リテール

FM Logistic が AlphaEvolve を使って倉庫規模の「巡回セールスマン問題」を解決

Wed, 08 Apr 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 3 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

巡回セールスマン問題とは、「すべての地点を 1 回ずつ訪問する最短ルートは何か」という、一見すると単純な問題です。これはコンピュータサイエンスにおける最も難しい問題の一つであり、数学者は 1 世紀近くもこの問題に取り組んでいます。また、FM Logistic のポーランドの倉庫作業員が日々直面している課題でもあります。

倉庫は全体でサッカー場 8 面分の広さがあり、ピッキングポイントの数は 17,700 を超えています。シフトごとの作業員数は数十人にのぼり、その各人が電動車両に乗ってフロアを縦横に駆け巡り、1 度の巡回で数十か所の保管場所を回って段ボール箱を回収します。こうした作業において、不要な経路が積み重なっていくと、時間が無駄になるだけでなく、車両の劣化や、納品の遅延にもつながります。

14 か国以上でグローバル事業を展開する物流プロバイダの FM Logistic は、すでにルーティングを最適化する仕組みを有していました。既存のモデルは、費用優先の高速なルート割り当てロジックに基づき、リアルタイムで応答を得られるようなものです。これはこれでうまく機能していましたが、ルートの判断がその都度行われる仕組みになっており、倉庫全体から見たルート調整能力に限界がありました。一度のシフトで同時に働く作業員数が数十人にのぼることを考えると、ルートがわずかでも改善されれば、大きな効果に直結します。

そこで導入されたのが、Google Cloud の AlphaEvolve です。

AI に、もっと優れたアルゴリズムを書いてもらう

AlphaEvolve は、Gemini モデルを使ってアルゴリズムを自律的に生成、改良する進化型のコーディングエージェントです。固定ルールからスケジュールを計算するのではなく、コーディングパートナーのように動作するのが特徴で、新しいコードを記述し、スコアを付け、最初のコードよりも優れたソリューションが見つかるまで反復処理を行います。

この取り組みをゼロから始めたわけではありません。既存のアルゴリズムを AlphaEvolve に「シード」プログラムとして提供しました。このアルゴリズムは、各ステップごとに、最善と思われるルートをその都度採用するというものです。この実際に使用されているアルゴリズム（すでに問題を解決しており、まだ最適化の余地があるもの）をベースラインとして使用し、Gemini を使って変更や新しいロジックを加えて新たなコードを生成して、人間が設計した元のコードを上回ることができるかどうかを調べました。

改善結果の評価

AlphaEvolve によって改善するには、各アルゴリズムのパフォーマンスを測定する方法が必要となります。そこで、60 件の巡回（合計 1 時間以上の作業員データ）を代表的なデータセットとして使ってカスタム評価関数を設計し、生成された数千のアルゴリズムを実際の状況下でテストしました。

この評価では、「ピックごとの平均移動距離を最小に抑える」という基本的な目標に基づいてコードをスコア付けします。また、運用上の問題を回避するため、フォークリフトの容量超過や、注文品の回収漏れ、同じ箱の重複割り当て、注文の先入れ先出しルール違反、リアルタイム運用で許容される計算時間の超過といった事象にそれぞれペナルティを設け、不適切な解を避けられるようにしています。

結果

新しいルーティングロジックでは、過去最良だったベースラインからの改善をただちに数値で確認できました。

過去最良のソリューションと比較して、ルーティング効率が 10.4% 向上。
全体で、倉庫内の移動距離が年間 15,000 km 以上削減。

この効率化により、人員や車両を増やすことなく、従来と同じ作業員数および設備でより多くの注文を処理できるようになりました。

FM Logistic のグループ CIO である Rodolphe Bey 氏は、次のように述べています。「Google Cloud と協力して AlphaEvolve および Gemini を実装したことで、このスピードが要求される業務においてルーティングアプローチをさらに最適化することができました。既存のアルゴリズムもすでに高度に最適化されていたため、そのベースラインを超えることは困難と思われましたが、上乗せで 10.4% の改善を実現しました。この改善は、納品のスピードアップや、労働条件の改善、車両の劣化軽減に直結しています。」

最終的に勝ち残ったアルゴリズムの動作

AlphaEvolve の実験を繰り返し、実験のたびに数百の候補プログラムを生成するという方法によって、人間が設計した最良のアルゴリズムを上回る新しいアルゴリズムが生み出されました。この新しいアルゴリズムは、人間が解読可能なルールセットとなっており、倉庫チームが内容を確認して適宜調整することが可能です。

3 つの主な改善点:

密度ベースの開始点（アンカー選択）: 旧システムでは、最も多くのピッキングが必要な一か所を開始点として選択していました。新しいアルゴリズムでは、開始点を広く捉えるようになっています。具体的には、互いに近くにあるアイテム同士をクラスタ化して、アイテムが密集しているエリアを開始点（基点アンカーグループ）として使用します。この方法によって、すべての巡回において開始点の効率が高められます。
距離シミュレーションにおけるフィルタリング: リアルタイムに通用する速度を維持するため、2 段階の処理プロセスを使用しています。まず、クイックフィルタによって、ルートロジックに適さない注文を除外します。続けて、残った適切な候補に対してのみ厳密な距離シミュレーションを実行することで、スピードを落とすことなく最も効率の良い経路を見つけています。
柔軟なルート構築: ある出発点から初めて、トラックを効率的に満載にできなくなった場合、無駄なルートを強制することはありません。メインプールにいったん積み荷を戻し、後でもっと良いルートでピックすることで、倉庫全体で効率を向上させています。

次のステップ

ポーランドでの試験運用（現在は本番環境に移行済み）では、倉庫規模の複雑なルーティングにおいて、進化型 AI が役立つことが示されました。FM Logistic は現在、大量の商品を扱っている他の e コマース施設にもこのアルゴリズムを適用することを計画中です。また、AlphaEvolve を道路輸送にも応用し、トラックが積載量に満たない場合の効率化に役立てられないかどうか探っています。さらに、倉庫内の商品配置にも AI を活用して移動距離をさらに短縮できないかどうか検討中です。

^{このプロジェクトは、FM Logistic チーム（Mateusz Klimowicz、Jarosław Urbański、Florent Martin、Alberto Brogio）、Google Cloud の AI for Science チーム（Kartik Sanu、Laurynas Tamulevičius、Nicolas Stroppa、Chris Page、Gary Ng、John Semerdjian、Skandar Hannachi、Vishal Agarwal、Anant Nawalgaria、他）、Google DeepMind の協力によって実現しました。}

- FM Logistic、シニアソフトウェアエンジニア、Mateusz Klimowicz 氏

- Google、シニアスタッフ ML エンジニア兼プロダクトマネージャー、 Anant Nawalgaria

初級者コースのように簡単: Vail Resorts がパーソナライズされたおすすめを自動化する AI アシスタントを構築した方法

Mon, 06 Apr 2026 02:20:00 +0000

※この投稿は米国時間 2026 年 3 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

スキーヤーやスノーボーダーは、新雪を追い求めたり、新しいトリックをマスターしたり、新しい地形を探索したりと、ゲレンデでのあらゆる瞬間を精一杯楽しむものです。よく知っているお気に入りのゲレンデを訪れる場合でも、初めてのゲレンデを訪れる場合でも、必要な情報をすぐに手に入れて、自信を持って移動し、隠れた名所を見つけ、到着した瞬間からその場所に溶け込みたいと考えています。

そのような理由から、Vail Resorts は 2024～2025 年の雪シーズンに My Epic Assistant をリリースしました。Vail は、世界で最も象徴的で愛されている山岳リゾート（ウィスラーブラッコム、パークシティマウンテン、ストウ、クレステッドビュートなど）を運営しています。同社は、すべての利用者が新しいアプリで十分なサポートを受けられる、つまり、ゲレンデ体験に没頭したまま、迅速かつ有益な回答を得て、ゲレンデにあるすべてのものを発見できるようにしたいと考えていました。

情報ブースを探すのと、次の滑走に向けてリフトに乗っている間にアプリで情報を得るのと、どちらがよいか、考えれば答えは明白です。

My Epic Assistant は、Vail Resorts の IT チーム、接客チーム、運営チームのノウハウを Google の強力な Gemini モデルにフィードする AI 搭載アシスタントです。結果として、ゲレンデで適切なシーズンパスを選択するサポート、最新の雪の状況の共有、レッスンの準備状況の確認、ココアを飲むのに最適な場所の提案などを、このエージェントで行えるようになりました。Vail Resorts は、単なる chatbot ではなく、ウィスラーでパウダースノーを楽しめる日と、ビーバークリークへの家族旅行に適した日の微妙な違いを理解できるデジタルコンシェルジュを求めていました。

これらのサービスを次のレベルに引き上げるため、Vail Resorts のチームと Google Cloud スペシャリスト 66degrees は、2025～2026 年シーズン向けに My Epic Assistant を更新し、シーズンパスのおすすめや強化されたパーソナライズなどの新機能を追加しました。この機能により、ゲストの質問を理解し、複雑なリクエストに対応して、ゲストに最適なパスをインテリジェントに案内できるようになりました。

この投稿では、ゲレンデを楽しむために迅速なサポートを求めている、目の肥えた利用者からの、微妙な違いのある複雑な質問に効果的に回答できるマルチエージェントシステムをオーケストレートするという難題に、Google がどのように取り組んだのかをご紹介します。このような AI 搭載ツールを活用できるのは、ゲレンデに詳しい利用者だけではありません。

このような AI 搭載ツールを活用できるのは、ゲレンデに詳しい利用者だけではありません。

このブログ投稿では、接客業のこの過酷な分野特有の課題に巧みに対処できるマルチエージェントシステムをオーケストレートして、My Epic Assistant を構築した方法について詳しく説明します。これは、顧客中心の他の分野の組織が、それぞれの状況に合わせてエージェントシステムを構築するうえでも役立つアプローチです。

新しいシーズン、より良い結果

My Epic Assistant 内のパーソナライズ、検索、要約の各機能、会話フローを実装して改良した結果、アプリの初回リリース以降、人間のエージェントへのエスカレーションが 45% 減少しました。

テクノロジーは人と人の触れ合いに取って代わるのではなく、それを強化するものです。日常的なロジスティクスを自動化し、パーソナライズを拡大することで、Vail Resorts のゲストエクスペリエンステクノロジーチームは、そのことを確実にすることができました。全体的に、サポートを求める利用者は、より迅速かつ確実に、より多くの方法とタイミングでサポートを利用できるようになりました。

「Google Cloud のツールを利用することで、エージェント設計パターンを活用して、自然でパーソナライズされた会話を実現できました。これにより、顧客満足度が向上し、手動でのインテント設計の必要性が低減しました。また、これらのツールにより、柔軟性と制御性を組み合わせて、アシスタントがブランド、ポリシー、プロダクト戦略の範囲内で常に流動的に対応できるようになりました」とチームは述べています。

My Epic Assistant の構築手順

まず、My Epic Assistant はサブトピック分類エージェントを使用して、パスの比較、おすすめの提案、一般的な情報の検索など、利用者の最初のリクエストを理解します。パスは期間限定でのみ購入できるため、日付オブジェクトを使用して時期を判断します。パスが販売終了している場合は、自動的にリフト券の情報にルーティングされます。パスとリフト券の両方が購入可能な場合、アシスタントはいくつかの確認の質問をして、旅行に最適な価値を提供するオプションを顧客が決定できるようにします。次に、アシスタントは、おすすめを提示するために必要な追加データを判断するために、データ収集エージェントに引き継ぎます。認証済みのユーザーの場合、Vail Resorts は、よく訪問するリゾート、平均訪問回数、年齢、今後訪問予定のリゾート、ピーク日の好みなどの既存のデータを、Webhook から呼び出して提供します。認証されていない新規のユーザーの場合、ギャップを埋めるために、確認のための回答しやすい質問をします。一方通行の静的なフォーム入力ではありません。

