加者の多様性が、テクノロジー、プロセス、コミュニケーションのギャップを明らかにする鍵となりました。

部門横断的なシミュレーション戦略により、忠実度の高いディスカッションが実現し、お客様は安全かつ現実的な環境で盲点を明らかにし、緊急時対応戦略を改善することができました。

効果と主な成果

Google は、DACH（ドイツ、オーストリア、スイス）地域の FSI 大手企業でAI を活用したこのアプローチを成功させており、その効果は即座に測定可能なものでした。

具体的な手順: この演習では、組織の強み（部門横断的なコミュニケーションなど）が明らかになり、優先度の高い取り組み（特定の自動フェイルオーバーランブックの実装など）に直接つながりました。重要なこととして、提案のほぼすべてが迅速に実装されました。これは、提案が実際の本番環境と近いシナリオに基づいていたからです。
戦略の転換: リアルなデモは大きな効果をもたらし、多くのお客様が AI ベースの脅威モデリングを既存のコンプライアンスプロセスに統合することを積極的に検討するようになりました。
長期的なパートナーシップ: その価値が認められた AI による机上演習プログラムは、テクニカルアカウントマネージャーとの定期的な演習としてスケジュールされるようになり、Google Cloud コンサルティングは、お客様の運用レジリエンスの取り組みにおける戦略的コラボレーターとしての地位を確立しました。

始める

汎用的な災害訓練から一歩進んで、組織の本当のレジリエンスを検証することに関心をお持ちですか？

Google TAM にお問い合わせいただき、AI による机上演習で準備状況を検証する方法をご確認ください。

- Google Cloud コンサルティング、Florian Graf

- Google Cloud コンサルティング、Juan Romero Garcia

スマートな投資: DORA で改善の文化を構築した FINRA の事例

Mon, 19 Jan 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 1 月 9 日に、Google Cloud blog に投稿されたものの抄訳です。

米国金融取引業規制機構（FINRA）は、テクノロジーの運用において常に最高水準の成果を目指しています。米国の金融ブローカーディーラーを監督する FINRA は、ソフトウェア開発ライフサイクルを改善するために、Google のコンサルタントを起用し、エンジニアリングプラクティスに指標主導の手法を適用するための助力を仰ぎました。

DORA（DevOps Research and Assessment）は広く利用されているフレームワークであり、デプロイの頻度、変更のリードタイム、変更時の障害率、デプロイ失敗時の復旧時間という 4 つの主要指標を通じてソフトウェアデリバリーのパフォーマンスを測定するというものです。

FINRA は DORA を社内で導入するための準備を始めていましたが、Google の実地経験を活かすことで、導入を加速できる可能性があるという認識に至りました。

Google は、技術系のリーダーとともに調査を実施し、改善機会を特定しました。その後の提案は、継続的な改善にこれまで以上に注力すること、ソフトウェア開発にユーザー中心のアプローチを導入すること、部門内で創造的文化をさらに醸成することなどで構成されていました。

導入自体には意図的に柔軟性を持たせました。Google は、画一的なアプローチを推奨するのではなく、FINRA が個々のチームの目標に合わせて行動を調整できるよう支援しました。プロダクトの価値を優先するチームはリードタイムとデプロイ頻度の指標に、安定性を重視するチームは変更障害率と平均復旧時間に着目しました。

導入の最初の 1 年間で、エンジニアリングチームは DORA の指標全体で継続的な改善を示し、デベロッパー 1 人あたりの生産性が 9% 向上して、デベロッパーエクスペリエンスに関するフィードバックも概ね良好でした。

スプリントの速度も 5% 向上し、小規模なエンジニアリングチームでもビジネスに大きなプロダクト付加価値を提供できるようになりました。純粋な指標だけでなく、チームはデリバリーパフォーマンスの透明性が高まり、標準化された測定手法を高く評価しているとも報告しています。

今後、FINRA は、大局的な DORA 測定と結び付いたより詳細な指標を提供して、開発者のエクスペリエンスをより重視し、プロダクト指標とソフトウェアデリバリーのパフォーマンス指標を関連付けることで、DORA の取り組みを成熟させていく予定です。

AI が政府機関、非営利団体、その他の公共部門の組織にどのような価値をもたらすのか関心がある方は、2 月 5 日に開催される Gemini for Government ウェブセミナーにぜひご登録ください。公共部門全体にわたるイノベーションの次の波を支える変革的なテクノロジーについて詳しくご説明します。

- Google Cloud コンサルティング、delta チーム、10X リード、Eric Maxwell

- Google Cloud コンサルティング、delta チーム、10X リード、Vivian Hu

Web3 における MCP の使用: ブロックチェーントランザクションを行うエージェントを保護する方法

Tue, 23 Dec 2025 01:10:00 +0000

※この投稿は米国時間 2025 年 12 月 6 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud は、AI と Web3 という 2 つの変革的なテクノロジーが交差するユニークな位置にあります。ブロックチェーンとやり取りできる AI エージェントの登場により、金融戦略の自動化、迅速な支払い、複雑な DeFi オペレーションの実行や複数のブロックチェーン間でのアセットのブリッジなど、より複雑なシナリオの実現が見込まれます。

しかし、この新しいパラダイムが実際に実現できるどうかは、エージェントを誰がホストし、オペレーションの秘密鍵を誰が保持するかにかかっています。

根本的な問題はシンプルです。ほとんどの暗号通貨ユーザーは、エージェントキーを管理するために独自の安全なサーバーを運用することはありません。したがって、プロバイダは 2 つの主要なアーキテクチャのいずれかに頼る可能性が高いです。1 つは、ユーザーが秘密鍵を制御するサードパーティのエージェントに資金を委任するカストディモデル。もう 1 つは、エージェントはユーザーが秘密鍵で署名するトランザクションのみを作成するノンカストディモデルです。

現在は、エージェントが秘密鍵を直接保持している事例がほとんどであり、暗号通貨 Model Context Protocol（MCP）サーバーは、秘密鍵で構成した場合にのみ使用できるものがほとんどです。しかし、それだけが選択肢ではありません。

エージェント制御モデル

このモデルは、ユーザーがサードパーティによってホストされるエージェントとやり取りする場合を想定して設計されています。現実的に想定して、今後主流となりそうな選択肢です。このシナリオでは、エージェントに秘密鍵を渡すことはありません。代わりに、エージェントは独自のキーを持ち、ユーザーはエージェントに支払いを代行する許可を与えます。

仕組み

エージェント制御モデルのシーケンス図。

エージェントがウォレットを取得する: エージェントは 1 つ以上の秘密鍵を所有します。これらのウォレットの秘密鍵は、ユーザーではなくエージェントのホストによって安全に管理されます。
ユーザーが資金を委任する: 個人のウォレット（MetaMask やハードウェアウォレットなど）から、指定した金額をエージェントの公開アドレスに送信します。
エージェントが自律性を獲得する: エージェントは、ウォレット内の管理対象の資金を完全に自律的に管理できるようになります。エージェントは、プリペイド残高がなくなるまで、キーを使用してトランザクションに署名して実行できます。トランザクションには、トークンのスワップ、NFT の購入、データに対する別エージェントへの支払いなどが含まれます。

固有のリスク

このモデルでは自動化を実現できますが、ユーザーではなくエージェントとそのホストに関する重大なリスクが伴います。

パフォーマンスリスク: エージェントがタスクを適切に処理できない可能性があります。たとえば、取引エージェントが欠陥のある戦略を実行し、委任された資金を失う可能性があります。
悪意のリスク: 設計が不十分なエージェントや意図的な悪意のあるエージェントが資金を不正使用する可能性があります。たとえば、エージェントが残高を不正なアドレスに送信する可能性があります。このような事態を防ぐために、ホスティングプラットフォームには、エージェントの動作を制限するための堅牢な安全保護対策、監査、ルールが必要です。もう 1 つの選択肢は、エージェントの資金の使用方法を事前に設定するスマートコントラクトで、資金の安全性を確保することです。
セキュリティリスク: サードパーティのホストが、委任された資金の管理者になります。サードパーティのプラットフォームがハッキングされ、エージェントの秘密鍵が漏洩した場合、プリペイド残高が主な標的となります。

自己ホスト型バリアント

一部の高度な技術的知識を持つユーザーは、このモデルを個人用サーバーで実行したいと考えるでしょう。AI エージェントの開発はまだ初期段階にあるため、この少数のデベロッパーとアーリーアドプターが現在の主なユーザーベースとなっています。

そのため、この自己ホスト型モデルは、現在最もよく見られるものであり、ほとんどの暗号 MCP サーバーは、このモデルに対応するように構築されています。このモデルでは、キーがユーザー自身の管理環境から漏洩することはないため、エージェントに秘密鍵を付与することは技術的に可能です。

自己ホスト型エージェントモデルのシーケンス図。

しかし、リスクレベルも非常に高くなります。マシンが侵害されると秘密鍵がハッキングされる可能性があります。また、エージェントの不安定で不正な動作は大きな損失につながる可能性があります。

たとえば、「500 米ドルを UNI に交換したい」と指示した場合、エージェントは UNI を売却するか、UNI を購入するか、スリッページ率を間違えるか、間違った UNI トークンを購入する可能性があります。この方法はテストでのみ使用することをおすすめします。

トランザクション作成モデル

これはノンカストディモデルで、ほとんどのユーザーインタラクションにおいて根本的に安全な代替手段です。この場合、エージェントがお客様の資金を保持することはありません。その目的はエージェント制御モデルとまったく同じですが、キーに署名して送信する代わりに、トランザクションが返され、ユーザーがキーに署名してブロックチェーンネットワークに送信します。

仕組み

トランザクション作成モデルのシーケンス図。

ユーザーがエージェントに指示する: 「ETH を USDC に交換して」など、タスクの実行をエージェントに依頼します。
エージェントがトランザクションを作成する: エージェントがクエリを分析し、スワップトランザクションなどの未加工のトランザクションを作成します。
ユーザーがトランザクションに署名する: エージェントがこのデータをユーザーに返します。ウォレットに、これから行う操作を示すポップアップが表示されます。承認して秘密鍵で署名できるのはユーザーのみです。

Google Cloud ツールでエージェントを構築する方法

このモデルの実例を示すために、Google Cloud の一連のツールを使用してサンプルエージェントを構築しました。エージェントの推論は Gemini 2.0 Flash モデルによって行われ、Google Agent Development Kit（ADK）を使用してオーケストレーションされます。テストでは、デベロッパーにとって重要なリソースである公開 Google Cloud Ethereum Faucet から資金を取得しました。

ADK を使用したエージェントの開発は非常に簡単で、シンプルなテスト環境と開発環境のためのウェブ UI、本番環境にエージェントを簡単にデプロイするための Agent Engine と Google Cloud Run への高度なインテグレーション、カスタムフロントエンドに簡単に接続するための API サーバーとしてエージェントを実行するシンプルな方法、MCP サーバー、エージェント間（A2A）プロトコル、Google 検索などのツールに簡単に接続するためのツールボックスなどの便利な機能が付属しています。

Google Cloud スタックを使用してエージェントを構築する方法について詳しくは、こちらの記事をご覧ください。

このアプリの主な部分は、トランザクションを作成するエージェントと、エージェントから作成されたトランザクションを取得し、署名して送信できるように MetaMask に送信するフロントエンドです。

Google ADK を使用したエージェントの開発は非常に簡単ですが、craft_eth_transaction 関数は、サポートするオペレーションの種類によっては非常に複雑になる可能性があります。オペレーションには、チェーン、アセット、スワップが含まれます。

code_block: <ListValue: [StructValue([('code', 'from google.adk.agents import Agent\r\nfrom web3 import Web3\r\n\u200b\r\nETH_RPC_URL = "RPC URL"\r\n\u200b\r\n#（これは次のセクションで定義するツール関数です）\r\ndef craft_eth_transaction(to_address: str, amount: float, from_address: str, chain_id: int):\r\n # ステップ 1: 送信者の次のトランザクション数（ノンス）を取得する\r\n # ステップ 2: トランザクションタイプを特定する（ETH の送金かスマートコントラクトの呼び出し）\r\n # ステップ 3: ABI を使用して「data」フィールドを作成する\r\n # ステップ 4: 最終的な署名されていないトランザクションを組み立てて返す\r\n\u200b\r\n# エージェントは、シンプルなノンカストディモデルの指示で定義されます\r\nroot_agent = Agent(\r\n name="transaction_crafter_agent",\r\n model="gemini-2.0-flash",\r\n description="An agent that crafts Ethereum transactions for a front-end to send via MetaMask.",\r\n instruction=(\r\n "You are an agent that crafts ETH transactions. "\r\n "Your only job is to collect the information from the user to craft Ethereum transactions.. "\r\n "The sender\'s address will be provided to you as context, along with the chain ID."\r\n "Use the `craft_eth_transaction` tool to generate the transaction object. "\r\n "The tool will return a JSON object that is ready to be sent to MetaMask. "\r\n "Leave gas and gasPrice fields empty; MetaMask will set them."\r\n "**IMPORTANT:** After using the tool, you must present the final transaction JSON in the response, formatted exactly like this:\\n"\r\n " ```json\\n"\r\n " {\\n"\r\n " \\"to\\": \\"0x...\\",\\n"\r\n " \\"from\\": \\"0x...\\",\\n"\r\n " \\"value\\": \\"0x...\\",\\n"\r\n " \\"nonce\\": \\"0x...\\",\\n"\r\n " \\"chainId\\": \\"0xaa36a7\\"\\n"\r\n " }\\n"\r\n " ```\\n"\r\n ),\r\n tools=[craft_eth_transaction],\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fac3a9550a0>)])]>

クライアントサイドでは、ロジックはクリーンで、Web3 インタラクションに重点が置かれています。フロントエンドは、大規模言語モデル（LLM）やエージェントのオーケストレーションについて認識する必要はありません。エージェントの API エンドポイント（Google Cloud Run でホスト）を呼び出し、標準の JSON トランザクションオブジェクトを取得して、MetaMask に渡します。

ADK では、エージェントを API サーバーとして簡単に実行できるため、関心の分離が明確になります。フロントエンドの主な役割は、エージェントの回答からトランザクションを抽出することと、トランザクションを MetaMask に送信することです。これらの関数の例を以下に示します。

code_block: <ListValue: [StructValue([('code', '/**\r\n* ステップ 1: エージェントの回答を処理して、作成されたトランザクションデータを抽出します。\r\n* エージェントは、標準の署名されていないトランザクションオブジェクトのみを出力します。\r\n*/\r\nfunction extractTransactionFromAgentResponse(agentEvents) {\r\n const functionResponse = agentEvents.find(\r\n e => e.content?.parts?.[0]?.functionResponse?.name === \'craft_eth_transaction\'\r\n )?.content.parts[0].functionResponse;\r\n\u200b\r\n if (functionResponse?.response?.success) {\r\n // ユーザーのウォレットで使用できる状態の未加工のトランザクションオブジェクト\r\n return functionResponse.response.transaction;\r\n }\r\n return null;\r\n}\r\n\u200b\r\n/**\r\n* ステップ 2: 作成されたトランザクションをユーザーのウォレットに渡して実行できる状態にします。\r\n* この関数は MetaMask のポップアップをトリガーし、ユーザーが完全に制御できるようにします。\r\n*/\r\nasync function executeMetaMaskTransaction(txData) {\r\n if (!txData || typeof window.ethereum === \'undefined\') {\r\n console.error("Invalid transaction data or MetaMask not found.");\r\n return;\r\n }\r\n\u200b\r\n try {\r\n // \'eth_sendTransaction\' 呼び出しは、ウォレットに署名と送信を要求します。\r\n // 秘密鍵がウェブアプリケーションに公開されることはありません。\r\n const txHash = await window.ethereum.request({\r\n method: \'eth_sendTransaction\',\r\n params: [txData], // txData はエージェントから取得した JSON オブジェクトです\r\n });\r\n\u200b\r\n console.log(`Transaction sent successfully! Hash: ${txHash}`);\r\n return txHash;\r\n\u200b\r\n } catch (error) {\r\n // このエラーは通常、ユーザーが MetaMask でトランザクションを拒否したことを意味します。\r\n console.error("Transaction failed or was rejected by user:", error);\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fac3a9553a0>)])]>