このステップでは、生成 AI の会話機能が真価を発揮します。My Epic Assistant は、自由に会話できるように設計されているため、利用者はいつでも確認のための質問をして、コンテキストを失うことなくレコメンデーションプロセスに戻ることができます。ハンドブックの手順に沿って、モデルは出力に必要なすべてのパラメータが入力されているかどうかを継続的に評価し、次のステップに進みます。このプロセス中も、利用者は他の質問をすることができます。

たとえば、ピーク日の利用を希望するかどうかを尋ねられた利用者が、「制限の対象となる今年のピーク日はいつですか？」と続けて質問する可能性があります。My Epic Assistant は、Vail Resorts の広範な知識を体系化したウェブサイトのデータストアを呼び出して対応します。その後、My Epic Assistant は回答を提供し、コンテキストを失うことなく会話の前のターンに戻ります。

最後に、レコメンデーションエージェントが引き継ぎます。収集したユーザーデータを使用して、すべてのパスオプションの構造化データベースに対してクエリを実行し、完全一致を見つけます。その後、システムは、特定されたパスが適している理由を説明するユーザーフレンドリーな回答を生成し、直接購入リンクを含むコンテンツカードを提供して、利用者の最終ステップを簡素化します。

パスレコメンデーションエージェントのコア機能は、既存のすべてのパス、その特長、制限事項の構造化ファイルを含むパスマトリックスのデータストアツールです。利用可能なオプションが多数あるため、ツールがすべての入力パラメータを受け取ったときに有効で適切なオプションを返すことを確認するには、広範なテストが必要でした。66degrees は、この分野に関する Vail Resorts の深い知識を活用して、あらゆる結果を検証しました。

プロンプトエンジニアリングにより、最終的な回答では、特定のパスが利用者に最適なオプションである理由を詳細に説明したおすすめが提示されます。また、おすすめの購入リンクを含むコンテンツカードも呼び出されます。ハンドブックを終了する必要はありません。新しくリリースされた Epic Friends 機能に関する詳細情報が表示されるなど、生成された回答が適切でない場合もありました。静的な回答は、コードスニペットと条件付きアクションを介して呼び出されます。これらもハンドブック自体に格納されるため、全体的なアーキテクチャが簡素化されます。

パーソナライズが初級者コースのように簡単に

My Epic Assistant のスマートテクノロジーとユーザー重視のデザインの新しい組み合わせにより、Vail Resorts は、単なる顧客の質問とその回答という枠を超えて、多くの顧客のリクエストに対して真に会話型でありながら完全に自動化されたエクスペリエンスを提供できるようになりました。重要なのは、Vail Resorts のような運営企業にリゾート利用者が期待するコンシェルジュサービスを、AI とクラウドテクノロジーなしでは実現できない規模で提供していることです。

Vail Resorts は、My Epic Assistant のパスのおすすめ機能により、すべての利用者がこれまでで最高のシーズンを過ごすためのカスタムのおすすめ情報を受け取れるように準備を進めています。

上級者コースのように技術的に難しい課題を、初級者コースのように簡単に扱えるソリューションで解決することをご希望の場合は、66degrees と Google Cloud のエキスパートにお問い合わせのうえ、最新の AI とクラウドテクノロジーで何ができるかをご確認ください。

- 66degrees、会話アーキテクト、Olivia Marrese

- Google、カスタマーエンジニア、Jacob Walcik

Mercado Libre の多面的な Spanner アーキテクチャの概要

Thu, 27 Nov 2025 01:01:00 +0000

※この投稿は米国時間 2025 年 11 月 4 日に、Google Cloud blog に投稿されたものの抄訳です。

ラテンアメリカの e コマースとフィンテックのパイオニアである Mercado Libre は、驚くべき規模で事業を展開しており、復元力とスケーラビリティだけでなく、迅速なイノベーションの触媒となるインフラストラクチャを必要としています。Google の Spanner は、基盤となる整合性とスケーリングを実現するサービスとして知られていますが、さらに詳しく見ていくと、洗練された多層戦略に基づいていることがわかります。Spanner は単なるデータベースではありません。社内開発者プラットフォーム、多様なデータモデル、高度な分析ループ、インテリジェントな機能、さらには次世代 AI アプリケーションのロードマップを支えるコアエンジンです。

本ブログでは、Fury プラットフォームなどの社内イノベーションとともに Spanner を活用し、大きなビジネス効果を達成して AI 主導の未来への道筋を描いている、Mercado Libre の技術的基盤について説明します。

2 つの課題: インターネット規模での運用と開発者の速度

Mercado Libre は、インターネット規模のサービスに共通する課題に直面しています。それは、毎日数百万件の金融取引を安全に保つこと、デベロッパーが簡単にアプリを構築できるようにすること、ほぼ 100% の稼働時間を維持することです。このソリューションでは、十分なパワフルさを備えたデータベースを中核に据え、幅広いデベロッパーが採用したくなるほど優れた抽象化レイヤが必要でした。

Fury: Mercado Libre の開発者ゲートウェイ

Mercado Libre の戦略の中核をなすのは、社内のミドルウェアプラットフォームである Fury です。Fury は、さまざまなバックエンド技術の複雑さを抽象化し、アプリケーションを構築するための、標準化され、簡素化されたインターフェースを開発者に提供するように設計されています。

抽象化と標準化: Fury を使用すると、開発チームは分散データベース管理の微妙な違い、特定のエンジン向けのスキーマ設計、最適な接続プーリングではなく、ビジネスロジックに集中できます。

信頼性に優れたコアとなる Spanner: Spanner は、グローバルな整合性を備えた常時稼働のマルチモデルデータベースで、実質的に無制限のスケーリングが可能です。Mercado Libre は、Fury 内で Spanner を選択することで、Spanner を使用してプラットフォーム上に構築されたアプリケーションが、Spanner の優れた機能を継承できるようにしています。つまり、グローバルに整合性が保たれ、スケーリングしても中断されず、ダウンすることもほとんどありません。

図 1 - Fury のコアサービス

Spanner – 汎用性に優れたバックボーン

Fury を通じて、Spanner は Mercado Libre の開発者に驚異的な汎用性を提供します。複雑なトランザクションが必要なアプリもあれば、高速な検索が必要なアプリもあります。Spanner は両方に対応しているため、チームは 1 つのシステムのみを使用できます。

複雑なトランザクションのためのリレーショナル機能: 注文管理、支払い、在庫システムなどの高度なトランザクションワークロードでは、Spanner のリレーショナル機能（SQL、ACID トランザクション、結合）が依然として重要です。
高パフォーマンスの Key-Value ストア: 最新のアプリケーションの多くは、高速なポイント検索とシンプルなデータ構造を必要とします。Mercado Libre では Spanner を一般的な Key-Value ワークロードに対するデフォルトのバックエンドとしては利用していませんが、大規模な非リレーショナル KV スタイルのワークロードを Spanner で実行する特定のアプリケーションがあります。

グローバルな整合性を実現する TrueTime と、簡単なスケーリングを実現する自動シャーディングは、Spanner の基盤となるアーキテクチャであるため、Spanner は Fury プラットフォームを通じてこれらのアクセスパターンを確実に処理する理想的な候補です。

ピーク時の需要への対応

Mercado Libre の Spanner インスタンスは、約 214,000 秒間クエリ数（QPS）と、1 秒あたり 30,000 トランザクション（TPS）を処理する優れた処理能力を発揮しています。この膨大なワークロードを管理するために、Spanner インフラストラクチャは 400 ノード以上に動的にスケール（30% 増）し、基盤システムには需要の高いシナリオに対応する堅牢性と弾力性があります。このレベルのスループットとスケーラビリティは、最も多忙な時期に Mercado Libre のサービスのパフォーマンスと信頼性を維持するために不可欠です。

図 2 - Spanner で構築されたソリューションの図。現在の検索データを使用して、顧客が購入する可能性が最も高い商品を予測して推奨する。

データをアクションに変える

Mercado Libre は、高度な分析を活用して分析情報を運用システムに直接取り込む、Cloud Spanner を中心とした動的なデータエコシステムを構築しています。

また、Spanner Data Boost と BigQuery フェデレーションを組み合わせることで、リアルタイム分析を実現しています。Data Boost は分析クエリを分離し、重要なトランザクションのパフォーマンスに影響を与えないようにします。これにより、BigQuery 内の最新の Spanner データに対して、強力な大規模分析を直接実行できるうえ、他のデータソースとシームレスに統合できます。

BigQuery からの分析情報（顧客セグメントや不正スコアなど）は、リバース ETL を介してアクションが実行され、Spanner に直接取り込まれます。これにより、運用データが充実し、パーソナライズされたコンテンツの提供やリアルタイムのリスク評価の実施など、現場で使用されるアプリケーションによる即時のアクションが可能になります。

さらに、Spanner 変更ストリームと Dataflow を組み合わせることで、重要なサービス統合を推進します。Spanner からリアルタイムでデータの変更をキャプチャすることで、Mercado Libre は堅牢なパイプラインを確立しています。これにより、変更を BigQuery に読み込んで分析したり、Fury Stream などのサービスにストリーミングしてリアルタイムで利用したりできるようになり、低レイテンシのデータ伝播が保証され、システム全体でイベントドリブンアーキテクチャが実現します。

効果: コスト削減、アジリティ、将来への備え

Spanner の戦略的な導入と、Fury などの社内プラットフォームや高度なデータワークフローの活用により、Mercado Libre は次のような大きなメリットを得ています。

大幅な費用削減と低い総所有コスト: Spanner のマネージドな性質（手動シャーディングやメンテナンス作業の削減）、効率的なリソース使用率、Fury が提供する抽象化の組み合わせにより、総所有コストが削減され、大幅な費用削減が実現しました。
ビジネスへの影響とアジリティ: Fury によってインフラストラクチャの複雑さから解放され、Spanner の汎用性に優れた機能を手にした開発者は、新しい機能やアプリケーションをより迅速に提供できます。Spanner の高い信頼性が重要なビジネスオペレーションを支え、中断を最小限に抑えます。
運用上のオーバーヘッドが低い: Spanner では、スケーリング、シャーディング、メンテナンスが自動化されているため、大規模なデータベースインフラストラクチャを管理するために必要な人的労力が大幅に削減されます。

AI 向けに構築: Spanner 上の次世代アプリケーション

今後、Mercado Libre は、より多くの AI ワークロードをサポートするために Spanner の活用を検討しています。

Spanner の特性は、基盤として最適です。

一貫した状態管理: 状態コンテキストを維持し、確実に更新する必要がある AI システムに不可欠です。
スケーラブルなメモリ / ナレッジストア: AI システムのメモリ、ログ、コンテキスト情報に関する、膨大な量のデータを保存および取得する機能があります。
トランザクション処理: AI システムが他のシステムとやり取りするアクションを、優れた信頼性で実行できるようにします。
分析と ML の統合: 既存のデータループと ML.PREDICT 機能により、リアルタイムの分析情報とインテリジェンスで AI システムを強化できます。

Spanner は、このような高度な AI アプリケーションに必要なトランザクションの基盤を提供します。

まとめ: 統合されたインテリジェントなデータ基盤

Mercado Libre による Spanner の採用方法は、強力でグローバルに整合性のあるデータベースを、そのコア機能だけでなく、開発者の生産性、運用の効率性、高度な分析、将来の AI に関する展望を実現するための戦略的なイネーブラーとして使用する方法を示しています。Fury プラットフォームを通じて、私たちは Spanner の機能へのアクセスを簡素化し、リレーショナルと非リレーショナルの両方のニーズに対応できる柔軟な基盤として Spanner を活用できるようにしました。Data Boost を介した BigQuery との統合は、インテリジェントでデータドリブンな企業を構築するための包括的なアプローチを示しています。Mercado Libre が AI アプリケーションを構築するにあたり、Spanner は、次なるイノベーションの波を支える一貫性のあるスケーラブルな基盤としての役割を今後も果たしていくことでしょう。

詳細

-ソフトウェアテクニカルリーダー、Mercado Libre、Pablo Leopoldo Arrojo 氏

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

検索からカートへ: AlloyDB AI を使用した Target の検索バーの刷新

Thu, 11 Sep 2025 01:30:00 +0000

※この投稿は米国時間 2025 年 9 月 4 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: Target は、膨大な数の取り扱い商品から、顧客が購入を希望する商品をより直感的に見つけることができるよう、デジタル検索エクスペリエンスのモダナイズに着手しました。デジタル検索エクスペリエンスのモダナイズのため、同社はフィルタ条件を組み合わせたベクトル検索と AlloyDB AI を活用したハイブリッド検索でプラットフォームを再構築しました。その結果、より高速でスマートかつ復元力に優れた検索エクスペリエンスが実現しました。これまでに商品検索の関連性が 20% 向上し、パフォーマンスと顧客満足度で目に目る成果をあげています。

Target.com の検索バーは、多くの場合、お客様がショッピングジャーニーで最初に使用する機能です。好奇心と利便性が交わる場所であり、Target にとって、単なる商品検索をパーソナライズされた関連性の高い検索に変え、お客様にシームレスなショッピング体験を提供できる絶好の機会でもあります。

Google の検索エンジニアリングチームは、検索バーの機能改善に真摯に取り組んでいます。お客様がお探しの商品だけでなく、必要だとお気づきでなかった商品も見つけていただきたいと考えました。

それには、検索機能を根本から見直す必要がありました。

検索結果の関連性を高め、ロングテールの発見をサポートし、行き詰まりを減らして、より直感的でパーソナライズされた結果を提供することを目指しました。

パーソナライズと規模の限界を押し広げながら、当社のデジタルエクスペリエンスを支えるシステムの再評価を始めました。その過程で、従来の検索とセマンティック検索を組み合わせたハイブリッドな手法を使用し、AlloyDB AI で構築された強力な新しい基盤に支えられた検索機能を再考するに至りました。

ハイブリッド検索で、カートと購買目的が結びつく

小売検索は難しいものです。お客様が求めている商品の検索には、ときに曖昧な表現が使われることもあります。そのような曖昧な表現と、常に変化する膨大な数の取り扱い商品を照合する必要があります。生成 AI によってお客様とブランドの関わり方が大きく変化している今、従来のキーワード検索だけでは限界があります。

そこで Gooigle は、従来のキーワードマッチングとベクトルエンベディングによるセマンティック検索を組み合わせたハイブリッド検索プラットフォームを構築しました。精度を確保する正確な字句一致と、関連性を確保する文脈理解という、2 つの利点を兼ね備えています。ただ、ハイブリッド検索には技術的な課題もあります。特に、規模を拡大したときにパフォーマンスをどう維持するかが重要です。

図 1: ハイブリッド検索は 2 つの強力なアプローチを組み合わせ、お客様が最も関連性の高い検索結果を得られるようにします

AI 活用型検索に最適なデータベースの選び方

目標は、自然言語の検索クエリに対して、意味的に関連性の高い結果を表示すること。さらに価格、ブランド、在庫状況などの構造化されたフィルタを適用し、利用ピーク時でもパーソナライズされた検索結果を迅速に提供することでした。そこで必要となったのは、膨大な商品カタログをリアルタイムでフィルタ付きベクトル検索でき、ピーク時でもミリ秒レベルの応答速度を維持できる、次世代ハイブリッド検索プラットフォームを支えるデータベースでした。

そのため、セマンティック検索の柔軟性とキーワード検索の精度を融合して関連性の高い結果を提供する、マルチインデックス設計を採用しました。また、検索機能に加え、「マルチチャネル関連性フレームワーク」を開発しました。商品の新規性や季節性、パーソナライズといったシグナルを捉え、状況に応じてランキングを柔軟に調整します。

図 2: Target における開発中サービスのアーキテクチャ概要

類似したワークロードにも別のデータベースを使っていましたが、大量のフィルタ付き近似最近傍（ANN）検索を処理するには、大幅なチューニングが必要でした。当社の目標が拡大するにつれ、より柔軟でスケーラブルなバックエンドの必要性が明らかになりました。さらに、最高品質の結果をできるだけ短いレイテンシで提供することも求められました。この問題を Google に相談し、この分野での最先端の取り組みを一緒に探りました。もちろん、検索といえば Google です。

AlloyDB for PostgreSQL は、Google.com 検索の基盤となる技術が Google Cloud に組み込まれており、あらゆる組織が大規模でも質の高いエクスペリエンスを構築できる点で際立っています。また、PostgreSQL 互換性、統合されたベクトル検索、ScaNN インデックス、ネイティブ SQL フィルタリングをフルマネージドサービスとして提供しています。この組み合わせにより、スタックを統合してアーキテクチャを簡素化し、開発を加速できました。現在、AlloyDB は当社検索システムの中核を担っており、季節的なトラフィックの急増だけでなく、日々の膨大なお客様検索セッションにもスムーズに対応しながら、低レイテンシのハイブリッド検索を実現し、より関連性の高い結果を提供しています。

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 0x7fbff0446370>), ('btn_text', ''), ('href', ''), ('image', None)])]>

大規模なフィルタ付きベクトル検索

ユーザーは「20 ドル以下の環境に優しい水筒」や「幼児用の冬ジャケット」といった検索をよく行います。こうしたクエリには、セマンティックなニュアンスに加えて、価格、カテゴリ、ブランド、サイズ、店舗での在庫状況などの条件が組み合わされています。AlloyDB を使えば、ベクトル類似性と SQL フィルタを組み合わせたハイブリッドクエリを、スピードや関連性を維持しながら簡単に実行できます。

最適化されたフィルタ付きベクトル検索や適応型クエリフィルタリングなど、AlloyDB AI の最近のイノベーションにより、次のような効果が得られました。

以前のスタックと比べて最大 10 倍の高速化
商品検索の関連性が 20% 向上
「結果なし」クエリの件数が半減

こうした改善は、業務全体に広がっています。ベクトルクエリのレスポンスタイムが 60% 短縮され、ユーザーエクスペリエンスが大きく向上しました。トラフィックが集中するイベント期間中でも、AlloyDB は 99.99% を超える稼働率を安定して維持し、重要な瞬間にデジタルストアフロントが需要に対応できるという安心をもたらしています。検索は外部向けのミッションクリティカルサービスであるため、当社では複数リージョンに複数の AlloyDB クラスタをデプロイし、さらに高い実効的な信頼性を確保しています。信頼性の向上によって運用インシデントも減少し、エンジニアリングチームは実験や新機能の提供に多くの時間を注げるようになりました。

図 3: Target は AlloyDB AI により、構造化データと非構造化データを SQL やベクトル検索と組み合わせて活用できるようになりました。たとえば、検索エクスペリエンスの向上により、今では季節に合ったスタイル（例: 長袖）が 1 ページ目に表示されます。

AlloyDB のクラウドファーストのアーキテクチャと機能により、日々の膨大なフィルタ付きベクトルクエリを処理し、数千から数万人規模の同時ユーザーを柔軟にサポートできます。しかも、オーバープロビジョニングに頼ったり、パフォーマンスを犠牲にしたりする必要はありません。

AlloyDB AI でよりスマートな検索を構築

何より魅力的なのは、イテレーションを素早く行えることです。AlloyDB のマネージドインフラストラクチャと PostgreSQL 互換性により、スピーディに動きながら、新しいランキングモデル、季節ロジック、さらに次のような AI ネイティブ機能を試せます。

SQL でのセマンティックランキング: クエリの意図に対する関連性に基づいて検索結果の優先順位を付けることができます。
自然言語のサポート: 今後のインターフェースでは、お客様が自然に話すように検索できるようになります。もう厳格なフィルタやプルダウンに縛られる必要はありません。

AlloyDB は、最先端の ScaNN ベクトルインデックスに加えて、最先端のモデルや自然言語も備えています。さらに AlloyDB に組み込まれた AI への Google の取り組みとリーダーシップにより、当社は AI とデータ分野全体の進化のスピードに合わせて、自信を持ってサービスを進化させていけます。

次のステージへ: Target の今後の展望

Target の検索は、これまで以上にダイナミックなものへと進化しています。それは、お客様が必要なときに必要なものを、必要な方法で見つけられるようサポートする、スマートなマルチモーダル基盤です。お客様はデバイス、言語、フォーマットをまたいでご利用になるため、当社はシームレスでスマートなエクスペリエンスをお届けします。

AlloyDB AI と Google Cloud の急速に進化するデータと AI のスタックにより、当社はお客様の期待を常に上回り、よりパーソナライズされた楽しいショッピング体験を毎日自信を持ってお届けしてまいります。

Google Cloud エンジニアリング担当バイスプレジデント、Amit Ganesh からのメッセージ:

Target の事例は、企業がすでに AlloyDB AI を活用して検索体験を変革していることを示す代表例です。Vishal が説明したように、フィルタ付きベクトル検索は、関連性とスケールの新たな可能性を実現しています。Google Cloud では、AlloyDB AI の機能を継続的に拡張し、よりスマートでエージェント主導のマルチモーダルアプリケーションを後押ししています。以下がその新機能です。

Agentspace 統合: 開発者は、構造化データと自然言語推論を組み合わせて AlloyDB をリアルタイムでクエリする AI エージェントを構築できるようになりました。
AlloyDB 自然言語: アプリケーションは、インタラクティブな曖昧さ回避と強力なプライバシー管理に支えられた自然な英語（またはフランス語を含む 250 以上の言語）で構造化データを安全にクエリできます。
ベクトル検索の強化: AlloyDB の ScaNN インデックスとアダプティブクエリフィルタリングにより、フィルタ付きベクトル検索が最大 10 倍高速化されました。
AI クエリ エンジン: SQL 開発者は自然言語表現を使って、Gemini モデルの推論をクエリに直接組み込むことができます
新たに 3 つのモデルをサポート: AlloyDB AI が、Gemini のテキストエンベディングモデル、クロスアテンションリランカー、ビジョンとテキストを共有ベクトル空間に統合するマルチモーダルモデルに対応しました。

これらの機能は、Target のように商品発見を改善する場合でも、新しいエージェントベースのインターフェースを新たに構築する場合でも、イノベーションを加速するために設計されています。

詳細:

Google Cloud データベースで AI 開発エクスペリエンスを強化
AlloyDB AI がアプリケーションデベロッパーのイノベーションを推進
AlloyDB が PostgreSQL の優れた機能と Google Cloud の強みを組み合わせている方法を紹介している最新の電子書籍。
AlloyDB を 30 日間無料で試せる AlloyDB の無料トライアルクラスタ。
AlloyDB for PostgreSQL の詳細。

ー Target、プリンシパルエンジニア、Vishal Vaibhav 氏

ー Target、データサイエンス担当バイスプレジデント、Melissa Ludack 氏

Lowe’s のイノベーション: Vertex AI によるインタラクティブなショッピングエクスペリエンスの実現

Tue, 20 May 2025 01:02:00 +0000

※この投稿は米国時間 2025 年 4 月 30 日に、Google Cloud blog に投稿されたものの抄訳です。

Lowe's は、お客様にとってより楽しく便利なショッピングエクスペリエンスの実現に取り組んできました。私たちが特定したよくある課題は、多くのお客様が必要な商品は見たらわかると考えて、何を買いたいかを明確に決めずに e コマースサイトやモバイルアプリにアクセスすることです。