エージェントが意図を確認する方法

エージェントの操作は、意思決定に至るまでのエージェントとの対話ですが、MetaMask のポップアップは、その会話の結論です。

これは、ファイナンシャルアドバイザーが戦略を説明し、最後に署名する最終文書を渡すようなものです。署名は、ユーザーがそのアクションを理解し、同意したことを確認するために必要なものです。エージェントの提案は、ユーザーの明示的な承認を得て実現されるため、安心感が得られます。特に、エージェントの解釈は、基盤となる LLM、会話のコンテキスト、アクセスできるデータによって大きく異なる可能性があるため、ウォレットトランザクションは承認前に必ず再確認することをおすすめします。

MCP サーバーは両方のモデルに対応する必要がある

エージェントが自律的に他のエージェントにサービスの対価を支払う未来のビジョンには、エージェント制御モデルが必要です。この経済圏のエージェントは、独自に運用できる資本を必要とします。

しかし、トランザクション作成モデルは、そのような未来への安全な橋渡しとなります。エージェントに安全に資金を提供したり、簡単なオペレーションのために 1 回限りのトランザクションを実行したりするために使用できます。この柔軟性が重要です。

デベロッパーの観点からすると、この機能を追加するのはそれほど難しいことではありません。MCP サーバーが保持するキーでトランザクションを作成して署名できるのであれば、最後の署名ステップなしで同じロジックを実行し、代わりに署名されていないトランザクションを返すことができるはずです。この小さな変更により、ユーザーにとってより安全で柔軟なパラダイムが実現し、専用の「署名エージェント」を使用するマルチエージェントシステムのような、より複雑な設計も可能になります。

そのため、幅広い導入を想定して設計された堅牢な MCP サーバーは、デベロッパーが次のようなアプリケーションを柔軟に構築できるようにする必要があります。

安全でユーザー中心の財務上の意思決定を支援し、作成する。
専門的で自動化された、明確に定義されたタスクを、委任された資金で実行する。

ユーザーを保護しながら真のイノベーションを促進するために、この両方のモデルをサポートすることをおすすめします。

Google Cloud を使用した Web3 エージェントの構築について詳しくは、こちらをご覧ください。

-Web3 プリンシパルアーキテクト、Adrien Delaroche

CME Group が Cloud SQL でより高速かつスマートな取引所を構築

Mon, 15 Dec 2025 03:00:00 +0000

※この投稿は米国時間 2025 年 12 月 4 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: シカゴマーカンタイル取引所（CME Group）は、商品取引所として 19 世紀に業務を開始し、世界有数の先進的な金融市場インフラストラクチャへと発展しました。CME Group は、グローバル規模のリアルタイム取引とリスク管理をサポートするため、Google Cloud との戦略的パートナーシップを立ち上げました。その後、Cloud SQL に移行して AI による分析情報を導入。これによりデベロッパーの能力強化と技術的負債の削減が可能になり、金融市場全体でデータドリブンイノベーションの新たなチャンスを切り開きました。

バターや卵から帯域幅まで

CME Group には、リスクとチャンスが共存しています。当取引所で行われるトランザクション（注文、取引、リスク計算）はすべて、データが瞬時に完全な状態で移動することで成り立っています。市場の健全性は、このデータ処理にかかっていると言ってもよいでしょう。

このような取引の背後には、評価額、所有権、その他多くの情報を保存するデータベースがあり、これらはすべて一日中、ミリ秒単位で変化します。私たちの規模では、これらのデータベースは常に続く高需要の中で情報を保存し、取得しなければなりません。レイテンシやエラーが許されない状態で、一日に数百万件のメッセージを処理しています。このレベルの精度を保つのは容易ではありません。特に、パフォーマンスとセキュリティ、レポート作成を共存させなければならない規制の厳しい業界ではなおさらです。私たちが行う変更はすべて、厳格なコンプライアンス基準とグローバルな規制の枠組みに沿ったものでなければなりません。

スピードは常に私たちの強みでしたが、規模の拡大が課題となりました。CME Group の従来のデータベース資産には、パフォーマンスを維持し、規制要件を満たすための多大なエンジニアリング作業が必要でした。セキュリティポスチャーを向上させながら運用オーバーヘッドを削減しなければならず、透明性の高いオブザーバビリティと明確なコンプライアンス管理体制を実現する、マネージドデータベースソリューションが必要だったのです。

Cloud SQL を取引フロアに導入

この課題に対処するため、私たちは 10 年間にわたる Google Cloud との戦略的パートナーシップを結びました。それにより、すべてのテクノロジーをクラウドに移行して、クラウドインフラストラクチャのサポート範囲を拡大するイノベーションとコラボレーションが実現しました。現在、Google とともに、超低レイテンシパフォーマンスをクラウドで実現する新しい方法を模索しています。データ量が急増し、AI がリスク管理の中心となるにつれて、情報をミリ秒単位で移動して解釈する能力が技術的な要件となっています。Google Cloud でシステムを構築することで、市場を未来に導きながら、その機能を維持できるのです。

Cloud SQL を使用することで、市場のニーズに合った高速かつ信頼性の高いデータレイヤーを維持する方法が見つかりました。データベース内の状況をチームがリアルタイムに把握でき、アプリケーションの速度が低下した場合は、数時間も費やすことなく分単位で根本原因を特定できます。これらの分析情報はプラットフォームに組み込まれているため、運用を安定させるためのカスタムツールや手動分析は必要ありません。

しかし、Cloud SQL の価値を高めているのはパフォーマンスチューニングだけではありません。何よりも、信頼できることが大切です。データベース管理者は戦略的な改善に集中でき、開発者はエスカレーションを待つことなくクエリを検証して最適化できます。これらを組み合わせることで、トラブルシューティングが迅速化され、常時稼働が求められるグローバルな取引に対応できるデータ基盤が整いました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースでよりスマートに構築'), ('body', <wagtail.rich_text.RichText object at 0x7fac3a799040>), ('btn_text', ''), ('href', ''), ('image', None)])]>

Cloud SQL は新たなベストパートナー

Cloud SQL の使用を重ねると、チームに新メンバーが加入したような感覚になります。Cloud SQL の AI による分析情報を活用することで、CME Group チームの働き方が変わりました。アプリケーションの速度が低下すると、Cloud SQL がその理由を教えてくれます。異常を検出してガイド付き分析を行い、数分でパフォーマンスを回復するためのクエリの最適化案まで示してくれます。開発者は、ワークフローで直接これらの推奨事項を確認し、修正をテストして、次のステップに進むことができます。待たされることはなく、引き継ぎや緊急対応も無用です。

つまり、AI を活用したトラブルシューティングにより、パフォーマンスの管理責任を共有することになったのです。また、Cloud SQL は一貫したエクスペリエンスを提供するため、チームは環境間をシームレスに移動できます。これによりトレーニングの必要性が減り、コラボレーションが大幅に増加しました。最終的に、CME Group はよりスマートで統合されたデータ文化を築いています。

パフォーマンスが競争上の優位性

Google Cloud との取り組みは、単なるモダナイゼーションではありません。スピードや確実性、可視性の向上は、そのままビジネスの信頼につながります。CME Group により、クライアントが依拠する継続性を維持しながら、新機能をより迅速にデプロイできるようになりました。

Cloud SQL は、そのアジリティの基盤となっています。パフォーマンスの問題が減ることで、イノベーションに注力する時間を増やせます。たとえば、分析機能の拡張、AI イニシアチブの加速、責任を持ってデータを商品化するための新たな方法を模索できるようになります。障害対応に追われることがなくなると、より大きな賭けに出て未来を築くための時間が生まれます。

CME Group にとっては、常にパフォーマンスこそがプロダクトでしたが、今ではプラットフォームも立派なプロダクトであると言えるでしょう。私たちは、グローバル市場を動かし続けるインフラストラクチャと、次の時代を形作るインテリジェンスを Google Cloud で構築しています。

詳細:

新しい Cloud SQL の無料トライアルにご登録ください。これは、新規および既存の Google Cloud ユーザーに対して、Cloud SQL（PostgreSQL および MySQL）が提供するプレミアムなエンタープライズグレードの機能をご利用いただくことを目的とした 30 日間の専用プログラムです。
IDC レポートをダウンロードして、Cloud SQL への移行によってコストの削減、アジリティの向上、デプロイの高速化を実現する方法をご確認ください。
Ford と Yahoo が Cloud SQL でモダナイズして、高いパフォーマンスを実現し、費用を削減した方法をご確認ください。

-CME Group、クラウドデータエンジニアリング担当エグゼクティブディレクター Kristofer Shane Sikora

STAC Summit NYC での Google Cloud と AMD: 金融業界向けの H4D VM

Tue, 18 Nov 2025 01:00:00 +0000

※この投稿は米国時間 2025 年 10 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

資本市場では、低レイテンシと高パフォーマンスを求める競争が絶え間なく続いています。そのため、Google Cloud は 10 月 28 日（火）に開催される STAC Summit NYC に参加し、AMD と提携します。両社が力を合わせ、リアルタイムのリスク分析からアルゴリズム取引まで、金融サービス業界で最も要求の厳しいワークロードに、両社のイノベーションを組み合わせることでどのように対処できるかをご紹介します。

金融サービス向けの H4D VM

Google のサービスの中核をなすのは、第 5 世代 AMD EPYC プロセッサ（コードネーム Turin）を搭載した Google Cloud H4D VM で、現在プレビュー版が提供されています。

金融業界は、1 ミリ秒が勝敗を分ける超高速の世界です。H4D VM シリーズは、高頻度取引（HFT）、バックテスト、市場リスクシミュレーション（モンテカルロなど）、デリバティブの価格設定に必要な優れたパフォーマンスを実現するために構築されています。コア間の優れた通信速度と効率性、大容量のメモリ、最適化されたネットワークスループットを備えた H4D シリーズは、複雑な計算をより高速に実行し、シミュレーション時間を短縮し、最終的には競争力を高めるように設計されています。

H4D: 金融ワークロードに優れたパフォーマンス

世代間のパフォーマンス向上を定量化するために、AMD にパフォーマンステストを委託しました。KX Nano オープンソースベンチマークを使用して、新しい H4D VM と前世代の C3D VM（第 4 世代 AMD EPYC プロセッサを搭載）を直接比較しました。このベンチマークユーティリティは、kdb+ データベースのデータオペレーションを実行するシステムの CPU、メモリ、I/O の生のパフォーマンスをテストするように設計されています。これらの高性能な列ベースの時系列データベースは、投資銀行やヘッジファンドなどの大手金融機関で、株式市場の取引や相場などの大量の時系列データを処理するために広く使用されています。

その結果、H4D シリーズではすぐに使える状態で大幅なパフォーマンス向上が実証されました。追加のシステムチューニングなしで、 H4D VM はすべての KX Nano テストシナリオで C3D VM を平均約 34% 上回りました。

図 1: コアあたりのキャッシュ依存型オペレーション（シナリオ 1）では、H4D が世代間の優位性を示し、すべてのテストタイプでパフォーマンスが約 1.36 倍向上しました。これにより、主要な財務モデリング機能におけるコア間の通信速度と効率、メモリレイテンシの優位性が確認されました。*1

図 2: プロセッサ数を最大コア数に設定し、スレッドごとに 1 つの kdb ワーカーを設定したマルチコアスケーラビリティ（シナリオ 2）では、すべてのテストタイプで約 1.33 倍のパフォーマンス向上を実現しました。これは、利用可能なすべてのコアで並列処理を行う H4D の優れた能力を示しています。*2

図 3: kdb+ インスタンスあたり 8 スレッド、コアあたり 1 スレッドの、同時実行の多いマルチスレッドワークロード（シナリオ 3）の場合、H4D は大幅な優位性を維持し、すべてのテストタイプで約 1.33 倍の相対的な向上を実現しました。*3

これらのベンチマーク結果は、H4D VM が最も要求の厳しい低レイテンシのワークロードを高速化するように構築されており、高頻度取引、リスクシミュレーション、定量分析に必要なパフォーマンスを提供することを示しています。

あらゆる金融サービスソリューション

H4D VM は、来週火曜日に開催される STAC Summit で Google Cloud と AMD の大きなハイライトとなるでしょう。また、金融機関向けの幅広いソリューションも展示します。データストレージから高度なコンピューティングまで、技術スタック全体を最適化する方法について、ぜひご相談ください。

IBM Symphony GCE および GKE コネクタ: ジョブを Compute Engine または Google Kubernetes Engine（GKE）にバーストすることで、既存の Platform Symphony グリッドコンピューティング環境を拡張および管理する方法をご確認ください。
Managed Lustre: 運用上のオーバーヘッドなしで、最も要求の厳しい HPC および定量的ワークロード向けに、極めて高いパフォーマンスのファイルストレージを利用できます。
GPU と TPU: Google の強力なアクセラレータが ML、AI、リスク分析タスクを大幅に高速化する方法をご確認ください。
マネージド Slurm を使用した Cluster Director: 人気の Slurm ワークロードマネージャーとの統合により、HPC クラスタワークロードを簡単にデプロイ、管理できます。

エキスパートに相談しよう

金融サービスにおいて、パフォーマンス・セキュリティ・コンプライアンスが妥協できない要素であることを、私たちは理解しています。当日は、皆さまが直面している具体的な課題について議論し、Google Cloud がAMDとのパートナーシップを通じて、企業が革新と成長を実現するために必要な強力で高性能な基盤をどのように提供しているかをご紹介します。

10 月 28 日に開催される STAC Summit NYC の Google Cloud ブースと AMD ブースで皆様にお会いできることを楽しみにしております。

-Annie Ma-Weaver、Google Cloud、グループプロダクトマネージャー

-Anthony Frery、Google Cloud HPC、カスタマーエンジニア

PayPal と Google Cloud が提供する、販売者向けエージェント活用型コマースソリューションのご紹介

Tue, 18 Nov 2025 00:50:00 +0000

※この投稿は米国時間 2025 年 10 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

現代の消費者は、商品を見つけてから購入に至るまで、シームレスでパーソナライズされたショッピングジャーニーを求めています。エージェント AI の台頭により、販売者はあらゆるタッチポイントで真にお客様をサポートし、なおかつ包括的なエクスペリエンスを提供できるようになりました。

そこで、コマースの変革という目標を掲げる PayPal と Google Cloud は、Google Cloud の会話型コマースエージェントと PayPal の決済機能を組み合わせた新しいサービスによる、エージェントを活用したショッピングエクスペリエンスの実現を発表いたします。

この 2 社の能力を組み合わせたサービスにより、販売者はエージェントを活用したコマースエクスペリエンスを自社のデジタルサーフェスに直接迅速にデプロイして、消費者エンゲージメント、パーソナライゼーション、コンバージョンを促進できるようになります。販売者は、エージェントのトーン、外観、顧客関係を完全に管理できます。

仕組み

PayPal エージェントは、オープンな Agent2Agent（A2A）プロトコルを介して販売者のエージェントと安全に通信します。また、Agent Payments Protocol（AP2）とも統合されています。AP2 は、A2A と Model Context Protocol（MCP）上に構築された支払いレイヤで、信頼性、アカウンタビリティ、不正行為の管理機能を実現します。

A2A プロトコルは、AI エージェントが組織を越えて別の AI エージェントと通信、連携し、タスクを委任できるように設計されたオープンスタンダードです。AP2 は、エージェントによるトランザクションを保護する、検証可能なデジタル認証情報などの要件セットを提供します。

スムーズでシンプルなショッピングジャーニー: エージェントによるコラボレーションが生み出す力

この新しいサービスにより、販売者は Google Cloud の会話型コマースエージェントを採用するか、Google の Agent Development Kit（ADK）を使用して独自のエージェントを構築するかを選択できます。ブランドに完全に準拠し、インテリジェントな販売員として機能する会話型コマースエージェントは、買い物客との人間のような自然な会話によって、当初のインテントから商品の発見、購入の完了までをサポートします。

一旦デプロイされると、販売者のコマースエージェントは複雑なリクエストを理解し、関連する商品を提案し、質問に答え、ユーザーのショッピングジャーニーをパーソナライズされた方法でサポートします。お客様が商品を見つけて選ぶ際、販売者のコマースエージェントは A2A を通じて PayPal エージェントと連携し、商品のおすすめを改善できるよう、許可されたデータに基づいてユーザーのショッピング履歴に関するコンテキストを提供します。

お客様がご購入手続きの段階まで進むと、PayPal エージェントは AP2 と連携して、会話型インターフェース内でシームレスかつ安全な購入手続きエクスペリエンスを提供します。PayPal エージェントは、お支払い方法のおすすめを表示したり、「後払い決済」の対象となるかどうかを確認したりすることもできます。買い物客の同意のもと、販売者エージェントは認証された方法で PayPal エージェントに接続し、信頼できるサーフェスで取引を承認します。

消費者の信頼を重視

エージェント活用型コマースには大きなチャンスがありますが、制御、リスク、不正行為に関する潜在的な課題も露呈します。Google Cloud と PayPal は、これらの課題に積極的に対処しています。

AP2 は、100 社を超える業界パートナーと共同で Google が開発した、決済方法に依存しないオープンプロトコルです。AP2 は、AI エージェントがユーザーに代わって取引を行うための安全な共通言語を提供し、A2A プロトコルと MCP のコア構成を拡張して、安全で責任ある、認可された商取引の基盤を確立します。

AP2 は、ユーザーのインテントを検証可能な形で証明する、改ざん防止が講じられ暗号化されたデジタル契約である委任を使用します。これらの委任は、Verifiable Digital Credentials（VDC）によって署名され、否認できない監査証跡が作成されます。

例:

カートの委任: ユーザーがその場で購入を承認するために使用される基本的な認証情報。カートの委任は販売者が生成し、ユーザーが暗号的に署名（通常はデバイス経由）することで、特定の取引に対する承認をバインドします。
支払い委任: 決済ネットワークと発行者で共有される個別の VDC。取引がエージェントを利用して行われていることを示し、決済ネットワークと発行者が信頼を構築してリスクを評価できるようにします。この認証情報には、AI エージェントの存在とトランザクションモダリティ（例: 人間が関与しているか否か）のシグナルが含まれています。

AP2 は、信頼できるエージェント主導の決済のための重要な基盤を提供し、検証可能なインテントを提供して、明確な取引責任を確立します。推論されたアクションではなく、ユーザーのインテントの確定的で否認できない証明に基づくものであると信頼できるようにすることで、エージェントのエラーのリスクに直接対処します。支払い委任は、すべての取引の基礎となる証拠として機能し、安全で変更不可能な監査証跡を作成します。これにより、支払いネットワークは、説明責任と異議申し立ての解決のための明確かつ公正な原則を確立できます。

たとえば、PayPal の AP2 準拠のエージェントを使用すると、ユーザーがその場にいて支払いを承認したことを販売者が確認できます。API を使用する代わりに、AP2 を使用してエージェントを接続し、ユーザー、販売者、決済プロバイダがエージェント主導の決済を自信を持って開始、実行できるようにします。

今回発表したように、Google Cloud と PayPal は、複雑なフレームワークをゼロから構築することなく、エージェント活用型コマースエクスペリエンスをデプロイしたいと考えている販売者向けに、ほぼすぐに使用できるソリューションを提供するために連携できることを誇りに思います。販売者は、消費者のエクスペリエンスと消費者との関係を管理しながら、このソリューションを利用できます。A2A プロトコルと AP2 プロトコルを使用してソリューションを構築することで、プロセス全体で安全性とセキュリティが確保されます。

詳しくは、Google Cloud の営業担当者にお問い合わせいただくか、こちらからお問い合わせください。

免責条項: この投稿に掲載されている動画は情報提供のみを目的としたものであり、将来の見通しに関する言及、予測、想定が含まれています。これらは将来のパフォーマンスを保証するものではなく、実際の結果やエクスペリエンスは異なる場合があります。

-Google Cloud、ゼネラルマネージャー兼マネージングディレクター、Rohit Bhat

-PayPal、戦略的パートナーシップイノベーション担当バイスプレジデント、Brian Peters 氏

金融機関のデジタルトランスフォーメーションを加速する、金融リファレンスアーキテクチャ

Thu, 23 Oct 2025 02:00:00 +0000

金融業界では、デジタルトランスフォーメーション (DX) の波が加速し、顧客体験の向上や新たなサービス創出に向けた取り組みが活発化しています。その一方で、金融機関には、極めて高度なセキュリティ、コンプライアンス、そしてシステムの安定稼働が求められます。この「攻め」と「守り」の両立という難しい課題に、クラウドはどのように貢献できるのでしょうか。

この度、Google Cloud は、日本の金融機関の皆様が直面するこれらの課題に対する一つの答えとして、「金融リファレンスアーキテクチャ」を公開しました。

こちらからダウンロードしてください。

https://cloud.google.com/resources/content/intl/ja-jp/financial-reference-architecture

近年、金融機関の重要システムにおける Google Cloud の採用は飛躍的に増え、IaaS 中心の構成に留まらない、クラウドの特性を活かしたアーキテクチャも多く見られるようになりました。本リファレンスアーキテクチャは、こうした状況を踏まえ、金融機関で求められるセキュリティやコンプライアンスのニーズに対応しつつ、IaaS / PaaS / SaaS を適材適所で組み合わせる際の指針となることを目指しています。Google Cloud はこれまでも『Well-Architected Framework』や『エンタープライズ基盤ブループリント』といったガイドを提供してきましたが、本アーキテクチャは特に日本の金融業界にフォーカスし、FISC 安全対策基準での要求事項も踏まえた、具体的で実践的な内容となっています。

「お客様からのアクセスに余裕をもったキャパシティで対応できる、リージョンレベルの障害があっても止まらない、障害時でもデータの不整合が発生しない、セキュリティ上の堅牢性を持つ。これらはどれも、金融機関の重要システムにとって欠かせない要件です。このような要件をクリアするアーキテクチャの具体例が、東西両現用やマルチクラウド・コアバンキングです。Google Cloud であれば、このようなオンプレミスであっても実現に極めて繊細な考慮が必要だったシステム構成を、シンプルな構成要素の組み合わせで実現することが可能です。」と Google Cloud プリンシパルアーキテクト猪原茂和は話します。

東西両現用のアーキテクチャ (金融リファレンスアーキテクチャ本編より)

「マルチリージョン構成の高可用リレーショナル・データベースである Spanner と、複数リージョンに負荷分散が可能な Google Cloud のロードバランサーは、東西両現用をシンプルに実現するための要です。」(Google Cloud カスタマーエンジニア渡邊誠)。

また、今回公開したリファレンスアーキテクチャに関して、株式会社三菱 UFJ 銀行よりエンドースメントをいただいています。

本リファレンスアーキテクチャは、金融機関がクラウドを活用する上で直面する、セキュリティ、コンプライアンス、そして信頼性といった重要な課題に対し、具体的かつ実践的な指針を与えてくれるものです。MUFG のデジタルバンクの勘定系を Google Cloud 上で実現する上で押さえるべき設計上の要点をコンパクトかつ網羅的に整理してあるため、自分たちの設計の点検をする際に大変役に立ちました。
-株式会社三菱UFJ銀行山下邦裕 (執行役員リテール・デジタル企画部長)

アーキテクチャの主要テーマ

本リファレンスアーキテクチャは、単なるサービスの紹介に留まりません。現代の金融システムに求められる主要なテーマを網羅し、それぞれに対する Google Cloud のアプローチを深く掘り下げています。

1. ゼロトラストと多層防御による堅牢なセキュリティ

「決して信頼せず、常に検証する」というゼロトラストの原則に基づき、ID 管理、データ保護、ネットワークセキュリティの各レイヤで多層的な防御を実装する方法を解説します。Identity-Aware Proxy (IAP) によるコンテキストに応じたアクセス制御や、VPC Service Controls によるデータ漏洩防止、Cloud Armor による Web 攻撃対策など、具体的なサービスを組み合わせた構成例を示します。「VPC Service Controls は、IaaS のみならず PaaS や SaaS も包含したセキュリティ防御を実現する、Google Cloud の特徴的な防御機構です。」(Google Cloud カスタマーエンジニア中村完)。

2. サーバレスと GKE によるモダンなアプリケーション開発

ビジネスの変化に迅速に対応するため、アプリケーション開発の俊敏性は不可欠です。本アーキテクチャでは、インフラ管理から解放されるサーバレスなコンテナ実行環境である Cloud Run や、コンテナ技術の標準である Kubernetes のマネージドサービス Google Kubernetes Engine (GKE) を活用した、モダンなアプリケーション基盤の構築方法を詳述します。特に、GKE の運用負荷を大幅に削減する Autopilot モードの活用は、開発者がビジネス価値の創出に集中できる環境を実現します。「Google Cloud 上で堅牢かつスケーラブル、そして保守性の高いアプリケーションを構築しようとするアーキテクトおよび開発者に向けて、サーバーレス中心の設計思想を意識してください。」(Google Cloud カスタマーエンジニア北田純弥)。

3. マルチリージョン、マルチクラウドによる事業継続性の確保

大規模災害やクラウドの広域障害は、もはや無視できないビジネスリスクです。本アーキテクチャでは、東京・大阪リージョンを活用した Active-Active のマルチリージョン構成 を、グローバル分散データベース Spanner を用いて実現する方法を解説します。これにより、RPO（目標復旧時点）ゼロ、RTO （目標復旧時間）ゼロを目指す、高いレベルの事業継続性を確保します。さらに、ベンダロックインを回避し、IT ガバナンスを強化するためのマルチクラウド戦略についても、具体的な構成例を交えて紹介します。

4. 生成 AI の安全な活用

生成 AI は、金融業界に大きな変革をもたらす可能性を秘めています。本アーキテクチャでは、情報の正確性、セキュリティ、プライバシーといった金融機関ならではの厳しい要件を満たしながら、生成 AI 、特に Google の AI、Gemini や Google Cloud の統合 AI 開発プラットフォーム、Vertex AI を安全に活用するためのガバナンスと技術的な対策を解説します。プロンプトインジェクションからモデルを保護する Model Armor や、信頼できる情報源に基づいて回答を生成する Vertex AI Search など、Google Cloud の先進的な AI、セキュリティについて解説します。

おわりに

本リファレンスアーキテクチャは、アクセンチュア株式会社、伊藤忠テクノソリューションズ株式会社、SCSK株式会社、株式会社NTTデータ、日本アイ・ビー・エム株式会社、株式会社野村総合研究所、リンクス株式会社をはじめとする、金融業界に深い知見を持つ多くのパートナー企業の皆様にご賛同頂き、また、完成へのご協力を頂いております。この場を借りて、ご賛同いただいたすべての関係者の皆様に心より感謝申し上げます。

Google Cloud は、これからも金融機関の皆様の信頼できるパートナーとして、オープンなエコシステムを通じて、皆様のデジタルトランスフォーメーションを安全に、そして力強く推進するための一助となれるよう、尽力してまいります。

著者
Google Cloud Japan フィナンシャルサービス事業本部カスタマーエンジニアリング技術本部
カスタマーエンジニア渡邊誠
カスタマーエンジニア中村完
カスタマーエンジニア北田純弥
プリンシパルアーキテクト猪原茂和

AI でカスタマーエクスペリエンスをオンラインと実店舗で拡大する方法

Thu, 23 Oct 2025 01:30:00 +0000

※この投稿は米国時間 2025 年 10 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

急成長中の企業のカスタマーサービスチームは、顧客からの問い合わせが急増しているという厳しい現実に直面しています。しかし、このような急増に合わせて人的チームを拡大することは、必ずしも持続可能ではありません。

インテリジェントな AI ツールは、これに新たな道を開きます。AI ツールは日常的な質問に自動的に対応できるため、従業員は共感、判断、創造的な問題解決を必要とする、より複雑なカスタマーサービス業務に集中できます。

LiveX AI を使用すると、企業は自然な会話機能を大規模に提供する高度な AI システムを構築、デプロイできます。これらは、チャットボット、コールセンターのエージェント、さらには実店舗での 3D ホログラフィックペルソナとしてさえ活躍する可能性があります。

数千件の同時リアルタイムインタラクションを低レイテンシで処理するには、強力で弾力的なインフラストラクチャが必要です。特に、複雑な問題を人間のエージェントにシームレスにエスカレーションする場合はなおさらです。

この共同技術投稿では、LiveX AI が Google Cloud 上でインテリジェントなカスタマーエクスペリエンスシステムを構築、スケーリングするために使用している技術ブループリントを紹介し、適切なサービスの組み合わせによってこの変革がどのように可能になるかを示します。

このアーキテクチャが重要な理由: 実績ある費用対効果

このアーキテクチャは、測定可能なビジネス効果をもたらします。

Wyze のセルフサービス率は 90%以上: スマートホームのリーダーである Wyze は、LiveX AI を導入して 90% を超すセルフサービス率を達成しました。これにより、サポートチームは人間の専門知識が必要な複雑なケースに集中できるようになり、全体的なカスタマーエクスペリエンスが向上しました。
Pictory のコンバージョンが 3 倍に: 動画作成プラットフォームの Pictory は、LiveX AI を使用してウェブサイトの訪問者に積極的に働きかけ、見込み顧客を絞り込むことで、コンバージョンが 3 倍に増加しました。

これらの成果は、Google Cloud 上に構築された高度でスケーラブルかつ安全なアーキテクチャによってのみ実現可能です。

スケーリングに対応するプラットフォーム機能

LiveX AI プラットフォームは、本番環境に対応できるように設計されており、企業はインテリジェントなカスタマーエクスペリエンスシステムを簡単にデプロイできます。これは、Google Cloud の Cloud Run と Google Kubernetes Engine（GKE）で実行され、それらとともにスケーリングされる主要な機能によって実現されています。

AgentFlow オーケストレーション: 会話フロー、知識の検索、タスクの実行を管理するコーディネーションレイヤ。日常的な問い合わせは自動的にルーティングされ、複雑な問題は完全なコンテキストとともに人間のエージェントにエスカレーションされます。
設計段階から多言語に対応: 強力な AI モデルと Google のグローバル規模のインフラストラクチャを活用して、100 以上の言語でネイティブ品質の回答を提供できるように構築されています。
シームレスな統合: 内部と外部の API に安全に接続して、システムはアカウント情報にアクセスし、返品を処理し、サブスクリプションを管理します。これにより、人間のエージェントに取り次いだ際に完全なコンテキストが得られます。
カスタマイズ可能なナレッジグラウンディング: 特定のビジネス知識でトレーニングされ、チームの専門知識に沿った正確で一貫性のある回答を確保します。
自然なインターフェース: ウェブ、モバイル、電話の各チャネルで、チャット、音声、アバターのインターフェースを介してデプロイされます。

図 1: LiveX の実店舗での 3D アシスタント

技術的ブループリント: Google Cloud でインテリジェントなカスタマーエクスペリエンスシステムを構築する

LiveX AI のアーキテクチャは、パフォーマンス、スケーラビリティ、費用効率を最適化するためにインテリジェントに階層化されています。各レイヤを支える Google Cloud サービスは次のとおりです。

図 2: Google Cloud 上の LiveX AI カスタマーサービスエージェントのアーキテクチャ

フロントエンドレイヤ

ウェブ、モバイル、音声チャネル全体でリアルタイム通信を管理するには、セッション管理、チャネル統合、API ゲートウェイサービスを処理する軽量のマイクロサービスが必要です。

Cloud Run は、このワークロードに理想的なプラットフォームです。フルマネージドのサーバーレスソリューションであるため、トラフィックの急増時にはゼロから数千のインスタンスに自動的にスケールアップし、その後スケールダウンするため、LiveX AI は実際に使用するコンピューティングに対してのみ料金を支払います。

オーケストレーションと AI エンジン

プラットフォームのコアである AgentFlow は、会話の状態を管理し、顧客の意図を解釈して、回答を調整します。問題に人間の専門知識が必要な場合は、完全なコンテキストとともにエージェントにルーティングします。システムは自然言語入力を処理して顧客の意図を判断し、リクエストを複数ステップの計画に分解して、データベース（Cloud SQL など）や外部プラットフォーム（Stripe、Zendesk、Intercom、Salesforce、Shopify）に接続します。これにより、AI エージェントと人間のエージェントの両方が顧客のコンテキストを完全に把握できます。

Cloud Run によるオーケストレーションは、リクエストトラフィックに基づいて自動的にスケーリングし、会話の負荷変動を従量課金制で完璧に処理します。

GKE for AI inference は、リアルタイム AI に必要な専門的機能を提供します。

GPU 管理: GKE のクラスタオートスケーラーは、必要な場合にのみ GPU ノードプールを動的にプロビジョニングするため、コストのかかるアイドル時間を防ぐことができます。Spot VM は、トレーニング費用を大幅に削減します。
ハードウェアアクセラレーション: NVIDIA GPU と Google TPU とシームレスに統合し、マルチインスタンス GPU（MIG）もサポートして、高価なアクセラレータの使用率を最大化します。
低レイテンシ: 特殊なハードウェアと推論ゲートウェイをきめ細かく制御することでインテリジェントなロードバランシングが可能になり、リアルタイムで応答します。