この課題に対応してショッピングジャーニーを快適なものにするために導入されたのが、lowes.com で商品カタログをインタラクティブに閲覧し、興味のある商品を素早く見つけられるようにする Visual Scout です。これは、テキストだけでなく、画像、動画、音声、そしてそれらすべての組み合わせというさまざまな多数のコミュニケーションモードにおいて、AI を活用したおすすめ機能で現在の小売エクスペリエンスを変革する一例です。

Visual Scout は、購入を決める際に商品の視覚的な要素を重視するお客様を対象に設計されています。お客様はインタラクティブな操作で、同じ商品グループ内の多様なスタイルを確認できます。まず、Visual Scout によって 10 個のアイテムを含むパネルが表示されます。お客様は、表示されたアイテムについて、「好み」か「好みではない」のフィードバックを行って自分の好みを示します。この選択に基づいてパネルが動的に更新され、お客様の好みのスタイルやデザインを反映したアイテムが表示されます。

以下に示すのは、吊り下げ式照明を探しているある買い物客からのユーザーフィードバックが、類似商品パネルの更新に及ぼす影響の例です。

図 1: Visual Scout API が表示中のアイテムに対するユーザーのフィードバックを反映させて、おすすめ商品パネルをインタラクティブに更新する

この投稿では、技術的な側面から、このエクスペリエンスを可能にする重要なテクノロジーと MLOps の手法について詳しく見ていきます。

Visual Scout の仕組み

お客様が lowes.com で商品の詳細ページにアクセスするとき、目的とする「商品グループ」はだいたいわかっていても、その中で選べる商品のバリエーションが多いことがあります。そのような場合、Visual Scout を利用すれば、外観の似たアイテムを選り分け、関心のあるアイテムのリストを簡単に作成できます。複数のブラウザウィンドウを開いたり、提供されている比較表を確認する必要はありません。

特定の商品ページに表示されているアイテムが「アンカーアイテム」となり、それに基づいて最初のおすすめ商品パネルが表示されます。そこから、表示される個々のアイテムについて、お客様が「好みである」か「好みではない」かのフィードバックを行います。すると表示される商品のリストが繰り返しチューニングされます。

「好みである」のフィードバック: お客様が [More like this]（類似の商品）ボタンを選択すると、好みの商品と外観が最も似ていない 2 つの商品が、好みの商品に近い外観のアイテムに置き換えられます。
「好みではない」のフィードバック: 逆に、お客様が [X] ボタンをクリックして商品が好みではないことを示すと、その商品はアンカーアイテムと外観が似ている商品に置き換えられます。

Visual Scout サービスはリアルタイムで更新されるため、顧客エンゲージメントを促進する魅力的でゲーム性のあるショッピングエクスペリエンスが実現し、これが最終的にコンバージョンにつながります。

試してみる

Visual Scout を実際に使ってみる場合は、こちらの商品ページにアクセスし、[Discover Similar Items]（類似アイテムを見る）セクションを探してください。アカウントへのログインは必要ありませんが、ページの左上で店舗所在地を選択してください。Visual Scout はこの選択に基づき、お客様の最寄りの店舗に在庫があるアイテムをおすすめします。

Visual Scout を支えるテクノロジー

Visual Scout は複数の Google Cloud サービスに支えられています。

Dataproc: アイテムの画像を予測リクエストとしてコンピュータビジョンモデルにフィードすることで、新しいアイテムのエンベディングを計算するバッチ処理ジョブ。予測された値は画像のエンベディング表現。
Vertex AI Model Registry: コンピュータビジョンモデルのライフサイクルを管理するための中央リポジトリ。
Vertex AI Feature Store: 商品画像エンベディングの特徴量を管理し、低レイテンシを実現するためのオンラインサービング。
Vertex AI Vector Search: サービングインデックスをデプロイし、低レイテンシのオンライン取得のためにベクトル類似度検索を実行。
BigQuery: アイテムのメタデータ（例: 価格、プロモーション、在庫、評価、ユーザーが選択した店舗の在庫、制限など）の不変レコードを企業全体でホスト。
Google Kubernetes Engine: オンラインショッピングエクスペリエンスに Visual Scout アプリケーションをデプロイし、他の領域とともに運用。

これらのコンポーネントが実際にどのように運用されているかを把握するために、以下のリファレンスアーキテクチャで主なタスクをいくつか確認しましょう。

図 2: lowes.com で Visual Scout API を提供するリファレンスアーキテクチャ

Visual Scout API が特定のアイテムに対するベクトル一致リクエストを作成する
このリクエストはまず Vertex AI Feature Store を呼び出して、アイテムの最新の画像エンベディングベクトルを取得する
続けて Visual Scout が、このアイテムのエンベディングを使用して、最も類似度の高いエンベディングベクトルを Vertex AI Vector Search インデックスで検索し、関連するアイテムの ID を返す
外観が似たアイテムごとに、商品関連のメタデータ（例: 在庫状況）を使用して、ユーザーが選択した店舗所在地に在庫があるアイテムを絞り込む
在庫のあるアイテムとそのメタデータが Visual Scout API に戻され、lowes.com で提供される
毎日実行されるトリガーによって、新しいアイテムの画像エンベディングを計算する更新ジョブが開始される
トリガーされると、Dataproc が新しいアイテム画像すべてを処理し、登録済みのコンピュータビジョンモデルでエンベディングに変換する
ストリーミングの更新によって、新しい画像エンベディングが Vertex AI Vector Search のサービングインデックスに追加される
新しい画像エンベディングベクトルが Vertex AI Feature Store のオンラインサービングノードに取り込まれ、アイテム ID と取り込み時のタイムスタンプでベクトルがインデックス化される

Vertex AI による低レイテンシのサービング

おすすめ商品パネルのアイテムの入れ替えは毎回、Visual Scout が Vector Search と Feature Store の 2 つの Vertex AI サービスを利用してリアルタイムで行います。

Vertex AI Feature Store は、アイテムの最新のエンベディング表現を保存するために使用されます。これには、商品カタログへの新規追加と、アイテムに使用できるようになった新しい画像すべてが含まれます。後者の場合、アイテムの従前のエンベディング表現がオフラインストレージに移動され、最新のエンベディングがオンラインストレージで維持されます。サービング時には、Feature Store の検索によってクエリアイテムの最新のエンベディング表現がオンラインサービングノードから取得され、ダウンストリームの取得タスクに渡されます。

Visual Scout は次に、多種のアイテムが含まれるデータベースの中から、エンベディングベクトルに基づいてクエリアイテムに最もよく似た商品を特定します。この種の最近傍探索では、クエリとアイテム候補のベクトル間の類似度を計算する必要があり、特に網羅的（いわゆるブルートフォース）探索を実行する場合、この規模では計算がすぐに取得時の演算上のボトルネックとなってしまいます。このボトルネックに対処するために、Vertex AI Vector Search は近似探索を実装し、ベクトル取得で低レイテンシのサービング要件を満たせるようにしています。

この 2 つのサービスにより、Visual Scout は低レイテンシのレスポンスを維持しながら大量のリクエストを処理できるようになります。99 パーセンタイルで約 180 ミリ秒というレスポンスタイムは当社のパフォーマンス要件を満たしており、円滑で応答性に優れたユーザーエクスペリエンスを実現できます。

Vertex AI Vector Search が高速である理由

Vertex AI Vector Search は、10 億規模のベクトルデータベースから効率的なベクトル類似度検索と取得を行うマネージドサービスです。これは Google の多数のプロジェクトにとって重要な機能で、Google はその研究を長年続け、その成果が Vertex AI Vector Search というサービスとして結実しています。基盤となる複数のアルゴリズムと手法は、Google Research のオープンソースベクトル検索ライブラリ ScaNN でも公開されています。ScaNN の目的は、再現可能で信頼性の高いベンチマークを確立し、最終的にこの分野の研究を推進することです。Vertex AI Vector Search の目的は、プロダクションレディなアプリケーションを対象としたスケーラブルなベクトル検索ソリューションを提供することです。

ScaNN の基礎知識

ScaNN は、Google Research が 2020 ICML で発表したホワイトペーパー「Accelerating Large-Scale Inference with Anisotropic Vector Quantization」（異方性ベクトル量子化による大規模推論の加速）の内容を実装したものです。この実装では、新しい圧縮アルゴリズムを適用して、最近傍探索ベンチマークで最先端のパフォーマンスを達成しています。ScaNN のベクトル類似度検索のワークフローは、おおまかに 4 つの段階に分けられます。

パーティショニング: ScaNN は探索空間を縮小するために、階層型クラスタリングを実行してインデックスのパーティショニングを行い、そのコンテンツを探索ツリーとして表します。このとき、各パーティションはそのセントロイドによって表されます。これは通常は K 平均法ツリーです（そうではない場合もあります）。
ベクトル量子化: このステップでは、非対称ハッシュ（AH）アルゴリズムを使用して各ベクトルを 4 ビットコードのシーケンスに圧縮します。そして最終的にコードブックを学習します。データベースのベクトルだけを圧縮し、クエリのベクトルは圧縮しないため、「非対称」となります。
近似スコアリング: クエリ時には AH が部分ドット積のルックアップテーブルを作成し、テーブルを使用して <query, db-vector> のドット積を推定します。
リスコアリング: 近似スコアリングで得られた Top-K アイテムについて、より高い精度で距離を再計算します（例: 歪みを少なくする、未加工のデータポイントを使用する）。

サービング向けに最適化されたインデックスの構築

Vertex AI Vector Search は、低レイテンシのサービングに最適化されたインデックスを構築するために、ScaNN の tree-AH アルゴリズムを使用します。「tree-AH」という用語は tree-X hybrid モデルを指し、パーティショニングの「tree」と「leaf searcher」（この場合、非対称ハッシュを意味する「AH」）から構成されています。基本的に、次の 2 つの補完アルゴリズムを組み合わせたものです。

tree-X（K 平均法ツリー）。インデックスを探索ツリーにパーティショニングすることで探索空間を縮小する、階層型クラスタリングアルゴリズム。ツリー内の各パーティションは、そのパーティションに属すデータポイントのセントロイドによって表されます。
非対称ハッシュ（AH）。探索ツリーの各レベルでクエリベクトルとパーティションのセントロイド間の類似度をスコアリングするために使用される、高度に最適化された近似距離計算ルーチン。

図 3: 概念上、「tree-X hybrid」はパーティショニングの「tree」と「leaf searcher」を組み合わせたもの。「leaf searcher」はツリーの探索とスコアリングに使用される

tree-AH は、パーティションのセントロイドとサービングインデックスの量子化コードブックを本質的に定義する、最適なインデックスモデルを学習するようにトレーニングされます。そして、異方性損失関数でトレーニングすると、tree-AH がさらに最適化されます。なぜなら、異方性損失では、ドット積が大きいベクトルペアの量子化エラーを軽減することが重視されているからです。<query, db-vector> ベクトルペアのドット積が小さい場合、Top-K に入る可能性が低くなり、量子化エラーは重要ではなくなるため、これは理にかなっています。ベクトルペアのドット積が大きい場合は、その相対的なランキングを維持する必要があるため、量子化エラーにより多くの注意を払わなければなりません。