この基盤により、LiveX AI は、需要がピークに達したときでも数百万のユーザーに同時に対応し、しかも 1 秒未満の応答時間を維持できます。

ナレッジ、統合レイヤ

一般公開されているよくある質問から、安全なアカウントの詳細まで、ナレッジレイヤは、システムが有用な回答を提供するために必要なすべての情報を提供します。

Doc Processor（Cloud Run 上）は、検索拡張生成（RAG）システムのベクトルデータベースにナレッジベースを構築して維持し、API Gateway は構成と認証を管理します。長期保存には、LiveX AI は管理データベースとして Cloud SQL を使用し、短期的なコンテキストは Google Cloud Memorystore に保存しています。

最終的には

この設計には 3 つの主な利点があります。実際の需要に合う弾力的なスケーリング、サーバーレスとマネージド GKE サービスによる費用効率、大規模なリアルタイム会話型 AI に必要なパフォーマンスです。

今後の展望: カスタマーエクスペリエンスチームを大規模に支援

カスタマーサービスセンターの未来は、人間のエージェントが最も得意とすること、つまり共感、判断、創造的な問題解決を増幅するインテリジェントシステムが中心となります。企業がこのアプローチを採用すると、繰り返し行われる問い合わせの負担から担当者が解放され、一人ひとりの顧客に合わせて長期的な関係を築ける対応を提供できるようになります。

AI を活用したカスタマーエクスペリエンスシステムを評価しているチームにとって、このアーキテクチャは実績のあるブループリントとなります。まず、Cloud Run を使用してフロントエンドを弾力的にスケーリングし、GKE を AI 推論ワークロードに活用して、既存のプラットフォームとのシームレスな統合を確保してください。

LiveX AI と Google Cloud のパートナーシップは、適切なプラットフォームとインフラストラクチャを合わせることによってカスタマーサービス業務がどのように変革できるかを示しています。インテリジェントな自動化と、弾力的で費用効率の高いインフラストラクチャを組み合わせることで、企業は問い合わせの急増に対応しながら、担当者が顧客との長期的な関係を構築できるようにします。

LiveX AI がチームの効率的なスケーリングにどのように役立つかについては、LiveX AI プラットフォームをご覧ください。
このソリューションを支えるインフラストラクチャを使用して独自の生成 AI アプリケーションを構築するには、GKE と Cloud Run を使用して開発を始めてください。

ー Jia Li、LiveX AI、共同創業者、社長兼最高 AI 責任者

ー Lisa Shen 、Google Cloud、シニアプロダクトマネージャー

DeFi のオラクル: 分散型アプリケーション向けに信頼できるデータフィードを構築する方法

Mon, 20 Oct 2025 01:03:00 +0000

※この投稿は米国時間 2025 年 10 月 2 日に、Google Cloud blog に投稿されたものの抄訳です。

分散台帳技術（DLT）は、信頼関係のないピア間で検閲に抵抗しながら支払いを行う方法として、ビットコインとともに登場しました。その後、従来の金融機関は、不変性、分散性、プログラマビリティが金融商品やワークフローの再設計に役立つ可能性を認識し、このテクノロジーの調査を開始しました。

しかし、根本的な問題が原因で、多くの企業向けブロックチェーンプロジェクトがパイロット段階で停滞しています。それは、データの完全性の問題です。管理されたテスト環境から本番環境システムに移行すると、従来の中央集権型システムには存在しなかった攻撃ベクトルや障害モードが導入されます。これは、企業向け DLT の導入を先駆けて行っている DZ BANK のような機関にとっては特に差し迫った課題です。

これらの課題を解決するため、DZ BANK と Google Cloud は、ブロックチェーンアプリケーションへの信頼できるデータ配信のためのアーキテクチャソリューションを構築しました。この投稿では、Google Cloud テクノロジーを使用して、市場データを DZ BANK のスマートデリバティブ契約（SDC）に安全にフィードする方法について説明します。

2025 年は戦略的エンゲージメントの年

分散台帳技術（DLT）は、成熟の転換点を迎えました。規制の枠組みは安定化し、スケーラビリティの制限も解消されつつあります。また、ユーロシステムの検証作業により、スマートコントラクトプロトコルによって、別々の DLT インフラストラクチャ間で効率的な決済が可能になることが実証されています。探索フェーズは終わりに近づいています。パイロットプロジェクトから先に進んでいない機関は、競合他社が本番環境のブロックチェーンシステムをデプロイするにつれて、取り残される恐れがあります。

このテクノロジーのコアとなる価値提案（不変、プログラマブル、分散型の実行）により、これまで実現不可能だった新しいデジタル金融商品が可能になります。スマートコントラクトは、カウンターパーティリスクを排除し、複雑な決済手続きを自動化し、従来の仲介業者なしでピアツーピアの金融取引を可能にします。しかし、これらのメリットを実現するには、初期のブロックチェーンシステムが回避するように設計されていた根本的な課題を解決する必要があります。

ユーロシステムの調査によると、スマートコントラクトプロトコルにより、金融商品の効率的な決済と、個別の DLT インフラストラクチャ間の機能的な相互運用性が実現します。これらの結果に基づき、ユーロシステムは、調和のとれたデジタル欧州金融市場インフラストラクチャの構築を目指し、この分野での活動を強化する計画を最近発表しました。

信頼できるデータの必要性

DLT は「コードが法」であるテクノロジーとして概念化されましたが、銀行、アセットマネージャー、清算機関は外部ソースからのオフチェーンデータを必要とします。これには、価格フィード、金利フィード、KYC/AML 認証、法的イベントトリガー、準備金の証明、IoT センサーデータ、支払い確認などが含まれます。

DLT システムでは、データの信頼性が最も重要です。誤ったデータはどのシステムでも意図しない結果をもたらす可能性がありますが、DLT トランザクションは多くの場合、元に戻すことができません。従来のシステムでは、誤った利率を使用した支払いはキャンセルできますが、DLT トランザクションは通常、最終的なものです。特に、参加者が匿名で、法的介入によって連絡が取れない場合はそうです。これにより、新たな攻撃ベクトルが生まれます。オフチェーンデータを操作する攻撃者は、オンチェーンアセットの盗難など、重大な金銭的損害を引き起こす可能性があります。

信頼できる Oracle アーキテクチャの構築

オフチェーンデータは、オラクルを介して DLT システムに提供されます。オラクルは、外部情報をスマートコントラクトに配信するインターフェースです。信頼できるオラクルサービスには、次の 3 つの重要な側面に対処する必要があります。

データはソースで正確である必要があります。基盤となるシステムが正確な情報を生成する必要があります。
また、データは、転送中および処理中に改ざんされないようにする必要があります。
データはタイムリーかつ確実に配信される必要があります。

Google Cloud の安全かつ高可用性のインフラストラクチャと、標準化された決定論的な金融プロトコルに対する DZ BANK のビジョンを組み合わせることで、これらの要件を満たすことができます。Google のグローバル技術インフラストラクチャは、情報処理ライフサイクル全体にわたってセキュリティを提供し、ソースと転送中のデータの完全性と信頼性を確保します。DZ BANK は、金融商品にテクノロジーに依存しない決定論的パターンを適用することに重点を置いており、信頼性が高く自動化可能な金融イノベーションを実現しています。このアプローチを組み合わせることで、改ざんされていないデータをタイムリーに DLT システムに配信するための基盤が提供され、安全なデジタル金融サービスのためのスケーラブルなプロトコル標準が確立されます。

このアーキテクチャパターンは、同様の課題に直面している他の機関の青写真となり、さまざまな金融スマートコントラクトやブロックチェーンネットワーク間で信頼できるデータ配信のための再利用可能なコンポーネントを作成します。

スマートデリバティブ契約: 信頼できるデータに依存する DLT ベースの金融商品

スマートデリバティブ契約（SDC）のユースケースは、外部データに大きく依存する、完全にアルゴリズム化された金融商品のライフサイクルを対象としており、Google Cloud で生成され、スマートコントラクトで使用されるオラクルベースの金融データフィードの原型として機能します。確定的な決済サイクルでは、決済額を決定するため、堅牢なオラクルサービスが必要です。主な機能には、OTC 取引におけるカウンターパーティクレジットリスクを排除するための、確定的な評価、自動マージン計算、ネッティング、取引終了処理などがあります。これらのプロセスは、オラクルからの信頼できるリアルタイムの市場データに依存して、正味現在価値（NPV）と決済額を決定します。

基盤となるプロトコルは、Ethereum Request for Comments（ERC）6123 として公開されています。このオープンプロトコルに基づき、DZ BANK は法的拘束力のあるパイロットトランザクションを複数実施し、ドイツ連邦銀行の DLT インフラストラクチャ（トリガーソリューション）でのユースケースを検証しました。

デリバティブが最も難しいテストケースであるのはなぜですか？決済の NPV を決定するには、現在の市場データを使用した正確な数学的計算が必要です。たとえば、金利スワップでは、決済金額を計算する前に、現在のスワップ相場を使用して割引率とフォワードレートのカーブをブートストラップする必要があります。プロセス全体は、決定論的で改ざん防止されている必要があり、パイプライン全体でデータの完全性の暗号化された証拠が必要です。安全なオラクルサービスは、SDC のライフサイクルと自動決済に不可欠です。

技術基盤: セキュリティレイヤ

オラクルシステムアーキテクチャは、それぞれ異なる技術的対策を必要とする、さまざまな脅威モデルに対応しています。

ソフトウェアサプライチェーンの問題を軽減する

SDC の場合、攻撃者は NPV 計算を決定するコードを改ざんする可能性があります。たとえば、デフォルトで人工的に低い値を返すように機能を変更するなどです。これにより、決済金額は誤ったものになります。こうした問題を軽減するために、Google は安全なソフトウェアサプライチェーンのプラクティスに従い、Binary Authorization を活用して、有効な証明書を持つコンテナイメージのみをデプロイできるポリシーを適用しています。この証明書は、コンテナイメージが、信頼できる CI パイプラインによるビルド検証などのチェックに合格し、ビルドの来歴を生成したことを証明します。最大限のセキュリティを確保するには、SLSA レベル 3 の保証が望ましく、デプロイ時にこの証明書を検証することで、Binary Authorization は不正なイメージや改ざんされたイメージをブロックし、悪意のあるコードが実行されるのを防ぎます。

データソースへの安全な接続

NPV を計算する Oracle 関数は、関連する市場データにアクセスする必要があります。このデータは、Cloud SQL などのクラウドデータベースに保存されている可能性があります。ワークロードは Private Service Connect 経由で接続できるため、独自の VPC ネットワーク内のプライベート内部 IP アドレスを使用して Cloud SQL インスタンスにアクセスできます。これにより、すべてのトラフィックが Google Cloud ネットワーク内に留まり、公共のインターネットを経由せずに安全にデータにアクセスすることが可能です。

TEE 構成証明

オラクルデータの正確性を確保するには、特定の改ざんされていないソフトウェアバージョンによってデータが生成されたことを証明する必要があります。SDC の場合、これは値の計算を担当するソフトウェアに適用されます。Confidential Space（高信頼実行環境）を使用することで、承認された変更されていないソフトウェアワークロードのみがデータを処理できるようになります。

これは、リモートアテステーションによって実現されます。データ所有者は、コンテナ化されたソフトウェアイメージの特定のダイジェストなど、承認されたワークロード属性の検証に基づいてアクセス条件を設定します。コードの身元確認は、オラクルのビジネスロジックに対する信頼を補完します。検証可能なアテステーショントークンは強力な保証を提供し、オラクルデータ出力とパッケージ化して、起源と正確性を証明できます。

Transport Layer Security

Transport Layer Security（TLS）は、ブロックチェーンへの送信中にオラクルデータ出力を暗号化することで、追加のレイヤを提供します。TEE 認証は、安全な環境内で承認された、未変更のソフトウェアによってデータが生成されたことを証明しますが、TLS はネットワーク転送中の傍受や改ざんからデータを保護します。

デリバティブ以外の応用

SDC 向けに開発されたアーキテクチャパターンは、信頼できる外部データを必要とする他のエンタープライズブロックチェーンのユースケースにも適用できます。たとえば、クロスチェーンのアセット転送では、二重支払い攻撃を回避するために、信頼できる支払い確認データが必要です。サプライチェーンアプリケーションでは、センサーの読み取り値の検証と物流の確認が必要です。

安全なクロスチェーンプロトコルは、金融の相互運用性、特に別々のネットワーク間でのアセットと現金のレッグの決済に不可欠です。しかし、HTLC などの現在のプロトコルはタイムアウトに依存しているため、セキュリティの脆弱性が生じます。ERC-7573 で提案されているより安全なアプローチでは、支払いが成功した場合に暗号鍵をリリースするステートレスオラクルを使用して、アセット交換を完了するか、資金を返金します。スマートコントラクトの指示に従って鍵を復号することで、オラクルはセキュリティと効率の両方を強化します。信頼できるオフチェーンオラクルがスマートコントラクトを可能にする例です。

本番環境に対応したブロックチェーンインフラストラクチャの構築

DZ BANK と Google Cloud のコラボレーションは、企業によるブロックチェーンの導入が環境によって制限される時代は終わったことを示しています。成功するかどうかは、セキュリティと信頼性の基準を維持しながら、分散型アプリケーションを既存のビジネスシステムと統合できるかどうかにかかっています。

企業向けブロックチェーンプロジェクトに取り組むデベロッパーやアーキテクトにとって、このコラボレーションは、模倣すべき技術パターンと活用すべきインフラストラクチャコンポーネントの両方を提供します。課題は、ブロックチェーンアプリケーションを構築することではなく、企業が重要なビジネスプロセスを信頼できるブロックチェーンアプリケーションを構築することです。

これらのアーキテクチャアプローチがブロックチェーンインフラストラクチャの要件をどのようにサポートできるか、ぜひご確認ください。このコラボレーションを通じて開発されたフレームワークとパターンは、企業のセキュリティと信頼性の基準を満たす、信頼できる Oracle システムを構築するための実用的な出発点となります。

また、DZ BANK の Christian Fries 氏、Google の Chris Diya、Yuriy Babenko、Latif Ajouaoui の各氏にもご協力いただきました。

-DZ Bank、キャピタルマーケット、デジタルトランスフォーメーションマネージャー Peter Kohl-Landgraf
-Google Cloud、キャピタルマーケットテクノロジーマネージャー Moritz Platt

ドイツ銀行が AI を活用した金融調査を DB Lumina で提供

Wed, 15 Oct 2025 01:20:00 +0000

※この投稿は米国時間 2025 年 9 月 24 日に、Google Cloud blog に投稿されたものの抄訳です。

ドイツ銀行リサーチセンターのアナリストの主な使命は、独自の独立した経済および財務分析を提供することです。しかし、調査レポートやメモの作成は、手間のかかる手作業に大きく依存していました。少なくとも、生成 AI が登場するまでは。

従来、アナリストは財務諸表、規制当局への提出書類、業界レポートからデータをふるいにかけて収集していました。しかし本当の大仕事はこの後で、この膨大な量の情報を統合して、分析情報と調査結果を明らかにすることでした。そのためには、財務モデルを構築し、パターンと傾向を特定し、さまざまなソース、過去の調査、より広範なグローバルコンテキスト間のつながりを把握する必要があります。

アナリストは、価値ある分析情報をできるだけ早く市場に提供する必要があるため、この時間のかかるプロセスによって、分析の深さや対象となるトピックの範囲が制限される可能性があります。

私たちの目標は、リサーチアナリストの体験を向上させ、手動プロセスやアウトソーシングへの依存を減らすことでした。そこで、DB Lumina を作成しました。これは、AI を活用した調査エージェントで、データ分析の自動化、ワークフローの合理化、より正確でタイムリーな分析情報の提供を支援します。これらすべてを、規制の厳しい金融業界の厳格なデータプライバシー要件を維持しながら行います。

「数百人のリサーチアナリストが DB Lumina デジタルアシスタントを採用したことは、dbResearch、社内の開発チーム、その他多くの関係者による 12 か月以上にわたる集中的なコラボレーションの集大成です。これは私たちの取り組みの始まりにすぎません。研究成果の創出における AI の責任ある活用の可能性をさらに広げながら、この基盤を発展させ、幅広いカバレッジ領域で新たなイノベーションを切り拓いていくことを楽しみにしています。」- Pam Finelli 氏、ドイツ銀行、投資調査担当グローバル COO

AI を活用した研究体験の創出

DB Lumina には 3 つの主要な機能があり、高度なテクノロジーによってアナリストの調査エクスペリエンスを変革し、生産性を向上させます。

1. 生成 AI を活用したチャット

DB Lumina のコアとなる会話型インターフェースにより、アナリストはマルチモーダル Gemini モデルを含む Google の最先端の AI 基盤モデルと対話できます。質問、アイデアのブレインストーミング、文章の推敲、コンテンツのリアルタイム生成も可能です。さらに、チャット機能では、ドキュメントのアップロードと会話形式でのクエリがサポートされており、以前のチャット履歴を活用して、以前のセッションを再開して継続できます。DB Lumina は、要約、校正、翻訳、コンテンツの下書きなどのタスクを正確かつ迅速に支援します。さらに、コンプライアンスに準拠した信頼性の高い出力を生成するために、ガードレール技術を実装しました。

2. プロンプトテンプレート

プロンプトテンプレートは、ドキュメント処理に合わせて事前に構成された指示を提供し、一貫した高品質の結果をもたらします。これらのテンプレートを使用すると、アナリストは大規模なドキュメントの要約、主要なデータポイントの抽出、反復タスクのための再利用可能なワークフローの作成を容易に行うことができます。特定の役割やビジネスニーズに合わせてカスタマイズでき、チーム全体で標準化できます。アナリストはテンプレートを保存して共有することもできるため、業務の合理化とコラボレーションの強化が実現します。この機能は、Google の長いコンテキストウィンドウと高度なプロンプト技術を組み合わせることで実現しており、検証のための引用も提供します。

3. 知識

DB Lumina は、検索拡張生成（RAG）アーキテクチャを統合し、内部調査、外部の非構造化データ（SEC 提出書類など）、その他のドキュメントリポジトリなどの企業ナレッジソースに基づいて回答を生成します。エージェントは、ファクトチェックのためにインラインの引用とソースビューアを提供することで、透明性と精度を高めます。また、監査ロギングと説明可能性機能により、機密データへのアクセスを制御し、安全で信頼できる運用を確保します。Google Cloud テクノロジーでサポートされている高度な RAG アーキテクチャを使用することで、生成機能を企業ナレッジリソースに導入し、アナリストが調査レポートやメモを作成する際に、最新かつ最も関連性の高い情報にアクセスできるようにします。

DB Lumina アーキテクチャ

DB Lumina は、ドキュメントの取り込み、コンテンツの要約、Q＆A、編集を可能にすることで、ドイツ銀行リサーチセンターの生産性を向上させるように設計されました。

Google Cloud 上に構築されたこのアーキテクチャでは、次のサービスを活用しています。

マイクロサービスオーケストレーションのための Google Kubernetes Engine（GKE）
ベクトルサポートのための pgvector 拡張機能を備えた Cloud SQL
Cloud Storage: 非構造化データの管理と保存
ドキュメントの取り込みとエンベディングのための Dataflow
Gemini を使用したマルチモーダル AI 機能を強化する Vertex AI
RAG を有効にする Discovery Engine API
テキストとコンテンツのモデレーションのための Cloud Natural Language API

DB Lumina のすべての AI 機能は、安全でコンプライアンスに準拠したやり取りを確保するための仕組みが実装されています。また、ロギングとモニタリングは Google Cloud のオブザーバビリティスイートを使用し、プロンプトのインタラクションを Cloud Storage に保存して BigQuery でクエリを実行します。認証を管理するために、Azure AD と統合された Identity as a Service を使用し、dbEntitlements を通じて認可を一元化しています。

RAG とドキュメントの取り込み

DB Lumina がドキュメントを処理してインデックス化する際、ドキュメントはチャンクに分割され、Gemini Embeddings API などの API を使用してエンべディングが作成されます。その後、これらのエンベディングは、Vertex AI Vector Search や Cloud SQL の pgvector 拡張機能などのベクトルデータベースに保存されます。未加工のテキストチャンクは、Datastore や Cloud Storage などに個別に保存されます。

以下の図は、一般的な RAG と取り込みのパターンを示しています。

エージェントの概要。

アナリストがクエリを送信すると、システムはクエリエンジンを介してクエリをルーティングします。Python アプリケーションは、LLM API（Gemini 2.0 および 2.5）を活用して、クエリに基づいて関連するドキュメントスニペットを取得し、モデルが関連する回答を生成するために使用するコンテキストを提供します。ソースには、Cloud SQL for PostgreSQL で pgvector 拡張機能を使用するものと、Vertex AI Search に基づくものを含め、さまざまなリトリーバーを使用した実験が示されています。

ユーザーインターフェース

DB Lumina のインターフェースのスライダーを使用すると、ユーザーは要約のさまざまなパラメータ（冗長性、データ密度、事実性、構造、読者の視点、流れ、個性など）を簡単に調整できます。このインターフェースには、要約に関するフィードバックを提供する機能も含まれています。

生成 AI の評価フレームワーク

DB Lumina のような生成 AI アプリケーションやエージェントを評価するには、モデル出力の複雑さと変動性に対応するための、カスタムフレームワークが必要です。従来の指標や一般的なベンチマークでは、生成 AI 機能のニーズ、ドメイン固有のユーザーの微妙な期待、企業環境の運用上の制約を捉えられないことがよくあります。そのため、パフォーマンスを正確に測定するには、生成 AI の新しい指標が必要になります。

DB Lumina の評価フレームワークでは、業界標準の指標とカスタム開発された指標の両方からなる、豊富で拡張可能なセットが採用されています。これらの指標は、定義されたカテゴリにマッピングされ、中央の指標ディクショナリに文書化されているため、チームと機能全体で一貫性が確保されます。精度、完全性、レイテンシなどの標準的な指標は基本ですが、引用の精度と再現率、偽陽性率、冗長性制御などのカスタム指標で補強されています。これらの指標はそれぞれ、金融調査とドキュメントに基づく生成の特定の要件と規制要件に合わせて調整されています。Ragas などの一般的なフレームワークも、RAG システムが取得したドキュメントにどの程度根拠を持って応答を生成できているか、またハルシネーションを回避しているかを評価するうえで、有用な基盤を提供します。

さらに、テストデータセットは、DB Lumina のコア機能（チャット、ドキュメントの Q＆A、テンプレート、RAG ベースのナレッジ検索など）にわたって、幅広い実際的なシナリオ、エッジケース、潜在的なバイアスを反映するように慎重にキュレートされています。これらのデータセットはバージョン管理されており、ツールが進化するにつれて関連性を維持するために定期的に更新されます。その目的は、制御された条件下でモデルの動作を評価するための安定したベンチマークを提供し、最適化サイクル全体で一貫した比較を可能にすることです。

評価は定量的および定性的で、自動スコアリングと人間によるレビューを組み合わせて、トーン、構造、コンテンツの忠実性などの側面を評価します。重要なのは、このフレームワークにより、各機能の正確性、ユーザビリティ、効率性、コンプライアンスが評価されると同時に、反復的な最適化と継続的なパフォーマンスモニタリングをサポートするために必要な迅速なフィードバックと堅牢なリスク管理が可能になることです。安定したテストセット、Git ハッシュのトラッキング、自動化された指標パイプラインを活用して、現在の指標出力を過去のベースラインと比較し、パフォーマンスの逸脱を早期に検出し、ユーザーやコンプライアンス基準に影響を与える前に対応できるよう、プロアクティブな介入をサポートします。

この階層化されたアプローチにより、DB Lumina は正確かつ効率的であるだけでなく、ドイツ銀行の社内基準にも準拠し、イノベーションと説明責任の両方をサポートする、バランスの取れた厳格な評価戦略を実現しています。

ビジネスに新たなメリットをもたらす

Google Cloud コンサルティングと共同で DB Lumina の最初のパイロット版を開発し、ユースケース開発の初期段階で、プロンプトなしでエンべディングのみを使用したシンプルなプロトタイプを作成しました。このパイロット版は、後のバージョンに機能面で劣るものの、DB Lumina の RAG アーキテクチャのその後の開発に役立ちました。

その後、プロジェクトは開発環境とアプリケーションテスト環境を経て本番環境へのデプロイに移行し、2024 年 9 月に本番環境で稼働を開始しました。現在、DB Lumina はドイツ銀行リサーチセンターの約 5,000 人のユーザーが利用しており、具体的には投資銀行のオリジネーション＆アドバイザリー部門や債券＆通貨部門などで活用されています。年末までに、法人向けバンキングやその他の機能で 10,000 人以上のユーザーに展開する予定です。

DBLumina は、ドイツ銀行に次のような大きなビジネス上のメリットをもたらすことが期待されています。

時間の節約: アナリストは、収益に関するメモのテンプレートの準備に 30 ～ 45 分、調査レポートやロードショーの最新情報の作成に最大 2 時間を節約できるなど、大幅な時間短縮を報告しています。
分析の深さの向上: あるアナリストは、収益レポートの分析を 50% 増加させ、地域別およびアクティビティ別の追加セクションと、予測変更の概要セクションを追加しました。これは、収益リリースと投資家向け説明会の要約を作成し、その後、会話型プロンプトを使用して分析することで実現しました。
新たな分析の機会: DB Lumina は、チームが新しいトピックを分析する新たな機会を創出しました。たとえば、米国と欧州のエコノミクスチームは、DB Lumina を使用して中央銀行のコミュニケーションをスコアリングし、時間の経過とともにタカ派とハト派の度合いを評価しています。別の分析担当者は、8 つの異なる省庁の予算演説を分析して比較し、能力の制約と成長志向に関連するキーワードを集計して、優先順位の変化を特定しました。
精度が向上: アナリストは、編集プロセスの一環として DB Lumina の使用も開始しました。ある監督アナリストは、導入以来、アナリストのメモ全体で、特に英語を母語としないアナリストのメモで、編集と文法の正確さが著しく向上したと述べています。

金融業界における生成 AI と RAG の未来を構築

RAG の力によって、金融機関がデータとやり取りする方法が変革されるのを見てきました。DB Lumina は、検索、生成 AI、会話型 AI を組み合わせることの価値を証明しましたが、これは取り組みの始まりにすぎません。Google は、Google のアーキテクチャに固有の「エージェント」機能を活用し、改良していくことが未来につながると考えています。さまざまなコンポーネントがエージェントとして機能するシステムを構築し、オーケストレートすることを想定しています。すべてのエージェントが連携して、複雑な財務に関する問い合わせに対してインテリジェントで情報に基づいた回答を提供します。

今後のビジョンをサポートするため、RAG フレームワーク内でエージェントの専門性を深め、コンプライアンス、投資戦略、リスク評価など、特定の種類のクエリやタスクを処理するように設計されたエージェントを構築する予定です。また、ReAct（Reasoning and Acting）パラダイムをエージェントの意思決定プロセスに組み込み、エージェントが情報を取得するだけでなく、積極的に推論し、行動を計画し、検索を絞り込んで、より正確でニュアンスに富んだ回答を提供できるようにしたいと考えています。

さらに、Vertex AI で利用できるツールやサービスを積極的に調査して実装し、AI 機能をさらに強化していきます。これには、特定のタスクやさまざまなパフォーマンス特性を実現するための他のモデルの探索、ベクトル検索インフラストラクチャの最適化、RAG システム全体の効率とスケーラビリティを高めるための AI パイプラインの活用が含まれます。最終的な目標は、コンテキストの理解を深めることで、DB Lumina がますます複雑化する多面的なクエリを処理できるようにすることです。これにより、以前のやり取りや基礎となる金融の概念などのコンテキストを正確に解釈できるようになります。これには、単純な質問への回答だけでなく、取得した情報に基づいて分析や推奨事項を提供することも含まれます。DB Lumina がリアルタイムで情報を提供し、最新の外部データを必要とするクエリに対応する能力を強化するため、インターネットベースの情報で回答をグラウンディングする機能を統合する予定です。

これらの分野に注力することで、DB Lumina を、有益な情報検索ツールから、最も困難な金融関連の問い合わせにも対応できる強力な AI エージェントへと変革することを目指しています。これにより、金融機関はカスタマーサービスの向上、意思決定の強化、運用効率の向上という新たな機会を得ることができます。金融業界における RAG と生成 AI の未来は明るく、Google はこの変革的なテクノロジーの最前線に立つことを楽しみにしています。

ー Max Sommerfeld 氏、ドイツ銀行、応用 AI エンジニアリング担当責任者

ー Crispin Velez、Google、グローバル AI インキュベーション

Mr. Cooper が複雑な住宅ローンに関する質問に対応する AI エージェントのチームを編成した方法

Wed, 08 Oct 2025 01:30:00 +0000

※この投稿は米国時間 2025 年 9 月 19 日に、Google Cloud blog に投稿されたものの抄訳です。

即時の対応とシームレスなエク　スペリエンスが当たり前になった昨今、住宅ローンサービスなどの業界は厳しい課題に直面しています。消費者は、複雑な規制、山積みの財務書類、住宅所有という大きなリスクを乗り越える中で、簡単な質問でも複雑な問題に発展することにすぐに気づきます。そして、その複雑さを理解して顧客をサポートしようとするカスタマーサポート担当者にとっても同様です。

他の多くの企業と同様に、Mr. Cooper は、エージェント AI と高度な AI エージェントが、お客様と従業員が自信を持ってニーズを満たすのにどのように役立つかを模索しています。Google Cloud でまさにそのようなエージェントを開発する取り組みの中で、興味深い発見がありました。それは、優れたチームと同様に、優れた AI エージェントは、それぞれ異なるスキルセットと能力を持つエージェントで構成され、それらが連携して動作することで最良の結果が得られるということです。

Mr. Cooper の使命は、「住宅所有の夢を叶える」ことです。当社は、住宅購入のプロセスを簡素化し、明確な情報を提供することで、お客様が安心して住宅を購入できるようサポートしています。人生で最も重要な買い物や決断をする際に大事なのは、自信を持って行うことです。

シンプルさと確実さという 2 つの目標を念頭に、当社は Google Cloud コンサルティングと提携して、チームを補完しサポートするように設計されたエージェント AI フレームワークを開発しました。これを Coaching Intelligent Education & Resource Agent（CIERA）と呼んでいます。人間のエージェントと効果的に連携して、カスタマーサービスエクスペリエンスの両面を合理化できる chatbot を実装する方法を検討しました。

私たちが実感したのは、優れたカスタマーサポート担当者や住宅ローン担当者の採用を重視しているのと同様に、すべてのユーザーのニーズに効果的に応えるために、適切なエージェントグループを編成することがいかに重要であるかということです。CIERA はまさにそのために設計されており、日常的で時間のかかるタスクを処理して効率を高めると同時に、従業員が共感、判断、有意義な人間関係という得意分野に集中できるようにします。

CIERA は、人間の専門知識と AI の機能を融合させるエキサイティングな一歩であり、顧客体験とチームの成果の両方を高める共同アプローチを生み出します。この取り組みは Mr. Cooper にとって重要なだけでなく、Google のマルチエージェントアプローチが業界を問わずあらゆる企業にとってモデルとなり得ることを示しています。ここではその方法と、お客様が同様の成果を上げるためのヒントをご紹介します。

課題: 従来の自動化では対応できない

住宅ローンのサービスは特に複雑で、お客様の 1 つの質問に対して、エージェントが複数のドキュメントを相互参照する必要が生じる場合があります。

従来の自動化では、これに対して次のような課題があります。

サイロ化された知識: 情報が散在していると全体像を把握しにくくなりますが、AI は重要なデータを表面化し、エージェントが顧客のために迅速かつスマートな意思決定を行えるようにします。
理解の不足: 従来のシステムは、厳格なキーワードと意思決定ツリーに依存しており、顧客の問い合わせの背後にある真の意図を見逃すことがよくあります。Google の AI フレームワークは、コンテキストと意図を明らかにし、エージェントが共感と正確さをもって対応するために必要な分析情報を提供します。
柔軟性のないプロセス: 会話が予期しない方向に進んだ場合、従来の自動化では対応できず、お客様とチームの行き詰まりにつながることがよくあります。AI はリアルタイムで適応型のガイダンスを提供し、エージェントがこれらの変化にシームレスに対応できるようにします。

カスタマーエクスペリエンスを真に向上させるには、推論、オーケストレーション、コンテキストの理解が可能なソリューションが必要でした。優れたサービスを提供する当社の能力を強化し、増幅するソリューションです。

ビジョン: 共同 AI エージェントワークフォース CIERA のご紹介

私たちのビジョンは、Google Cloud の Vertex AI プラットフォームを活用して、コールセンターのエージェントをサポートするエージェントフレームワークを作成することでした。CIERA の AI エージェントが反復的で複雑なタスクを処理するため、チームは AI ではできない作業に集中できます。