最後のポイントをまとめると、次のようになります。

元のベクトルとその量子化形態の間で量子化エラーが発生する
ベクトルの相対的なランキングを維持すると、推論における再現率が高くなる
ベクトルのサブセットの相対的なランキングをより高い精度で維持することは可能だが、その場合、別のベクトルのサブセットの相対的なランキングを維持する精度が低くなる

異方性損失の手法と影響について詳しくは、Google Research のブログ記事 Announcing ScaNN: Efficient Vector Similarity Search（ScaNN の発表: 効率的なベクトル類似度検索）、または前述のホワイトペーパーをご覧ください。

プロダクションレディなアプリケーションのサポート

マネージドサービスである Vertex AI Vector Search では、ScaNN のパフォーマンスを活かせるだけでなく、運用上のオーバーヘッドを軽減しビジネス価値をもたらす以下のような各種機能を利用できます。

リアルタイムのインデックス更新 - インデックスとメタデータを更新し、ほんの数秒でクエリを実行。
複数インデックスのデプロイ - 単一のエンドポイントに複数のインデックスをデプロイ（「名前空間の設定」とも呼ばれる）。
自動スケーリング - QPS トラフィックに基づいてサービングノードを自動的にサイズ変更することで、一貫性のあるパフォーマンスを広範囲で確保。
動的な再構築 - 定期的なインデックス圧縮で新しい更新に対応。サービスを解釈することなく、クエリのパフォーマンスと信頼性を改善。
完全なメタデータのフィルタリングと多様性 - 文字列、数値、許可リスト、拒否リストでクエリ結果を制限。crowding タグで多様性を適用。

Vector Search と Feature Store を使ってみる

リアルタイムのパーソナライズによってカスタマーエクスペリエンスを改善することを検討されている場合は、Vertex AI の Vector Search と Feature Store の組み合わせが最適な選択肢です。これらのサービスは多数の本番環境 AI ワークロードの基盤となるコンポーネントであり、Google （そして Lowe’s）の多数のデプロイで活用されています。Google は今後もこれらのサービスに投資を続けます。

Vertex AI Vector Search の導入にあたっては、以下のリソースもご覧ください。

Vertex AI Vector Search クイックスタート。インデックスの作成、デプロイ、クエリ実行の方法を確認できます。
最近のブログ投稿、マルチモーダル検索とは何か:「視覚を持った LLM」でビジネスが変わる。マルチモーダル検索での Vector Search の使い方を確認できます。
ノートブックのチュートリアルと Vector Search に関するドキュメント。Vector Search インデックスのデプロイ、チューニング、サービングに関するハンズオン形式のチュートリアルを利用できます。

Vertex AI Feature Store の導入にあたっては、以下のリソースもご覧ください。

Vertex AI での特徴量管理の概要。Feature Store の概念を確認できます。
BigQuery を活用した新しい Vertex AI Feature Store が予測 AI と生成 AI に対応。プロダクトの最新の機能とロードマップを確認できます。
ノートブックのチュートリアル。さまざまなユースケースのハンズオン形式のコードチュートリアルを利用できます。

これらのサービスを併用した事例については、「Vertex AI の Streaming Ingestion でリアルタイム AI を実現」をご覧ください。

Google Cloud Retail AI スペシャリスト、Jordan Totten の協力に感謝の意を表します。

-Lowe’s、データサイエンス担当シニアマネージャー Zaid Alibadi 氏
-Lowe's、シニアデータサイエンティスト Olga Stolpovskaia 氏

牛肉はどこに？サンパウロの農業供給局はその答えを Cloud SQL for SQL Server で得ることが可能に

Wed, 26 Feb 2025 01:01:00 +0000

※この投稿は米国時間 2025 年 2 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

サンパウロと聞くと、多くの人はビジネスや文化を思い浮かべるでしょう。牛肉や鶏肉を思い浮かべることはまれです。しかし、サンパウロ州は南半球最大の都市を擁するだけでなく、世界第 2 位の農産物輸出国であるブラジルにおいて食肉生産量が 2 番目に多い州でもあります。サンパウロ州農業供給局（SAA-SP）は、ブラジル経済にとってのアグリビジネスの重要性を踏まえ、同州ひいては国全体のアグリビジネスの発展に重要な役割を果たしています。

SAA-SP は、食料、繊維、バイオエネルギーのサステナブルな生産を推進するというミッションの下、複数の地域の地方生産者にサポート（技術支援、調査、農業防衛、市場への流通などのサポート）を提供しています。さらに、全住民の食料安全保障の確保、農作物の品質のモニタリング、栄養指導活動の推進も担っています。

世界の食料システムが進化し、ますます複雑になる中、組織の関心は、食料安全保障とサステナビリティに関する目標の達成を後押しするテクノロジーに向けられています。SAA-SP に関して言えば、増大する機密データを安全に管理し、重要なシステムを 24 時間 365 日利用できるようにする必要があります。こうしたシステムには、Rural Environmental Registry（あらゆる地方資産の登記が義務付けられている電子登記簿）、GEDAVE（家畜と農作物をモニタリングするための管理システム）などがあります。

システムがいかに複雑かを説明するために、例を挙げましょう。家禽生産の管理は GEDAVE でコントロールされており、ヒナは生後 24 時間以内に 1 羽ずつ新しい場所に移す必要があります。食品の安全性を確保するには、このプロセス全体を厳格に文書化しなければなりません。

老朽化した IT インフラストラクチャを刷新するだけでなく、安全で信頼できる食糧供給源を求める人々が世界中で増え続けているという問題にも目を向けるのであれば、今こそ最も重要なシステムの一部をモダナイズすべきだと SAA-SP は考えました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースを試用するための 300 ドル分の無料クレジット'), ('body', <wagtail.rich_text.RichText object at 0x7fbfec331670>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/products?#databases'), ('image', None)])]>

増大する負荷:

私たちのチームは、SAA-SP の情報技術コーディネーション組織の一部であるシステム管理部門において、SAA-SP にとって非常に重要なシステムである GEDAVE の運用を担当しています。GEDAVE は、サンパウロ州全体の家畜と農作物の健康状態を管理、モニタリングする役割を担っています。

GEDAVE では、家畜の移動、農作物の生産、農薬の使用、ワクチン接種、病害虫駆除といったサンパウロの農業に関するさまざまな情報を記録、管理しています。また、農作物の取引に不可欠な動物輸送ガイド（GTA）や原産地植物検疫証明書（CFO）などの書類の発行も GEDAVE で支援しています。

GEDAVE のバックエンドは Java で開発され、SQL Server データベースに接続されています。このデータベースには、地方の生産者に関する機密情報（生産データ、管理戦略、財務情報など）が含まれています。これまでこのデータベースはオンプレミスでホストされていたため、次のような問題が立て続けに発生していました。

データベースを最新の状態に維持することが困難: オンプレミス環境でパッチとセキュリティアップデートを適用する作業には時間と計画が必要なため、一定期間システムが利用できない状態になり、SAA-SP のサービスに頼る生産者に直接的な影響を及ぼしていました。
定期的なバックアップの実行プロセスが複雑: 確実なバックアップを定期的に行ってデータセキュリティを確保することは、オンプレミス環境では複雑で手間のかかるプロセスでした。
高可用性の確保が困難: オンプレミスデータベースの高可用性を維持するには、冗長で複雑なインフラストラクチャに投資しなければならず、管理のコストと複雑さが増大していました。

さらに SAA-SP は、生産者が市場の需要に応え、輸出に向けた品質管理や内部での生産のモニタリングといった複雑な問題に対処できるように、これらのシステムを 24 時間 365 日利用できるようにする必要がありました。

データセキュリティも重要でした。なぜなら、家畜群の種類、ワクチン接種戦略、害虫駆除などの情報は機密性が高く、厳格に保護する必要があるからです。

イノベーションの種をまく:

SAA-SP はこうした課題に対処するため、データインフラストラクチャをモダナイズすることにしました。そこで選択したのが、Google Cloud です。Google Cloud Platform の優れたパフォーマンスなら、アプリケーションの可用性と効率を確保できると考えたのです。また、その管理のしやすさによってデータベース管理が簡素化され、IT チームが他の優先業務に専念できるようになることも期待しました。

このモダナイゼーションの第一歩として、SAA-SP は SQL Server データベースを Google Cloud 上の Cloud SQL for SQL Server に移行しました。Cloud SQL for SQL Server を選んだ最大の決め手は、簡単に高可用性（HA）を実現できることです。複雑な構成を行わなくても、数回クリックするだけで、データベースの自動レプリケーションと自動フェイルオーバーを構成できました。これによって障害発生時にサービスの継続性を維持し、SLA に準拠できるようになりました。Cloud SQL for SQL Server への移行に関しても、SAA-SP の業務への影響を最小限に抑えながら、迅速かつ簡単に行うことができました。

この戦略的変更は数々のメリットをもたらし、Java アプリケーションをよりスケーラブルで安全な最新のデータベース環境に接続できるようになったのです。

成功を摘み取る:

アップデートの簡素化: Cloud SQL for SQL Server では簡単にパッチとアップデートを適用できるため、ダウンタイムを最低限に留め、最新バージョンのソフトウェアでシステムを常に保護された状態に保つことができます。
自動バックアップ: このサービスには自動のマネージドバックアップ機能が備わっているため、データセキュリティを確保し、障害発生時にはデータを復旧できます。
高可用性を簡単に実現: Cloud SQL for SQL Server によって高可用性の構成が簡素化されたため、IT チームの労力を軽減し、サービスの SLA に準拠できるようになりました。
セキュリティの強化: Cloud SQL for SQL Server では保存データと転送中データが暗号化されるため、不正アクセスから SAA-SP の機密情報を保護できます。
オンデマンドのスケーラビリティ: 需要に応じて Cloud SQL for SQL Server リソースを調整できるため、ピーク時でも Java アプリケーションの最適なパフォーマンスを確保できます。
イノベーションに注力: SAA-SP の IT チームは、データインフラストラクチャの管理を気にすることなく、Java アプリケーションの新機能の開発といった戦略的プロジェクトに注力できるようになりました。
IT コストの削減: Cloud SQL for SQL Server に移行したことで、オンプレミスデータベースを維持するためのハードウェアとソフトウェアに投資する必要がなくなったため、運用コストを削減できました。

Cloud SQL for SQL Server で農業におけるイノベーションの未来を耕す:

Cloud SQL for SQL Server への移行という戦略的な決定により、SAA-SP はオンプレミスのデータマネジメントで発生していた課題を克服し、重要なシステムの可用性、セキュリティ、スケーラビリティを確保できました。このプロジェクトの成功を決定づけた要因は、高可用性を簡単に実現できたこと、そして移行が容易であったことです。

しかし、それ以上に重要なことは、Cloud SQL によって SAA-SP にイノベーションがもたらされたことです。生成 AI の統合への扉が開かれ、より積極的で効率的な分析と意思決定が可能になりました。たとえば、SAA-SP では Looker で Gemini を活用して、Cloud SQL でホストされているリアルタイムのデータ分析情報を経営幹部に提供し、データドリブンな意思決定を促進しています。

さらに SAA-SP は、Gemini を活用したデータベースを使ってお客様を支援しており、お客様が AI を活用してデータベースのパフォーマンスとメンテナンスを強化できるようにしています。

SAA-SP では、引き続きインフラストラクチャとサービスのモダナイゼーションを進めるために以下を実施する予定です。

マイクロサービスへの移行: システムの柔軟性、スケーラビリティ、容量を拡大するため、マイクロサービスをベースとした更新バージョンのアプリケーションをリリースします。
生成 AI を活用したデータ分析: 生成 AI を活用して予測分析を実行し、Cloud SQL for SQL Server データからリアルタイムの分析情報を取得できるようにして、農業セクターにおける戦略的な意思決定を支援します。
Gemini を活用したデータ マネジメント: Gemini を活用してデータの管理と分析を容易にし、関連情報を抽出して、複雑なデータを簡単に利用できるようにします。

SAA-SP は分析の進歩を取り入れながらインテリジェントな運用管理に移行したことで、農業セクターにおけるテクノロジーとイノベーションの基準としての地位を確固たるものとしました。こうして、サンパウロ全体のアグリビジネスの発展を推進し、さらに世界中のアグリビジネスの道標としての役割を果たしています。

使ってみる:

Cloud SQL for SQL Server によってどのようにアプリケーションのパフォーマンスを強化し、可用性を維持できるのかをご確認ください。
Ford や Visual Research などの他の企業が Cloud SQL for SQL Server を使ってどのようにワークロードをモダナイズし、優れたパフォーマンスとコスト削減を実現しているのかをご覧ください。
Cloud SQL を活用してみたいとお考えの方は、今すぐ無料トライアルをお試しください。

-サンパウロ州農業供給局システム管理担当ディレクター、Michel Martins da Silva 氏
-サンパウロ州農業供給局ユーザーサポートおよびサービス部門ディレクター、Roseani Moraes Pereira 氏

L’Oréal、Tech Accelerator でエンドツーエンドの MLOps プラットフォームを構築

Wed, 05 Feb 2025 01:05:00 +0000

※この投稿は米国時間 2025 年 1 月 24 日に、Google Cloud blog に投稿されたものの抄訳です。

テクノロジーは、かつてないスピードと規模で私たちの生活や社会的な交流に変化をもたらし、新たな機会を生み出してきました。このような現実に適応するために、L'Oréal は、すべての人々が利用できる、パーソナライズされ、インクルーシブで、責任ある美を推進し、ビューティテックのリーダーとしての地位を確立しました。この取り組みは、同社の「Beauty for Each, powered by Beauty Tech（ビューティテックによる一人ひとりのための美）」というスローガンにも示されています。

このビューティテックの融合は、拡張現実を使用した美容商品、スマートデバイス、強化されたマーケティング、オンラインおよびオフラインサービス、デジタルプラットフォームなど、情報通信技術、データ、AI によって実現されたものに顕著に表れています。L'Oréal は、美容体験を高め、美容の利用可能性とサステナビリティを高める革新的なソリューションの開発に取り組んでおり、それは、世界中の人々の多様なニーズや願望に応える未来を形作るものです。

世界最大級の化粧品メーカーである L’Oréal は、従業員向けのデジタルソリューションの強化や、顧客へのパーソナライズされた体験の提供のために、長年にわたって AI を活用しています。このブログでは同社の Tech Accelerator が Google Cloud を使用して、スケーラブルでエンドツーエンドの MLOps プラットフォームを構築した方法を紹介します。このプラットフォームによって AI モデルのデプロイが加速され、迅速なイノベーションが可能になりました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud の AI と ML を試せる 300 ドル分のクレジットを獲得できます'), ('body', <wagtail.rich_text.RichText object at 0x7fbff24b00d0>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

MLOps のビジョンと要件

AI イニシアチブを加速し、商品開発を最適化するために、L'Oréal Tech Accelerator では、再利用可能で安全かつユーザーフレンドリーな機械学習オペレーション（MLOps）プラットフォームを Google Cloud に構築することを目指しました。このプラットフォームの目的は以下のとおりです。

ワークフローを効率化し、コラボレーションを強化することで、チーム間の摩擦を減らし、製品化までの時間を短縮する。
セキュリティとベスト プラクティスを確保し、一貫性があり、明確に文書化されたプロセスを促進することで、エラーを最小限に抑える。
迅速な導入を実現するために、最小限のトレーニングで直感的に操作できるプラットフォームを構築する。

このアプローチにより、より一貫性のある効率的な開発環境が促進され、最終的には、商品の品質が向上し、進化するビジネスニーズに対応するアジリティが高まります。

L'Oréal の MLOps プラットフォームの概要

Tech Accelerator の MLOps プラットフォームを理解するために、主要なコンポーネントを詳しく見ていきましょう。以下にプロセスの概要を示します。

ラベル付きデータの準備: ラベル付きデータは、BigQuery、Google Cloud Storage、オンプレミスシステム、データレイクなど、さまざまなソースから収集されます。データは ML モデルのトレーニングに備えて処理され、一元管理された場所（BigQuery、Google Cloud Storage など）に保存されます。
トレーニング パイプラインの開発: Kubeflow SDK を使用して、トレーニングパイプラインのフローとロジックを定義します。このパイプラインにより、ML モデルのトレーニングプロセスを自動化します。
トレーニング パイプラインの実行: トレーニングパイプラインが実行され、トレーニング済みモデルのアーティファクトが生成されます。このアーティファクトは、アクセスとデプロイを容易にするために Python ライブラリに埋め込まれた pickle ファイルとして保存されます。
予測パイプラインの開発: Kubeflow SDK を再度使用して、トレーニング済みモデルによって新しいデータに対する推論を生成する予測パイプラインを作成します。
予測パイプラインの実行: 予測パイプラインが実行され、BigQuery、Google Cloud Storage、データレイクに保存される推論が生成されます。
トレーニング済みモデルの検証: 予測パイプラインからの推論結果を使用して、トレーニング済みモデルのパフォーマンスを評価します。これには、F1 スコアや適合率などの主要な精度指標の計算が含まれます。
予測パイプラインを本番環境に push: ここまでのステップで、データサイエンティストや ML エンジニアがパイプラインのすべてのコンポーネントを手動で開発、テスト、検証し、新しいモデルバージョン（複数可）を作成します。次のステップでは、新しいモデルバージョンを組み込んだ新しいバージョンの予測パイプラインを本番環境に push します。このデプロイでは、CI / CD パイプラインなどの開発におけるベストプラクティスを活用します。

MLOps プラットフォームは、DevOps の原則を活用して、堅牢で効率的な開発ライフサイクルを保証します。これには、ML 開発プロセスを 4 つの異なる環境（例: Google Cloud プロジェクト）に分離することが含まれます。

DataOps 環境: この環境は、ラベル付きトレーニングデータ、モデルアーティファクト、パイプラインコンポーネントなど、すべてのデータアセットを保存および管理するための中央リポジトリを提供します。これにより、ML ワークフロー全体でデータの整合性とアクセス性を確保します。さらに、この環境では、トレーニングパイプラインが実行されてモデルの新しいバージョンが作成されます。
開発環境: 新しいバージョンの予測パイプラインをテストするための専用スペースであり、複数のモデルをオーケストレートできます。この環境では、計算速度、データの整合性、エンドツーエンドの統合、その他のパフォーマンス要素を評価できます。
ステージング環境: この環境は本番環境の設定を反映しており、ビジネス上の期待や要件の厳密なテストと検証が可能です。実際のデータに極めて近いステージングデータを使用することで、予測パイプラインにおけるビジネス上の潜在的な問題を早期に特定し、対処できます。
本番環境: 検証済みの予測パイプラインと新しいバージョンのモデルがデプロイされるライブ環境です。L'Oréal Tech Accelerator のアプリケーションとサービス用にリアルタイム予測とバッチ予測を生成し、エンドユーザーに価値を提供します。

この構造化されたアプローチでは、環境が明確に分離されているため、効率的なコラボレーションが促進され、リスクが最小限に抑えられるうえ、開発環境から本番環境へのスムーズな移行が保証されます。最終的には、AI を活用した高品質な美容体験を L'Oréal Tech Accelerator で提供できるようになります。効率をさらに最適化し費用を削減するために、トレーニングパイプラインは DataOps 環境内で 1 回のみ実行されることに注意してください。結果として得られるトレーニング済みモデルは、他の環境にもデプロイされます。これにより、各環境でモデルを再トレーニングする必要がなくなり、大幅な費用削減（最大 1/3）を実現できます。

上の図は、複数の環境と必要なインフラストラクチャの関係を示したものです。重要なポイントを以下に挙げます。

モデルトレーニングパイプラインは、トレーニング済みモデルを埋め込んだ Python パッケージを出力します。
CI / CD パイプラインは、Kubeflow Pipelines（KFP）パイプライン定義と、そのコンポーネントに関連する Docker イメージを出力します。
新しいモデルを作成するための「Training（トレーニング）」と、予測を生成するための「Inference（推論）」という 2 つの運用上の構成要素があります。

MLOps プラットフォームの主要コンポーネントの詳細

プラットフォームの運用の中核となるのが KFP です。その役割を理解するために、Vertex パイプラインとは何かを定義します。

「パイプラインとは、コンポーネントを組み合わせてコンピューティングの有向非巡回グラフ（DAG）を形成するワークフローの定義です。実行時には、各コンポーネントの実行は単一のコンテナの実行に対応し、ML アーティファクトが作成される場合があります。パイプラインには制御フローが含まれる場合もあります。」— Kubeflow のドキュメント

このセクションでは、2 つの主要な運用上の構成要素である「トレーニング」と「推論」を、L'Oréal Tech Accelerator がどのように構築および管理するかに焦点を当てます。

トレーニングパイプライン

トレーニングパイプラインのアーキテクチャは、効率性と再現性を考慮して設計されています。その仕組みをご紹介します。

パイプラインの定義とコンポーネント: パイプラインの定義は KFP アーティファクトレジストリから取得され、個々のパイプラインステップを実行するコンテナイメージは Docker アーティファクトレジストリから取得されます。これらのアーティファクトは CI / CD パイプラインによって作成および管理され、バージョン管理と一貫性が確保されます（「L'Oréal の MLOps プラットフォームの概要」を参照）。
モデルのトレーニングとパッケージ化: 新しいトレーニングパイプラインの実行が完了すると、新しいトレーニング済みモデルは Python ライブラリにパッケージ化されるため、デプロイや統合が容易になります。
Model Registry: このパッケージ化されたモデルは、Python アーティファクトレジストリに push され、トレーニング済みモデルの中央リポジトリが作成されます。これにより、モデルのバージョン管理、共有、デプロイが異なる環境でも容易になります。

推論パイプライン

推論パイプラインは、トレーニングパイプラインと同様のアーキテクチャを採用しており、モデルのデプロイにおける一貫性と効率性を確保します。その仕組みをご紹介します。

パイプラインの定義とコンポーネント: KFP を使用して定義された推論パイプラインの定義は、アーティファクトレジストリから取得されます。同様に、パイプラインに必要なコンポーネントを含む Docker イメージは、別のアーティファクトレジストリから取得されます。
CI / CD インテグレーション: これらのパイプライン定義と Docker イメージは、CI / CD パイプラインによって作成およびデプロイされます。推論パイプラインは常に最新の状態に保たれ、最新の検証済みコンポーネントが使用されます。

モジュール性と依存性の課題

従来の ML パイプラインでは、多くの場合、その定義を単一の共有コードベースに依存していました。これにより、複数のチームがパイプラインの開発に協力や貢献をする必要がある場合に、問題が生じる可能性があります。このようなチームがすべて同じコードベースで作業すると、以下のような理由で摩擦が生じ、開発プロセスに遅れが生じる可能性があります。

マージの競合: 複数のチームが同じファイルを同時に編集する場合に発生します。
インテグレーションの課題: 別々のチームによって開発された異なるコンポーネントをシームレスに連携する必要があります。
バージョン管理の複雑さ: 複数のバージョンのパイプラインの管理や更新が必要です。

デプロイのボトルネック: 異なるチームが変更を加える必要がある場合、デプロイの調整が必要です。

たとえば、2 つのチームが同じコードベース内の別々のモデル（Model 1、Model 2）で作業している場合（上図を参照）、一方のモデルのパイプラインが失敗すると、もう一方のモデルの推論パイプラインの実行が妨げられる可能性があります。これにより、システム全体に影響を及ぼす単一障害点が生じます。