AI は人間のパフォーマンスを向上させるものであるという原則に導かれたこれらのデジタルコラボレーターは、正確で包括的な人間中心のソリューションを提供するように設計されています。

エージェントの労働力の構築: アーキテクチャのブループリントGoogle のモジュール式アーキテクチャでは、各 AI エージェントに個別の役割が割り当てられ、スケーラブルで効率的かつ管理しやすいシステムが構築されます。このシステムは、人間とシームレスに連携して、仕事をよりスムーズでやりがいのあるものにします。

Google のデジタルチームの主要メンバーと、チームメンバーやお客様に提供するソリューションをご紹介します。

Sage（ヘッドエージェント）: Sage は、他のすべての AI エージェントのパフォーマンスをモニタリングします。Sage はワークフロー全体のパターンから学習することで、各 AI エージェントが人間のチームと調和して機能するよう支援します。主な機能には、インテリジェントエージェントのモニタリング、有用な傾向の認識、オーケストレーションのファインチューニングなどがあります。
オーケストレーターの Ava: Ava はチームのコーディネーターとして、複雑なお客様の問い合わせを管理可能なタスクに分割し、適切な AI アシスタントに割り当てることで、問い合わせを処理します。Ava がお客様と直接やり取りすることはありませんが、プロセスがスムーズに実行され、人間のエージェントがソリューションの提供において中心的な役割を果たすよう支援します。
Lex（タスクスペシャリスト）: Lex は複雑なタスクを専門としており、顧客との通話中に人間のエージェントを支援します。融資の申し込みやエスクロー分析に関する質問に対して、迅速に分析情報を提供します。Lex は舞台裏で機能し、ユーザーが顧客とのつながりに集中して情報に基づいた意思決定を行えるよう、分析情報を提供します。
Sky（データスペシャリスト）: Sky は、社内のナレッジベースやよくある質問をチームが利用できるようにします。ポリシー、手順、定義に関する質問に対して、Sky は正確かつタイムリーな情報を提供します。これにより、ユーザーはデータ検索に時間を費やすことなく、有意義なやり取りに時間を割くことができます。
Remy（メモリエージェント）: Remy は、過去のアクションと結果を記憶することで、ワークフローのパーソナライズと今後の意思決定に役立ちます。Remy のメモリが継続的な学習とトレーニングをサポートするため、人間のエージェントによる共有知識へのアクセスやスキルの継続的な向上がより簡単になります。
評価エージェントの Iris: Iris は、信頼度スコアの評価、ハルシネーションの検出、Model Armor で回答のグラウンディングを行うことで、一貫性と信頼性を確保し、人間のエージェントが信頼性の高いカスタマーサポートを提供できるようにします。

CIERA が実施した分析の例。

実際の活用例: 実際のシナリオ

お客様が「エスクローの支払いが上がると通知が来ました。理由を教えてください。新しい合計支払い額も教えてください。」

CIERA は、自動化された回答のみに頼るのではなく、AI エージェントと人間のチームメンバーとの緊密なパートナーシップに基づいて、すべてのステップが確実に実行されるようにします。

オーケストレーション: Ava はクエリを受け取り、2 つの異なる部分（「理由」と「内容」）を理解し、計画を作成します。Ava は人間のエージェントに相談して正しいコンテキストを確認し、タスクを Lex エージェントに委任します。
並列処理: Ava は人間の監督の下、「理由」のタスクを Lex に割り当て、顧客の最新のエスクロー分析ドキュメントを指示します。同時に、別の Lex エージェントに、当社のシステムからのデータに基づいて新しい合計支払額を計算するよう指示します。
合成: Lex エージェントがドキュメントを読み、人間のエージェントに「支払額の増加は、固定資産税が年間 200 ドル上昇したことが原因です」と報告します。別のエージェントが新しい合計支払い額を確認します。人間も同様に、支払いの計算を確認してから先に進みます。
解決策: Ava は AI が生成したすべての分析情報を収集しますが、人間のエージェントが最終的な回答を検証し、必要に応じてパーソナライズし、顧客に提供する前に明確さ、共感、正確さを確保します。

この人間参加型アプローチにより、複雑で多面的な質問は、高度な AI の効率性と、人間だけが提供できる信頼性によるニュアンスの理解の両方で解決されます。このパートナーシップにより、すべての回答が迅速であるだけでなく、信頼性が高く、お客様のニーズに合わせてカスタマイズされることが保証されます。

品質と信頼性の確保: 「エージェントのパルス」と人間による監督

当社のような規制産業においては、信頼性と正確性は絶対条件です。また、高度な AI をデプロイするには、評価とガバナンスのために同様に高度なフレームワークが必要です。これを実現するために、Google は 2 つの重要なコンセプトを開発しました。

「Agentic Pulse」ダッシュボード: エージェントの健全性とパフォーマンスをモニタリングする中央コマンドセンター。Vertex AI プラットフォーム内のモデルベースの評価サービスを利用して、単純な指標を超えた評価が可能です。Google が追跡する内容:

忠実性: エージェントの回答はソースドキュメントに根拠があるか
関連性: 回答は、お客様の質問に直接対応しているか
安全性: エージェントは有害または不適切なコンテンツの生成を回避しているか
ビジネス指標: これらの品質スコアと、平均処理時間（AHT）や顧客満足度（CSAT）などの従来の KPI をどのように関連付けるか

HITL の「サンドボックス」: 当社の「サンドボックス」環境は、ビジネスチームと技術チームがエージェントのプロセスを安全にレビュー、テスト、改良するためのスペースを提供します。さらに、「Agentic Pulse」でレビュー対象のやり取りにフラグが付けられた場合、人間のエキスパートがエージェントの推論を分析してフィードバックを提供し、改善と学習の継続的なサイクルを確保します。

この堅牢なガバナンスフレームワークにより、Google はこれらの強力なツールを責任を持ってデプロイできると確信しています。

CIERA を利用した理論上の融資分析の例。

予測される効果: 複雑なプロセスから明確な成果へ

CIERA は完全な本番環境に向けて取り組んでいますが、広範なテストとモデリングに基づく予測では、全体的に歴史的かつ変革的な成果が示されています。

お客様の場合: 待ち時間の短縮と初回問い合わせ解決率の向上が見込まれるため、お客様はより迅速に回答を得ることができ、多くの複雑なシナリオで 24 時間サポートのメリットを享受できます。
人間のエージェントの場合: CIERA が面倒な調査を自動化することで、人間のエージェントは、人間的な配慮が必要なデリケートで複雑な顧客関係に集中できるようになり、より魅力的な仕事のためのより良いツールやリソースを作成できるようになります。
当社のビジネスの場合: 問い合わせの大部分の平均処理時間が大幅に短縮され、より迅速かつ正確な解決が可能になることが予想されます。これは、お客様の満足度とロイヤリティを直接的に高める要因となります。

住宅ローン以外にも: 複雑な業界全般に適用できるブループリント

CIERA で開発されたアーキテクチャパターンは、住宅ローンサービスに限定されるものではありません。このエージェントアプローチ（オーケストレーターを使用して専門の AI エージェントのチームを管理する）は、情報とタスクの複雑さに対処することで、医療、物流、製造など、あらゆる業界に適用できる強力な青写真です。

CIERA を使用した一般的なワークフロー。

未来はエージェント主導のコラボレーション

CIERA との取り組みは始まったばかりですが、すでにカスタマーサービスの未来はエージェント主導であるという信念を確固たるものにしています。Mr. Cooper の深い業界専門知識と Google Cloud の世界クラスの AI インフラストラクチャを組み合わせることで、単にボットを構築するだけでなく、デジタル人材を育成しています。

このコラボレーションは、単にコストを削減したり効率を向上させたりするだけではありません。信頼を築き、明確性を提供し、住宅所有の夢にふさわしいカスタマーエクスペリエンスを創出することが目的です。

チームは、エージェントとエージェントフレームワークに関するサポートと技術的リーダーシップ、および ADK、MCP、大規模言語モデルの評価に関する深い専門知識を提供してくれた Google 社員の Sumit Agrawal 氏と Crispin Velez 氏、GSD AI インキュベーションチームに感謝しています。

ー Mr. Cooper、シニアプリンシパルアーキテクト Meenakshi Subramanian

ー Mr. Cooper、リードソフトウェア開発エンジニア Shrihari Srinivasa Murth

10 月 23 日開催「金融サミット '25」コンテナで加速するクラウドシフト：仮想環境からの移行と次世代インフラ構築

Fri, 26 Sep 2025 03:00:00 +0000

金融業界や BaaS 事業社に向けて、国内外の金融機関における、生成 AI 活用事例、デジタル改革成功事例など、 Google Cloud の金融向けソリューションを紹介する「金融サミット '25」を開催します。

本イベントでは、金融業界が抱えている課題に対して Google Cloud がどのようなソリューションを提供できるのかをご紹介いたします。

ぜひこの機会にご参加いただき、貴社の課題解決の一助としていただければ幸いです。

開催日 : 2025 年 10 月 23 日（木） 14:00 - 17:35 (予定)

開催方法：ハイブリッド（Google 渋谷オフィス / オンライン配信）

参加費：無料（事前登録制）

会場定員：250 名
^{※お申し込み多数の場合は抽選とさせていただきます。}

^{お申し込みにあたってのお願い
※ 競合他社様からのお申し込みはお断りさせていただくことがございます。
※ プログラムの内容は予告なく変更になる場合があります。あらかじめご了承ください。}

セッション概要

︎【基調講演】金融イノベーションの最前線: 最新金融リファレンスアーキテクチャと Google Cloud 活用の最新動向
株式会社三菱UFJ銀行山下邦裕氏
Google Cloud 綱田和功

︎みんなの銀行の BaaS 進化と AI 導入
株式会社みんなの銀行宮本昌明氏

︎まだ使ってないの？Agentspace を見つめる SOMPO グループの取り組み
SOMPOホールディングス株式会社土屋敏行氏

︎ビジネスアジリティの追求、その先にあった想定外の'ビックバンのない世界
'株式会社ジェーシービー片岡亮介氏

︎ブラックボックスからの脱却：生成 AI が拓くエンタープライズシステム可視化〜IT モダナイゼーションと保守効率化を実現する実践事例〜
株式会社野村総合研究所岩松航輝氏

︎【パネルディスカッション】金融業界で注目を集める NotebookLM 導入の実際と効果
アコム株式会社福田裕介氏
SBIホールディングス株式会社佐藤市雄氏
株式会社野村総合研究所小林諭史氏
Google Cloud 藤井俊平

︎閉会のご挨拶
Google Cloud 綱田和功

詳細はこちら

【お問い合わせ】
Google Cloud イベント事務局
g-partners@bizevent-support.info

Wells Fargo が Google Cloud AI を使用してエージェントツールで従業員を支援する方法

Wed, 10 Sep 2025 12:30:00 +0000

※この投稿は米国時間 2025 年 8 月 6 日に、Google Cloud blog に投稿されたものの抄訳です。

金融サービス業界は、テクノロジーの転換期を迎えています。AI は、人々が金融機関と関わる方法を根本的に変えており、銀行はかつてないアジリティ、効率性、パーソナライズを実現することを迫られています。

このたび、Wells Fargo と Google Cloud は、戦略的関係の拡大を発表しました。これにより、Wells Fargo がエージェント AI を大規模に使用および導入する方法が変革されます。

このコラボレーションの拡大により、支店の銀行員、投資銀行員、マーケティング担当者、顧客関係チーム、企業チームなど、Wells Fargo の従業員は Google Cloud の AI エージェントとツールを利用できるようになります。

Wells Fargo は、AI エージェントを大規模に構築、管理、導入するための Google Cloud の統合された安全なプラットフォームである Google Agentspace を早期に導入しました。Wells Fargo の従業員とチームは、エージェントを使用して、有意義な分析情報をより迅速に取得し、新たなレベルの効率性とイノベーションを実現できるようになります。これらのエージェントは、情報の検索と統合の高速化、タスクとワークフローの自動化、組織のアジリティの向上に役立ちます。

このコラボレーションは、金融サービスにおけるエージェントの導入の決定的な瞬間を象徴するものです。Wells Fargo の取り組みは、AI を活用してカスタマーエクスペリエンスを向上させ、業務を合理化し、従業員が主導するイノベーションの文化を育むことに重点を置いています。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7fac3aa1c4c0>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

Wells Fargo 全体でのエージェントの実際の応用

エージェントによる検索で情報に簡単にアクセスできるようにし、AI エージェントをカスタマイズできるようにすることで、Wells Fargo は従業員が銀行全体で効率とイノベーションを大幅に向上させることを支援しています。

企業および投資銀行部門では、従業員が複雑な外国為替の取引後に関する問い合わせに回答、トリアージ、要約できるようにするエージェントを構築しています。また、社内のデータソースやシステム全体でポリシーや手順をナビゲートできるようにするエージェントも構築しています。これらのツールを導入すると、銀行員やトレーダーの時間を節約でき、顧客との関係に集中できるようになります。さらに、これらのエージェントは、銀行員にリアルタイムの市場インサイトを提供し、最終的にはクライアントエクスペリエンス全体を向上させることができます。

契約管理を考えてみましょう。Wells Fargo では、ベンダー契約に関連する約 25 万件のドキュメントを扱っています。カスタムエージェントは、これらの膨大なドキュメントを迅速にクエリして、特定の条項、支払い条件、契約の種類、その他の重要な契約情報を含む契約を特定し、一貫性と効率性を高めることができます。

AI エージェントは、デジタル、支店、コールセンターなど、あらゆるチャネルで Wells Fargo のカスタマーサービスに革命をもたらすでしょう。エージェントは、残高照会やデビットカードの交換などのルーチンタスクを自動化できるため、待ち時間を大幅に短縮し、銀行員が複雑なタスクに集中して顧客との関係を深めることができます。また、これらのエージェントは、膨大なデータセットを分析してカスタマイズされたアドバイスや商品のおすすめを提供することで、24 時間 365 日、高度にパーソナライズされたエクスペリエンスを大規模に提供します。

Wells Fargo が Agentspace を使用して活用するその他の機能は次のとおりです。

より深い分析情報と効率性: Agentspace で提供される Google の NotebookLM は、Wells Fargo 内のさまざまな機能の基盤となります。この強力なツールを使用すると、従業員はウェブサイト、ドキュメント、プレゼンテーション、スプレッドシートなどの資料をアップロードし、簡単にクエリ、操作、分析できます。高度な調査、コンテンツの作成、要約や実用的な分析情報の生成など、さまざまなタスクに役立ちます。企業全体の従業員が NotebookLM を活用して迅速かつ正確な回答を得ることで、より迅速かつスマートに作業できるようになり、最終的にはより戦略的な作業に集中するための貴重な時間を確保できます。
インテリジェントな情報発見: Wells Fargo は、従来のキーワード検索から一歩進んで、Google 品質でマルチモーダルな検索を導入します。従業員は、企業データと会話形式でやり取りし、複雑な質問をしたり、従業員ハンドブック、企業ポリシー、運用ツールなど、膨大な数の社内ソースから関連する統合情報を受け取ったりできるようになります。これにより、微妙なポリシーに関する質問や、現在のサービス内容に関する詳細な質問にも、迅速かつ正確に回答できます。

責任ある AI: 基本理念

Wells Fargo と Google Cloud はともに、責任ある AI の開発とデプロイに深く取り組んでいます。この戦略的コラボレーションは、厳格な倫理的および規制的フレームワークによって支えられており、これらの強力なツールが正確性、公平性、透明性、アカウンタビリティ、セキュリティを促進する方法で使用されるようになっています。

Wells Fargo は、AI の実装を企業の価値観や規制上の優先事項に沿って行うための強固な AI ガバナンスを確立し、従業員と顧客の両方からの信頼を築いています。

業務を変革し、イノベーションを加速

最終的に、このコラボレーションの拡大は、新しいテクノロジーを取り入れて顧客により良いサービスを提供することで、Wells Fargo が金融サービス業界の最前線に立ち続けることを目的としています。Wells Fargo は、まず社内でこれらの高度な AI プロダクトを有効にすることで、新しい機能と強化されたエクスペリエンスをお客様に迅速に提供するための強固な基盤を構築しています。

取り組みは始まったばかりですが、ビジョンは明確です。それは、生成 AI が Wells Fargo のすべての従業員を支援し、従業員の働き方、コラボレーション、顧客へのサービス提供の方法を変革する未来です。Wells Fargo と Google Cloud は、ともにその未来を築いています。