この問題に対処するには、パイプライン開発において、よりモジュール化され、独立したアプローチが必要です。それにより、個々のチームが他のチームに影響を与えることなく、それぞれのコンポーネントに取り組めるようにします。

上の図は、先に説明した例と問題に対する ML パイプライン定義とインフラストラクチャを示したものです。

解決策

L’Oréal Tech Accelerator のソリューションでは、KFP アーティファクトレジストリを使用して、パイプライン開発にモジュール式のアプローチを採用しています。これにより、それぞれが独自のコードベースと CI / CD パイプラインを備えた独立したサブパイプラインを作成できます。この分離により、以下のような大きなメリットがもたらされます。

独立した開発: 各チームは、互いの進捗やデプロイに干渉されることなく、サブパイプラインで自律的に作業できます。これにより、チーム間の摩擦が軽減され、開発サイクルが加速されます。
テストとバージョニングの分離: 各サブパイプラインは個別にテストおよびバージョニングを行えるため、あるコンポーネントの変更が他のコンポーネントに誤って影響を与えることがなくなります。

アジリティの向上: このモジュール性により、システム全体に影響を与えることなく、各チームがサブパイプラインを迅速に適応および更新できます。

上記に加えて、L'Oréal Tech Accelerator では、オーケストレーターとして機能する追加のコードベースを導入しています。このオーケストレーターは、各サブパイプラインの出力アーティファクトを構成要素として使用し、個々のサブパイプラインを一貫したワークフローに統合します。このアプローチは、独立した開発のメリットと統合パイプラインのパワーを組み合わせたものです。

上の図は、このソリューションの ML パイプライン定義とインフラストラクチャを示したものです。

例: 集約パイプラインのコードスニペット

以下のコードスニペットは、集約モジュールの使いやすさを示したもので、異なるチームによる複数の予測パイプラインとモデルを組み合わせる例です。このオーケストレーションレイヤにより、個々のコンポーネントを統一されたワークフローにシームレスに統合できます。

code_block: <ListValue: [StructValue([('code', '# レジストリからアーティファクトパイプラインを取得\r\n\r\nartifact_ml_model_1_pipeline = RegistryClient(host=KFP_REGISTRY_URL).download_pipeline(\r\n package_name=’ml_model_1_pipeline’,\r\n tag=1.0.0\r\n)\r\n\r\nartifact_ml_model_2_pipeline = RegistryClient(host=KFP_REGISTRY_URL).download_pipeline(\r\n package_name=’ml_model_2_pipeline’,\r\n tag=1.0.0\r\n)\r\n\r\n# アーティファクトパイプラインを読み込む\r\n\r\nml_model_1_pipeline = kfp.components.load_component_from_file(artifact_ml_model_1_pipeline)\r\nml_model_2_pipeline = kfp.components.load_component_from_file(artifact_ml_model_2_pipeline)\r\n\r\n# パイプラインを使用\r\n\r\n@pipeline\r\ndef aggregated_pipeline():\r\n ml_model_1_pipeline(params={…})\r\n ml_model_2_pipeline(params={…})'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbfdc6c8580>)])]>

まとめ、次のステップ

Google Cloud に構築した L'Oréal のモジュール式 MLOps プラットフォームにより、AI 開発プロセスの効率性とアジリティが大幅に向上しました。各チームがそれぞれの ML モデルで独立して作業できるようになったほか、L'Oréal Tech Accelerator によって開発の加速とコラボレーションの改善が実現し、システムの品質と信頼性も向上しました。

現在のプラットフォームはすでに大きなメリットをもたらしていますが、引き続き最適化を進めています。

特に重点を置いているのは、Docker イメージのサイズを増加させ、パイプラインの速度を低下させる可能性がある、大規模なモデルアーティファクトの課題への対応です。この問題を軽減するために、L'Oréal Tech Accelerator では、オンデマンドモデルのダウンロードや API 駆動型の推論などのソリューションを模索しており、ビューティテックのイノベーションの最前線に立ち続けることを目指しています。

^{今回の執筆にあたり、Kerebel Paul-Sirawit 氏（L’Oréal、DevOps & Cloud Lead）、Sokratis Kartakis 博士（Google、生成 AI ブラックベルト）、Christophe Dubos（Google、プリンシパルアーキテクト）からご支援をいただきました。心から感謝の意を表したいと思います。冒頭画像クレジット: Ben Hassett / Myrtille Revemont / Helena Rubinstein pour L’Oréal}

-L’Oréal、Tech Accelerator 最高技術責任者 Moutia Khatiri 氏

AI が小売業者を支援: 販売、マーケティング、サプライチェーンなどに活用

Tue, 21 Jan 2025 01:20:00 +0000

※この投稿は米国時間 2025 年 1 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud のミッションは、あらゆる組織のビジネスと業界のデジタルトランスフォーメーションを推進する能力を高めることです。その実現の鍵となるのが、重要な業界知識と技術的な専門知識を有する ISV やサービスパートナーの存在です。Google Cloud は、あらゆる業界で最先端のエコシステムソリューションをお客様に提供するために、パートナーの皆様が Google Cloud のプラットフォーム上でサービスを簡単に構築し、拡張できるようにしています。多くのパートナーが Google Cloud の AI テクノロジーに深く関わり、新しい斬新な AI ソリューションをお客様に直接提供しています。

ここでは、全米小売業協会（NRF）の年次カンファレンスで紹介された、小売業界を支援している 20 社以上の ISV やサービスパートナーに焦点を当てます。これらの企業は、Vertex AI、Gemini モデル、他の Google Cloud テクノロジーを活用したツールを提供し、従業員の働き方や買い物客のブランドとの関わり方を変革しています。

生成 AI は、小売業界にすでに大きな影響を与えており、よりパーソナライズされたマーケティングキャンペーンの実施、検索機能の向上による売上増加、より正確でお客様に合わせた解決策によるカスタマーサービスエクスペリエンスの向上などに利用されています。多くの場合、このような企業が予測能力を超えて自律的にタスクを実行できるように AI エージェントが支援しています。

NRF では、小売パートナーのエコシステムを幅広く紹介し、Google Cloud のテクノロジーを活用してお客様を成功に導いている方法に焦点を当てました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7fbfbe17f1f0>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

AI を活用したデータでマーケティングを変革

AI は、小売業者がビジネスデータからより多くの価値を引き出すことを支援し、パーソナライズされた大規模キャンペーンの作成、データドリブンなインサイトによる ROI の向上、より予測的で高度なオーディエンスセグメントの構築を可能にします。パートナーは、Vertex AI、Gemini モデル、BigQuery を使用することで、お客様がデータの真の可能性を引き出し、収益の最適化や、より効果的なビジネスの成長を実現できるよう支援します。

Eagle Eye: AI を活用したオムニチャネルパーソナライズソリューションを提供。Vertex AI を基盤とし、小売業向けに構築されたアルゴリズムにより、パーソナライズされたプロモーションを大規模に生成し、チャネル全体でロイヤルティと顧客エンゲージメントを促進。
LiveRamp: 企業のブランドと消費者の信頼を守りながら、顧客データを強化、有用化、分析できるデータコラボレーションプラットフォームを提供。
Revieve: 美容の小売業者やブランド向けにカスタマイズした複数のソリューションを提供。消費者とのリアルタイムのやりとり、次世代 AI、会話型 AI、データに基づく商品検索などを利用可能。
Revionics: Gemini と Vertex AI を活用して会話分析を強化している価格最適化スイートを提供。小売データに関して「どの競合他社が最も頻繁に価格を変更しているか」や「どの商品が競合他社よりも価格が高いか」といった自然言語検索を利用可能。

ユニファイドコマースエクスペリエンスの最適化

ユニファイドコマースエクスペリエンスにより、小売業者はフロントエンドとバックエンドのシステムをより包括的に把握できるようになり、すべての小売チャネルにわたって顧客、在庫、注文を完全に可視化できます。パートナーは、BigQuery や埋め込み ML などの Google Cloud テクノロジーを活用することで、顧客の意思決定プロセスの強化を支援でき、より強固なブランドのロイヤリティの創出や、収益の増加を実現できます。

BigCommerce: Google Cloud AI を BigAI Product Recommendations に使用。ブランドは、パーソナライズされたおすすめ情報を買い物客にリアルタイムで提供できるようになり、コンバージョン率と平均注文額の向上が可能に。
Bloomreach: リアルタイム AI ソリューションに顧客データと商品データを独自に統合。よりパーソナライズされたマーケティング、商品検索、広告コンテンツ、会話型ショッピングエクスペリエンスを提供。
commercetools: コンポーズ可能なコマースプラットフォームを提供するグローバルリーダーとして、企業がショッピングエクスペリエンスをカスタマイズ、拡張、最適化できるように支援。小売業者のリスクと費用を削減し、優れたカスタマーエクスペリエンスを通じて成長を促進するソリューションを提供。
Everseen: Vision AI プラットフォームとアプリケーションにより、売り上げ減少の抑制、在庫精度の向上、カスタマーサービスの強化を支援し、データドリブンのインサイトを提供。小売業者の ROI 向上と効率的なショッピングエクスペリエンスを実現。
Quantum Metric: 顧客のデジタルジャーニーをより簡単にモニタリング、トラブルシューティング、最適化できるデジタル分析プラットフォームを提供。生成 AI を活用してユーザー維持率やコンバージョン率などを改善。
Shopify: 世界をリードするグローバルコマース企業として、あらゆる規模の企業向けに、スピード、カスタマイズ、信頼性、セキュリティを考慮して設計されたプラットフォームを提供。買い物をする場所を問わず優れたショッピングエクスペリエンスを消費者に提供。

持続可能なサプライチェーンの構築

小売業者は、AI を活用したツールをサプライチェーンや物流に導入することで、より持続可能で効率的な業務運営を推進し、自動化の拡大や、バリューチェーン全体にわたる二酸化炭素排出量の削減を実現できます。パートナーは Vertex AI や BigQuery を活用して、これらの機能を小売業者に展開し、業界をリードする分析機能と予測機能によってビジネスパフォーマンスを最適化しています。

345 Global: 店舗計画、商品化計画、販売、マーケティングの機能を単一の統合ソリューションで最適化できるクラウドベースのプラットフォームを提供。
Impact Analytics: 需要予測、サプライチェーン管理、商品計画、価格設定、プロモーションの強化など、さまざまな分野を予測分析と ML を使用して最適化するプラットフォームを提供。小売業者や消費財企業がより適切な意思決定を行い、収益性を向上できるように支援。
Manhattan: 小売業者が POS、受注管理、在庫管理、フルフィルメント、カスタマーサービスをサプライチェーン業務と統合できるように支援。業務最適化と、リアルタイムの意思決定を可能にし、成長を促進。
o9 Solutions: 分断された計画プロセスを変革して測定可能な成果を実現。価値の減衰を抑制し、よりスマートで統合された効率的な計画決定を支援。

aside_block: <ListValue: [StructValue([('title', '小売業界と消費財業界における 2025 年の AI トレンド'), ('body', <wagtail.rich_text.RichText object at 0x7fbfbe17f880>), ('btn_text', '今すぐ読む。'), ('href', 'https://cloud.google.com/resources/ai-trends-retail?utm_source=cgc-blog&utm_medium=blog&utm_campaign=FY24-Q4-global-ENT30703-website-dl-ai-trends-report-retail-cpg-2025&utm_content=-&utm_term=-'), ('image', None)])]>