Google Agentspace が業務、サービス、カスタマーエクスペリエンスなどの変革にどのように役立つかについて、詳細をご確認ください。

-Tracy Kerrins 氏、 Wells Fargo、消費者向け CIO 兼エンタープライズ生成 AI 責任者

-Rohit Bhat 、Google Cloud、金融サービス担当ゼネラルマネージャー兼マネージングディレクター

Keeta が Spanner で 1 秒あたり 1,100 万件の金融トランザクションを処理

Mon, 25 Aug 2025 01:00:00 +0000

※この投稿は米国時間 2025 年 8 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

Keeta Network は、さまざまなブロックチェーンや決済システム間のトランザクションを統合するレイヤ 1 ブロックチェーンであり、高額な仲介業者が不要で手数料が少なく済むほか、ほぼ即時の決済が可能です。Keeta は、クロスチェーントランザクションを容易にし既存決済システムとの相互運用性を高めることで暗号通貨と法定通貨のギャップを埋め、コンプライアンスに準拠した安全で効率的なグローバルな金融エコシステムを実現します。

2022 年に設立され、Google の元 CEO である Eric Schmidt も支援している Keeta のネットワークは、金融機関に対する厳格な規制および運用要件を満たすように設計されています。ネットワークに組み込まれた顧客理解（KYC）やマネーロンダリング防止（AML）などのオンチェーンコンプライアンスプロトコルは、セキュリティと規制遵守の確保に貢献します。また、Keeta のアーキテクチャは、アセットのトークン化とデジタル ID をネイティブにサポートしているため、ステーブルコインや実資産の移転のためのプラットフォームとして最適です。

最近、Keeta はそのネットワークの検証済み公開ストレステストを実施しました。同社のネットワークは、Google Cloud の水平スケーリング可能な高可用性オペレーショナルデータベースである Spanner を基盤としています。テストでは、Keeta Network が 1,100 万件以上のトランザクション / 秒（TPS）を処理できることが実証されました。これは、従来のレイヤ 1 ブロックチェーンを大幅に上回っており、ブロックチェーン技術の新たな可能性を切り拓くものです。

Keeta は、その可用性と柔軟なスケーラビリティを評価し、Spanner を分散型台帳の基盤として選択しました。これにより、ダウンタイムや高額なオーバープロビジョニング、リスクの高い手動管理をなくし、必要に応じてスケールアップまたはスケールダウンすることが可能になりました。Google Cloud は Keeta のストレステストの準備と実施にも深く関わり、インフラストラクチャと技術ガイダンスを提供することによってネットワークの実環境パフォーマンスの検証に貢献しました。

Spanner のフルマネージドの運用と使い慣れたリレーショナル環境により、Keeta はデータベースインフラストラクチャや分散システムではなく、ネットワークに集中することができました。ピーク時には、Spanner は 1 秒あたり 300,000 件のクエリを処理し、耐久性のある状態を読み書きして、残高の読み取り、権限の確認、競合の解決、投票の公開を行いました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7fac3a5a0400>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

汎用的な単一のネットワークを実現

Keeta は、すべてのネットワークをつなぐブロックチェーンとなることをミッションとし、あらゆる決済ネットワークとアセットの共通基盤となる統合プラットフォームを構築しました。Keeta Network の基盤アーキテクチャには、有向非巡回グラフ（DAG）構造が採用されています。従来のブロックチェーンアーキテクチャと異なり、DAG では多数の個別アカウントでトランザクションを並行処理できます。これにより、レイテンシを短縮し、既存ソリューションで問題となりがちな一般的なボトルネックを回避できます。

ネットワークは、2 段階の投票プロセスでオペレーションを承認または拒否します。台帳の更新前に、各トランザクションは、投票権を持つ代表者のグループによって検証される必要があります。個々のステップには、Spanner の ACID（アトミック性、整合性、独立性、耐久性）トランザクションと厳格な外部整合性が活用されており、サービスの停止やネットワークの分断が発生した場合でも正確性と耐久性が保たれます。

Keeta Network にはその設計上、制限がないため、水平方向にスケーリングして参加者の需要の増加に対応できます。同様に、Spanner はスケールアウトアーキテクチャを特徴とし、整合性とレイテンシを維持しながら世界中の数十のリージョンで読み取りと書き込みを線形スケーリングできます。

さらに、スループット要件が下がると連動してスケールダウンするように代表者を構成することも可能です。Spanner では、負荷の最も大きいピークの条件下でも、スケールアップとスケールダウンは常にオンラインオペレーションとして実行されます。Keeta は、実際の需要に基づいて Spanner インスタンスのサイズを動的に調整することで、費用を節約しています。

ピーク時に毎秒 1,000 万件以上のトランザクションを処理するライブテストの結果

実環境での Keeta のパフォーマンスをテスト

Keeta のテスト用ネットワークは 4 つの代表ノードで構成され、そのそれぞれがネットワーク上で投票を行いました。目標のトランザクション数を処理するために、3,000 万を超える合成アカウントが 250 億件を超えるトランザクションを生成し、4 つの異なるリージョンの Spanner インスタンスにデータを読み書きしました。代表ノードを追加しても確定プロセスの複雑さが大きく変わらなかったことは、特筆に値します。

ネットワークの性能を徹底的にテストするために、ストレステストでは「ファンアウト」方式を採用して並列スループットと巨大なスケールを実証することにしました。まず、1 つのアカウントを使用して、すべてのアカウントに資金を分配するプロセスを開始しました。この最初のソースアカウントによって、各 20 件のトランザクションを含む多数のブロックが作成され、これらのブロックを使用してさらに 6 万から 12 万のアカウントに資金が供給されました。さらに、これらのアカウントそれぞれが追加のトランザクションを送信しました。このプロセスを何度も繰り返して、テスト中に使用されたアカウントの合計が 3,000 万に達しました。

第三者である Chainspect の検証の結果、ネットワークは 11,122,116 件のトランザクション / 秒（TPS）を達成し、Keeta の目標である 1,000 万 TPS をはるかに上回りました。

ブロックチェーンテクノロジーを新たな高みへ

このスケーラビリティを実証することで、Keeta はそのビジョンである「断片化されたグローバル経済をつなぐ」ことに一歩近づきました。既存のソリューションは、従来の金融取引に求められるスケーラビリティを備えておらず、グローバルな金融機関の橋渡しをすることができていません。Spanner と Google Cloud は、ネットワークと同じペースでスケーリングするインフラストラクチャを大きな再構築や予測不能なコストなしで実現し、これにより Keeta は自信と大きな技術的優位性を獲得しました。

Keeta の事例は、ブロックチェーン技術が、国境を越えた支払い、POS トランザクション、さまざまなアセット移転などの重要なオペレーションを改善できるときが来たことを示しています。対象となる市場の大きさを理解するために、次の事実について考えてみてください。毎日、数兆ドル相当の価値が、旧来の金融システム内で移転されています。そして、Keeta Network は、新しい相互接続されたエコシステムの基盤となるために必要なスピード、規模、セキュリティを備えていることを証明したのです。

金融サービス、小売、エンターテイメント、メディアなどの業界のリーダーは、最も重要な運用ワークロードの強化に、すでに Spanner を利用しています。組織の次の成長マイルストーンで、ストレスを軽減し開発チームを成功に導くうえで Spanner がどのように役立つかについて詳しくは、こちらのページをご確認ください。

-Keeta、Network CEO Ty Schenk 氏

-Google、シニアプロダクトマネージャー Justin Makeig

Google の Agent Development Kit と Gemini を使用して 3 ステップでマルチエージェント KYC ワークフローを構築

Mon, 23 Jun 2025 02:00:00 +0000

※この投稿は米国時間 2025 年 6 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

顧客理解（KYC）プロセスは、金融サービス機関の規制遵守の取り組みとリスク軽減戦略の基盤となります。KYC とは、金融機関が顧客の身元を確認し、関連するリスクを評価する方法です。しかし、顧客は即時の承認を求めるのに対し、KYC プロセスは手作業で時間がかかるうえにエラーが発生しやすいため、金融サービス機関はこのプロセスを効率化する必要に迫られています。

ここで朗報です。LLM の機能向上とともに、LLM で有用なアクションを実行するためのツールも増加しており、これにより KYC プロセスを強化するための堅牢な「エージェント」アーキテクチャを採用できるようになっています。これこそまさに金融サービス機関が必要としているものです。ここでの課題は堅牢な AI エージェントの構築は複雑だという点です。Google の Agent Development Kit（ADK）は、マルチエージェントワークフローを構築するための重要なツールを提供します。さらに、Gemini を介して ADK と Google 検索によるグラウンディングを組み合わせることで、外部知識を必要とするタスクにおいて、高い忠実度（現実と合致した結果）と信頼性を実現できます。これらを組み合わせることで、金融サービス機関は次のようなメリットを得られます。

効率の向上: KYC ワークフローの大部分を自動化し、手作業の負担と処理時間を削減します。
精度の向上: AI を活用して、一貫したドキュメント分析と包括的な外部チェックを実現します。
コンプライアンスの強化: 明確なレポートと、情報源の帰属情報（グラウンディングによるもの）で監査可能性が向上します。

これを受けて、今回の投稿では、Google Cloud の最先端の AI テクノロジーであるAgent Development Kit（ADK）、Vertex AI Gemini モデル、検索グラウンディング、BigQuery を活用して、上述のようなマルチエージェント KYC ソリューションを構築する方法について説明します。

aside_block: <ListValue: [StructValue([('title', '300 ドル分の無料クレジットで Google Cloud の AI と ML を試用'), ('body', <wagtail.rich_text.RichText object at 0x7fac3a2c0670>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

Google Cloud の技術スタック

本日ご紹介するマルチエージェントアーキテクチャでは、次の重要な Google Cloud サービスを効果的に活用しています。

Agent Development Kit（ADK）: エージェントの作成とオーケストレーションを簡素化します。ADK はエージェントの定義、ツールのインテグレーション、状態管理、エージェント間の通信を処理します。プラットフォームやモデルに依存しないエージェントフレームワークであり、複雑なエージェントワークフローを構築するための基盤を提供するものです。
Vertex AI と Gemini モデル: エージェントは、Vertex AI でホストされている Gemini モデル（gemini-2.0-flash など）を活用しています。これらのモデルはコアとなる推論、指示の実行、言語理解の機能を提供します。Gemini のマルチモーダル分析（ID やドキュメント内の画像を処理）と多言語サポート機能により、多様な顧客ベースの KYC プロセスをさらに強化できます。
検索グラウンディング: Resume_Crosschecker エージェントと External_Search エージェントで使用される google_search ツールは、Gemini の Google 検索グラウンディング機能を活用しています。これにより、Gemini モデルの回答が Google 検索のリアルタイム情報に接続され、ハルシネーションが大幅に減少するとともに、検証可能な最新の一般公開データに基づいて外部チェックが行われるようになります。エージェントはグラウンディングメカニズムによって提供されるソース（URI）を引用するように指示され、透明性と監査可能性が向上します。
BigQuery: search_internal_database カスタムツールは、BigQuery と直接統合されています。KYC_Agent は、ワークフローの初期段階でこのツールを使用して、顧客プロファイルが金融機関の内部データウェアハウスにすでに存在するかどうかを確認します。これにより、エントリの重複を防いで既存の情報を活用できます。つまり、エージェントが内部の構造化データセットと安全にやり取りできます。

詳細に解説: 3 ステップで KYC エージェントを構築する方法

ここで取り上げる Google の KYC ソリューションの例では、ルートエージェント（KYC エージェント）を利用して、以下のような複数の専門サブエージェントをオーケストレートします。

ドキュメントチェッカー: アップロードされたドキュメント（ID、住所証明、銀行取引明細書など）を分析し、ドキュメント間の整合性、有効性、不一致の可能性をチェックします。
履歴書クロスチェッカー: グラウンディングを伴うウェブ検索を使用して、顧客の履歴書の情報が LinkedIn や企業のウェブサイトなどの公開情報と一致しているかどうかを確認します。
外部検索: ネガティブな情報、重要な公的地位を有する人物（PEP）のステータス、制裁対象リストへの掲載状況を確認するため、グラウンディングを伴うウェブ検索を使用して外部デューデリジェンスを実施します。
資産計算ツール: 財務文書を分析し、純資産を計算して、資産の出所の正当性を確認することで顧客の財務状況を評価します。

ルート KYC_Agent はワークフロー全体を管理し、これらの子エージェントを順番に呼び出して、顧客が内部データベースにすでに存在するかどうかの確認や、KYC リクエストを追跡するための一意のケース ID の生成といったタスクを処理します。

サブエージェントとツールを含む KYC エージェントの構造を示した図

ステップ 1: ルートエージェント（ユーザーからの最初のリクエストを受け取る）と、KYC プロセスに関連する専門のタスクを処理する子エージェントを定義します。

code_block: <ListValue: [StructValue([('code', '# kyc_agent/agent.py（サンプルコード）\r\n\u200b\r\n# 子エージェントの定義（簡略版）\r\ndocument_checker_agent = Agent(\r\n model=MODEL, # 例: gemini-2.0-flash-001\r\n name="Document_Checker",\r\n description=\'Analyses documents and finds discrepancies...\',\r\n instruction=instructions_dict[\'Document_Checker\'],\r\ngenerate_content_config=GenerateContentConfig(temperature=0.27),\r\n)\r\n\r\nresume_crosschecker = Agent(\r\n model=MODEL,\r\n name=\'Resume_Crosschecker\',\r\n description=\'Uses `google_search` tool for verifying resume...\',\r\n instruction=instructions_dict[\'Resume_Crosschecker\'],\r\n tools=[google_search], # 検索グラウンディングを活用\r\n generate_content_config=GenerateContentConfig(temperature=0.27),\r\n)\r\n\r\nexternal_search_agent = Agent(\r\n model=MODEL,\r\n name="External_Search",\r\n description=\'Uses `google_search` tool to find negative news...\',\r\n instruction=instructions_dict[\'External_Search\'],\r\n tools=[google_search], # 検索グラウンディングを活用\r\n generate_content_config=GenerateContentConfig(temperature=0.27),\r\n)\r\n\r\nwealth_calculator_agent = Agent(\r\n model=MODEL,\r\n name="Wealth_Calculator",\r\n description="Assesses the client\'s financial position...",\r\n instruction=instructions_dict[\'Wealth_Calculator\'],\r\n generate_content_config=GenerateContentConfig(temperature=0.27),\r\n)\r\n\r\n# Resume_Crosschecker エージェントをラップする\r\nresume_crosschecker_tool = AgentTool(agent=resume_crosschecker_agent)\r\n\r\n# External_Search エージェントをラップする\r\nexternal_search_tool = AgentTool(agent=external_search_agent)\r\n\r\n# ワークフローをオーケストレートするルート KYC エージェント\r\nroot_agent = Agent(\r\n model=MODEL,\r\n name="KYC_Agent",\r\n description="KYC Onboarding Assistant",\r\n # 元のツールとともに AgentTool ラッパーをツールリストに追加する\r\n tools=[\r\n generate_case_id,\r\n search_internal_database,\r\n resume_crosschecker_tool, # AgentTool\r\n external_search_tool # AgentTool\r\n ],\r\n sub_agents=[\r\n document_checker_agent,\r\n wealth_calculator_agent\r\n ],\r\n generate_content_config=GenerateContentConfig(temperature=0.27),\r\n instruction=instructions_dict[\'KYC_Agent\'], # LLM がツールを名前で呼び出すように指示する\r\n global_instruction=\'You will always give detailed responses and follow instructions\'\r\n)'), ('language', 'lang-py'), ('caption', <wagtail.rich_text.RichText object at 0x7fac3a756880>)])]>

ステップ 2: エージェントがそれぞれのタスクを実行するために必要なツールを定義します。

code_block: <ListValue: [StructValue([('code', '# kyc_agent/custom_tools.py（サンプルコード）\r\n\r\ndef search_internal_database(input_name: str) -> Dict[str, Any]:\r\n """\r\n Finds names in an internal BigQuery table...\r\n """\r\n try:\r\n client = bigquery.Client(project=PROJECT_ID)\r\n query = f"""\r\n SELECT `Full Name`, `UID`, `Risk Level`, `Citizenship`, `Networth`\r\n FROM `{TABLE_NAME}` # constants.py で定義\r\n WHERE LOWER(`Full Name`) LIKE LOWER(\'%{input_name}%\')\r\n """\r\n query_job = client.query(query)\r\n results = query_job.result()\r\n df = results.to_dataframe()\r\n return df.to_dict(\'records\')\r\n except Exception as e:\r\n error_message = f"An error occurred with BigQuery: {e}"\r\n # エラーを処理し、別のデータソースにフォールバックする可能性がある\r\n # 必要に応じてフォールバックロジックをここに記述する\r\n return {"error": error_message}'), ('language', 'lang-py'), ('caption', <wagtail.rich_text.RichText object at 0x7fac3a756a00>)])]>

ステップ 3:「adk web」コマンドを使用してエージェントをローカルで実行します。ADK には、開発者が開発プロセス中にエージェントを可視化してデバッグするための組み込みの UI が用意されています。

エージェント開発に使用される ADK 開発 UI のスクリーンショット

今すぐ構築を開始

このマルチエージェント KYC アーキテクチャは、ADK、Gemini、検索グラウンディング、BigQuery を組み合わせることで実現する大きな効果を示しており、複雑なビジネスプロセスに対応するインテリジェントな自動化ソリューションを構築するためのブループリントを提供します。

詳細: 使用されているテクノロジーについてさらに詳しく学ぶ:

独自に構築: このパターンを独自の KYC 要件に合わせて調整し、デプロイ用のサービス（Cloud Run など）を使用して Google Cloud 上の既存のシステムと統合します。
お問い合わせ: 組織に最適な AI 搭載 KYC ソリューションを実装するにあたり、より詳細なご相談をご希望の場合は、Google Cloud の営業担当者までお問い合わせください。

Google Cloud の AI スタックを活用したマルチエージェントアプローチを採用することで、金融サービス機関は KYC プロセスを変革し、デジタル化が進む現代において効率性、精度、コンプライアンスの向上を実現できます。

ー生成 AI ソリューションアクセラレーションアーキテクト、Salomone D

ー AI ソリューションアクセラレーションアーキテクト、Aishwarya Prabhat

Google Cloud 、三菱ＵＦＪ銀行が新設するデジタルバンクの勘定系システム基盤に採用

Tue, 27 May 2025 02:00:00 +0000

Google Cloud は本日、株式会社三菱ＵＦＪ銀行（以下、MUBK）が新設するデジタルバンクの勘定系を含むシステム基盤として Google Cloud が採用されたことを発表しました。

Google Cloud は、2021年に株式会社みんなの銀行が設立した日本初のデジタルバンクの勘定系に選定され、すでにデジタルバンクでのシステム構築経験があります。Google Cloud は、様々な金融関連企業を支援してきた豊富な経験とノウハウおよび最新の Google Cloud の技術を提供することで、MUBK のデジタル変革を支援してまいります。

SIGNAL IDUNA が生成 AI でカスタマーサービスを強化

Tue, 01 Apr 2025 01:01:00 +0000

※この投稿は米国時間 2025 年 3 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

昨今の保険加入者は、以前と比べて保険会社への期待が高くなっており、デジタルサービスがシンプルであること、個人的な問題について相談したいときにすぐにサービス担当者とつながれること、提出した請求書に関して迅速なフィードバックが得られることを求めています。保険会社のほうでは、問い合わせの増加、熟練した従業員の不足、従業員の退職に伴う専門的な知識や経験の喪失により、これらの要求を満たすことがますます困難になっています。

ドイツの大手総合保険会社で、特に医療保険で知られる SIGNAL IDUNA は、迅速かつ正確な対応の必要性が高まっていることを認識し、Google Cloud の生成 AI を活用した最先端の AI ナレッジアシスタントを導入しました。

SIGNAL IDUNA の顧客、サービス、変革担当取締役である Johannes Rath 氏は次のように述べています。「当社は、他社に先駆けて人間と AI のコラボレーションの可能性を解き放ちました。テクノロジーと対象分野のエキスパートを結びつけてプロセス効率の概念を再定義し、卓越したカスタマーエクスペリエンスを実現しました。」

SIGNAL IDUNA は、Google Cloud、BCG、Deloitte と連携して、サービスエージェントが顧客からの複雑な問い合わせを迅速かつ正確に解決できるようにする AI ナレッジアシスタントを開発しました。この革新的なソリューションは、Google のマルチモーダル Gemini モデルなどの Google Cloud AI を使用して、エージェントが関連ドキュメントを見つけて包括的な回答を提供するまでの時間を 30% 短縮し、最終的に顧客満足度を高めています。

aside_block: <ListValue: [StructValue([('title', '300 ドル分の無料クレジットで Google Cloud の AI と ML を試用'), ('body', <wagtail.rich_text.RichText object at 0x7fac44684400>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

課題: 昨今の顧客の期待に応える

保険業界の多くの組織がそうであるように、SIGNAL IDUNA も大きな業務上の負担を抱えていました。保険商品の複雑さに加え、迅速かつ正確な対応に対するニーズの高まりにより、サービスのエクスペリエンスに影響するボトルネックが発生しやすくなります。

たとえば、AI ナレッジアシスタントを導入する前は、サービスエージェントが質問に答えたり、顧客の問題を解決したりするために必要な情報を見つけるまでに、保険約款、保険料情報、ガイドライン、標準業務手順など何千もの社内ドキュメントで、何百もの異なる保険料について手作業で探す必要がありました。このため、問い合わせの 27% は、他の部門や担当者へのエスカレーションが必要となり、解決が遅れ、費用が増加し、評判が損なわれる可能性がありました。

SIGNAL IDUNA は、この複雑なプロセスを生成 AI の主要なユースケースの一つとして優先し、エージェントが顧客の問い合わせ、特に医療保険に関するものに迅速かつ正確に回答できるようにする AI アシスタントを開発しました。この AI ナレッジアシスタントは、600 を超える異なる保険料に関する 2,000 以上の社内ドキュメントを基に構築されています。エージェントは自然言語で質問して正確な回答を得ることができるため、関連する情報を検索する時間が大幅に短縮されます。

SIGNAL IDUNA の生成 AI システムの詳細

Google Cloud、BCG、Deloitte の協力のもと、SIGNAL IDUNA は Google Cloud の AI プラットフォーム Vertex AI を使用して洗練された生成 AI アーキテクチャを構築しました。また、Gemini 1.5 Pro の長文コンテキスト処理機能を活用して、膨大な数のドキュメント内で適切な情報に迅速かつ正確にアクセスできる AI ナレッジアシスタントを開発しました。このシステムは、複数のステップで、多様なソースからの広範な情報を集約して処理するものです。エージェントは、顧客からの問い合わせに効果的に対応するために必要となる完全なコンテキストにアクセスできます。

主なステップは次のとおりです。

エンドツーエンドのアーキテクチャ図

1. データの前処理と抽出

さまざまなドキュメントタイプからナレッジベースを構築します。ドキュメントは通常は PDF 形式で、契約に関するドキュメント、業務手順、一般的な利用規約などがあります。

SIGNAL IDUNA は、Google Cloud Document AI の Layout Parser と PDFPlumber を組み合わせたハイブリッドアプローチを使用して、これらの PDF を解析し、テキストコンテンツを抽出しています。テキストセグメントの抽出は Layout Parser が担っていますが、PDF の品質上可能であれば、PDFPlumber がテーブルの抽出を強化します。抽出されたテキストはクリーンアップされ、Google の Gecko 多言語エンベディングモデルによってチャンク化され、追加のメタデータで強化されることで、その後の効果的な情報の処理および分析が可能になります。

ベクトル化されたテキストの保存には Google Cloud SQL for PostgreSQL と、PostgreSQL の拡張機能 pgvector を使用しています。これは、当社のニーズに非常に効果的なベクトルデータベースソリューションです。ベクトル化されたテキストチャンクを Cloud SQL に保存することで、スケーラビリティ、信頼性、他の Google Cloud サービスとのシームレスな統合といったメリットがもたらされる一方、pgvector によって効率的な類似検索機能が可能になります。

2. クエリの拡張

クエリの拡張では、ベクトルストアからのドキュメントの取得と回答の生成の両面において、ユーザーの質問の構成を改善するために複数のクエリが生成されます。元の質問は、いくつかのバリアントに再構成され、元のクエリ、書き換えられたクエリ、模倣クエリの合計 3 つのバージョンが作成されます。その後、これらを使用して、関連するドキュメントが取得され、最終的な回答が生成されます。

書き換えられたクエリについては、Gemini Pro 1.5 を使用して元の質問のスペルミスが修正されます。また、事前定義された用語の類義語を追加したり、特定の用語（「治療法」「補助具」「wahlleistung / オプションサービス」など）にカテゴリをタグ付けしたりすることで、クエリが拡張されます。選択された保険料に関する情報も、クエリの拡充に使用されます。たとえば、ブランドや契約タイプなどの保険料の属性がデータベースから抽出され、構造化形式でクエリに追加されます。こうした具体的な調整により、特別な料金コードを処理できるようになり、保険料の接頭辞に基づいてさらにコンテキストが追加されます。

模倣クエリについては、Gemini Pro 1.5 を使用して、ソース資料との意味上の類似性を向上させるために、保険に関する専門的なドキュメントの文言を模倣するように質問が書き換えられます。また、会話履歴が考慮され、年齢の書式設定が処理されます。

3. 検索

システムは最初にクエリキャッシュをチェックします。クエリキャッシュには、以前に答えた質問とそれに対応する回答が保存されています。同じ質問、または非常に似ている質問が以前に解決していた場合は、キャッシュに保存されている回答が取得されるため、迅速な回答が可能となります。この効率的なアプローチにより、情報への迅速なアクセスが保証され、冗長な処理を回避できます。

キャッシュの精度は、フィードバックループによって維持されます。正しく回答された質問がユーザーの賛成票によって特定され、キャッシュに保存されます。キャッシュに保存された回答に反対票が投じられると、キャッシュが即座に無効化され、関連性の高い有益な回答のみが提供されるようになります。この動的なアプローチにより、システムの効率と精度が時間の経過とともに向上します。クエリキャッシュに一致する質問が見つからない場合、検索プロセスはベクトルストアにフォールバックするので、システムは新しい質問にも回答できます。

システムは、クエリキャッシュまたはベクトルストアから関連する情報チャンクを取得した後、Vertex AI Ranking API を使用してそれらを再ランク付けします。この重要なプロセスでは、さまざまなシグナルを分析して結果を精査し、関連性を優先して、最も正確で有益な情報が提供されるようにします。

検索においては、完全かつ正確な回答を保証することが最も重要ですが、一部のクエリには、ソースドキュメント以外の情報も必要であることがわかりました。この問題に対処するために、システムはキーワードベースの拡張によって最終プロンプトを補完し、回答の生成のために、より包括的なコンテキストを提供します。

4. 生成

回答の生成プロセスには、3 つの主要な要素が含まれます。複数のクエリを含むユーザーの質問、取得された関連情報のチャンク、さらにコンテキストを追加する拡張です。これらの要素を組み合わせ、複雑なプロンプトテンプレートを使用して、最終的な回答が作成されます。

サービスエージェントにとって、ニアリアルタイムのエクスペリエンスを提供することは非常に重要です。そのため、SIGNAL IDUNA は生成された回答のストリーミングも行います。AI ナレッジアシスタントの開発中、入力に基づいてレイテンシを最小限に抑えることは、技術的に大きな課題でした。この課題に対処するため、SIGNAL IDUNA はデータのストリーミングと複数リクエストの処理に非同期 API を使用して、処理時間を短縮しました。現在、このシステムは平均約 6 秒の回答時間を達成しており、SIGNAL IDUNA は、この時間をさらに短縮するために、より高速な新しいモデルをテストしています。

5. 評価

検索拡張生成（RAG）システムを最適化するには、厳格な評価が不可欠です。SIGNAL IDUNA は、Vertex AI の Gen AI Evaluation Service を使用して、回答の質とプロセス全体におけるパフォーマンス（検索など）の両方の評価を自動化しています。これらの自動テストの基礎となるのは、SIGNAL IDUNA のサービスエージェントからのインプットによって作成された包括的な質問セットです。

評価結果は、Vertex AI Experiments と Google Cloud BigQuery にシームレスに流れます。そのため、Google Cloud 上の Looker を使用してダッシュボードを作成することで、パフォーマンスの傾向を可視化し、実用的な分析情報を得ることができます。

Looker を利用した AI ナレッジアシスタントの評価について詳しく見てみましょう。

チャンクの取得: SIGNAL IDUNA は最初に、関連する情報チャンクの取得を評価します。この段階での指標は、モデルがソースデータから必要な情報をどれだけ効果的に特定し、収集しているかの評価に役立ちます。その際は、再現率、適合率、F1 スコアなどの生成 AI の指標を追跡して、検索プロセスの改善点を特定します。正しい情報を取得することは、適切な回答の生成の基盤となるため、これは非常に重要なことです。
ドキュメントの再ランク付け: 関連するチャンクが取得されたら、最も関連性の高い情報が優先されるように再ランク付けします。Looker ダッシュボードでは、この再ランク付けプロセスの効果をモニタリングできます。
生成された回答と期待された回答の比較: 最後の段階では、生成された回答と期待された回答を比較します。SIGNAL IDUNA は、生成された出力の質、精度、完全性を評価し、大規模言語モデル（LLM）を利用して、生成された回答と期待された回答との類似性を評価しています。
説明の生成: LLM の評価の根拠を理解するために、SIGNAL IDUNA は判断の説明を生成しています。これにより、生成された回答の長所と短所に関する貴重な知見が得られ、改善すべき具体的な領域を開発者が特定できるようになります。

この多段階の評価アプローチにより、SIGNAL IDUNA はモデルのパフォーマンスを総合的に把握し、各段階でデータドリブンな最適化を実現できます。Looker ダッシュボードは、これらの指標を可視化するために重要な役割を果たし、開発者がモデルの優れた点と改善が必要な点を簡単に特定できるようにします。

現実世界への影響: AI による効率性と生産性の向上

SIGNAL IDUNA は、AI アシスタントが同社の従業員に測定可能な付加価値をもたらしたかどうかを判断するために、合計 20 人の従業員（社内と外部プロバイダ）を対象にテストを実施しました。このテストでは、AI ナレッジアシスタントありの場合となしの場合で顧客の要望に対応し、その影響を評価しました。

特に注目すべきメリットの一つは、処理時間の短縮です。以前は、多数のデータソースの検索に時間がかかっていました。このテストの結果、AI ナレッジアシスタントを使用することで、コアとなる処理時間（情報検索と回答の作成）が約 30% 短縮されることがわかりました。また、専門家の評価により、回答の質が向上していることも確認できました。時間の短縮は、医療保険の経験が 2 年未満の従業員で特に顕著でした。

さらに、AI ナレッジアシスタントにより、ケースのクローズ率も大幅に向上しました。医療保険は非常に複雑な分野であり、外部サービスプロバイダを利用している場合、すべての従業員が常にすべての顧客の質問に答えられるとは限りません。AI ナレッジアシスタントのサポートにより、SIGNAL IDUNA のケースクローズ率は 73% からほぼ 98% まで、約 24% ポイント上昇しました。

将来を見据えたスケーリング

SIGNAL IDUNA の CIO である Stefan Lemke 氏は次のように述べています。「SIGNAL IDUNA は、Google と協力して、当社のコアビジネスプロセスの一つに生成 AI を適用することに成功しました。今後は、この優れたテクノロジーを組織全体に拡大していきます。ツールの規模を拡大するだけでなく、イノベーション、学び、そして達成できることの可能性も拡大するのです。」

生成 AI は、プロセスの最適化と革新的なソリューションの開発に計り知れない可能性をもたらします。SIGNAL IDUNA では、各ビジネスチームが分散的にテクノロジーを試し、カスタマイズされたアプリケーションを開発するという革新的なアプローチにより、次世代の保険ソリューションとサービスの先駆けとなる準備が整っています。

それと同時に、SIGNAL IDUNA は、得られた知見を全社的に拡大し、それぞれのチーム、リソース、部門の力を結集して活用するための一元的な基準を確立しています。この戦略的決定により、コードライブラリ、インフラストラクチャのブループリント、一元的に提供されるサービスなどの貴重なリソースを作成できました。

確立された標準とベストプラクティスにアジリティを組み合わせることで、SIGNAL IDUNA は新しい要件に迅速に対応できるようになり、効率性と顧客満足度の新たな基準を打ち立てました。

^{このプロジェクトは、Google の Max Tschochohei、Anant Nawalgaria、Corinna Ludwig と、SIGNAL IDUNA の Christopher Masch 氏、Michelle Mäding 氏を中心的なチームメンバーとして実現されました。}

-Google、シニアスタッフ ML エンジニア Anant Nawalgaria
-Google、AI エンジニアリング担当責任者 Max Tschochohei