実店舗の業務改善

実店舗と対面式のショッピングエクスペリエンスは、小売業者にとって依然として不可欠です。AI は、こうした企業の業務をさまざまな方法で改善しています。たとえば、商品計画の担当者が顧客の要望に対応する方法を改善したり、マシンビジョンを導入して在庫不足の課題を検出して解決したりしています。

NCR Voyix : シームレスでパーソナライズされたオムニチャネルのショッピングエクスペリエンスを小売業者が実現できるよう支援。買い物客の行動や店舗のパフォーマンスに関するリアルタイムのデータドリブンなインサイトを提供することで、業務の最適化と長期的な成長を支援。
Standard.ai: コンピュータビジョンを使用して小売業者のパフォーマンスを最適化するソリューションを提供。買い物客の行動や店舗のパフォーマンスを高解像度で把握できるマルチカメラトラッキングなどの機能を利用可能。
VusionGroup: 小売業者の業務効率の最大化と、店舗のパフォーマンス向上を支援するソリューションを提供。インテリジェントな価格設定やプロモーション、陳列棚のリアルタイムモニタリング、店舗内デジタル広告といった重要な機能を最適化可能。
Zebra: AI と ML を活用して新しく統合されたハードウェアとソフトウェアのソリューションを提供。在庫管理の改善、現場スタッフの連携、インテリジェントな自動化を通じて、小売業者のワークフロー変革を支援。

サービスパートナーによるカスタマーサクセスの実現

Google Cloud は、AI プロジェクトの計画、デプロイ、最適化に必要な専門知識とサポートについて、サービスパートナーを通じてお客様にお届けしています。NRF で紹介したように、これらのパートナーの多くは、小売業者向けに特化したサービスを立ち上げており、AI や他の Google Cloud テクノロジーによってお客様の変革を支援するサービスをすでに実証し、提供しています。

Accenture: ai.RETAIL ソリューションにより、業務変革に必要なテクノロジーを顧客に提供。AI とエッジコンピューティングを導入することで、消費者エクスペリエンスの向上、マーケティングのパーソナライズ、従業員の生産性向上などを実現。
Deloitte: インテリジェントなタスク管理と店舗業務の改善を実現するリアルタイムの Associate Productivity ソリューション、在庫の生産性と店頭在庫の可用性を向上させる Demand Planning ソリューション、顧客インサイトとパーソナライズされたマーケティングを改善する Customer Data Enrichment ソリューションを提供。
Publicis Sapient: Google Cloud AI を同社の Content Supply Chain サービスに適用することで企業のコンテンツライフサイクルの最適化を支援。小売業者は Retail Media Accelerator を利用して新しい収益源を特定でき、マーケティングライフサイクル全体で ROI の向上が可能。
Tredence: 統合データモデルと AI / ML アクセラレータを、生成 AI を活用した Category Performance Advisor と組み合わせて提供。小売業者が市場のトレンドを先取りし、効率を向上させ、目に見える成長を促進するためのリアルタイムの規範的推奨事項を提供。
Slalom: BigQuery、Vertex AI、Gemini を使用するマルチモーダル AI 検出ソリューションを小売業者に提供。顧客が商品検出の課題を解決し、配送および保証に関する情報のための自動ワークフローを開始できるよう支援。

-Google Cloud、グローバル小売戦略 / ソリューション担当ディレクター Paul Tepfenhart

会話エージェントを使って動的なウェブエクスペリエンスを実現する方法

Tue, 21 Jan 2025 01:10:00 +0000

※この投稿は米国時間 2025 年 1 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

ウェブサイトをお持ちの場合、既存顧客の維持と新規顧客の獲得を効果的に両立できる、魅力的なエクスペリエンスを生み出すことは最低限の条件です。ユーザーはパーソナライズされたコンテンツを求めていますが、従来のウェブサイト開発ツールでは、個々のユーザーに合わせた動的なジャーニーへのニーズに十分に対応できません。Google Gemini と会話エージェント（Dialogflow CX）を使用すると、ユーザーが何を探しているかに応じてコンテンツが動的に変わるウェブサイトを構築できます。

このブログ投稿では以下のことを行う方法について説明します。

会話エージェントを使用して、ユーザーのインテントに対応する動的なウェブページを作成する
関数ツールを使用して、会話のインテントとウェブコンテンツの表示を結びつける

会話エージェントの関数ツールとは

会話エージェントの関数ツールは、chatbot で外部システムとやり取りし、ユーザーとの会話に応じてアクションをトリガーできる機能です。この記事では、関数ツールを使用して以下のことを行います。

自然言語の入力からユーザーのインテントを検出する
それらのインテントを特定の関数ツールにマッピングする
会話の流れに応じて UI を動的に更新する

aside_block: <ListValue: [StructValue([('title', 'Google Cloud のデベロッパーツールを試せる 300 ドル分のクレジットを獲得できます'), ('body', <wagtail.rich_text.RichText object at 0x7fbff25b68e0>), ('btn_text', '無料で始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

小売業の chatbot の例

これらの機能はあらゆる業種で活用できるものですが、特に小売業では会話エージェントを使った動的ウェブページの構築が効果的です。ここでは、このツールのデモとして、小売業の chatbot のユースケースを使用します。ワークフローは次のとおりです。

ステップ 1: 関数ツールを作成する

新しいハンドブック関数ツール Load-Swag-Content で、次の入力 / 出力スキーマを YAML 形式で設定します。

code_block: <ListValue: [StructValue([('code', '# 入力形式\r\nproperties:\r\n url:\r\n type: string\r\n description: the URL for the Swag\r\nrequired:\r\n - url\r\ntype: object\r\n\r\n# 出力形式\r\nnull'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbfefd4be50>)])]>

コンソールは次のようになります。

ステップ 2: ハンドブックステアリングエージェントを設定する

関数ツール Load-Swag-Content を呼び出すメインのステアリングハンドブックを設定します。

ステップ 3: ハンドブックエージェントの動作を実行する例を作成する

この例では、ユーザーが「バックパック」について尋ねると、ハンドブックエージェントが関数ツールを呼び出し、ウェブクライアントへの引数としてバックパックに関連する URL を渡します。

ウェブクライアントの詳細については、次のステップで説明します。

ステップ 4: ウェブクライアントの JavaScript 関数を記述する

クライアントサイドの JavaScript 関数は、Load-Swag-Content 関数ツールから URL を受け取り、それに合わせて HTML の iframe を更新します。

code_block: <ListValue: [StructValue([('code', 'function loadURL(url) {\r\n console.log("URL received: " + url.url);\r\n document.getElementById(\'myIframe\').src = url.url;\r\n }'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbff01e0bb0>)])]>

ここでは、HTML の iframe を使用して、関数呼び出しとパラメータ受け渡しの機能を示しています。他のウェブフレームワークやウェブアプリケーションでも同じコンセプトを使用できます。また、創造性を発揮してカスタムロジックを構築することもできます。

ステップ 5: 関数ツールを登録する

registerClientSideFunction を使用してハンドブック関数ツールを登録します。これで Load-Swag-Content ツールが JavaScript 関数 loadURL とマッピングされます。

code_block: <ListValue: [StructValue([('code', 'const toolId = "YOUR_TOOL_ID"\r\n\r\nconst dfMessenger = document.querySelector(\'df-messenger\');\r\n\r\ndfMessenger.registerClientSideFunction(toolId, "Load-Swag-Content", loadURL)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbff3063a00>)])]>

toolId は、ハンドブック関数ツールのページのブラウザ URL バーから取得できます。

ステップ 6: Dialogflow Messenger を統合する

最後に、Dialogflow Messenger の統合をウェブクライアントに埋め込みます。

code_block: <ListValue: [StructValue([('code', '<df-messenger\r\n location="YOUR_REGION"\r\n project-id="YOUR_PROJECT_ID"\r\n agent-id="YOUR_AGENT_ID"\r\n language-code="en"\r\n max-query-length="-1">\r\n <df-messenger-chat-bubble\r\n chat-title="VA driven Web Content"\r\n expanded="true"\r\n chat-width="320"\r\n chat-height="480">\r\n </df-messenger-chat-bubble>\r\n</df-messenger>'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbff3063400>)])]>

フロントエンドのソースコードの例

フロントエンドのサンプルコードです。YOUR_REGION、YOUR_PROJECT_ID、YOUR_AGENT_ID、YOUR_TOOL_ID、そしてカスタム JavaScript 関数などの構成は更新してください。

code_block: <ListValue: [StructValue([('code', '<HTML>\r\n <body>\r\n <iframe id="myIframe" src="" width="100%" height="600px"></iframe>\r\n \r\n <link rel="stylesheet" href="https://www.gstatic.com/dialogflow-console/fast/df-messenger/prod/v1/themes/df-messenger-default.css">\r\n <script src="https://www.gstatic.com/dialogflow-console/fast/df-messenger/prod/v1/df-messenger.js"></script>\r\n <df-messenger\r\n location="<YOUR_REGION>"\r\n project-id="<YOUR_PROJECT_ID>"\r\n agent-id="<YOUR_AGENT_ID>"\r\n language-code="en"\r\n max-query-length="-1">\r\n <df-messenger-chat-bubble\r\n chat-title="VA driven Web Content"\r\n expanded="true"\r\n chat-width="320"\r\n chat-height="480">\r\n </df-messenger-chat-bubble>\r\n </df-messenger>\r\n <style>\r\n df-messenger {\r\n z-index: 999;\r\n position: fixed;\r\n --df-messenger-font-color: #000;\r\n --df-messenger-font-family: Google Sans;\r\n --df-messenger-chat-background: #f3f6fc;\r\n --df-messenger-message-user-background: #d3e3fd;\r\n --df-messenger-message-bot-background: #fff;\r\n bottom: 16px;\r\n right: 16px;\r\n }\r\n </style>\r\n \r\n <script>\r\n function loadURL(url) {\r\n console.log("URL received: " + url.url);\r\n document.getElementById(\'myIframe\').src = url.url;\r\n }\r\n \r\n const toolID = "<YOUR_TOOL_ID>";\r\n \r\n const dfMessenger = document.querySelector(\'df-messenger\');\r\n dfMessenger.registerClientSideFunction(toolID, "Load-Swag-Content", loadURL);\r\n \r\n const default_url = {"url":"https://www.example.com/v1/inventory.html"};\r\n loadURL(default_url);\r\n dfMessenger.sendQuery(\'Hi\');\r\n \r\n </script>\r\n </body>\r\n </HTML>'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbfdc3031c0>)])]>

デモのウェブページ

仮想商品アシスタントのデモユースケースを見てみましょう。チャットで初めにあいさつのメッセージが表示されます。

顧客がフリースジャケットについて詳しく知りたいと返すと、ページが動的に更新され、関連する情報が表示されます。

次のステップ

会話エージェントの関数ツールの詳細については、以下のリソースをご覧ください。インテントに応じたリアルタイムの動的ウェブページでカスタマーエクスペリエンスを向上させましょう。

会話エージェントを初めて使用する場合に役立つチュートリアルはこちら
関数ツールのドキュメント
会話エージェントのベストプラクティス

-生成 AI ソリューションアーキテクト Wei Yih Yap

-会話型 AI プラクティススペシャリスト（アジア太平洋地域）Han Wen Kam

エッジでの推論が小売業者向けの新たな AI ユースケースを実現

Tue, 21 Jan 2025 01:00:00 +0000

※この投稿は米国時間 2025 年 1 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

小売業者にとって、データに基づいてインテリジェントな意思決定をリアルタイムで行えることは、もはや強みではなく、必須条件となっています。時代の先端を行くには、AI を受け入れる必要がありますが、現在のテクノロジーを全面的に見直すには費用がかかるため、多くの小売業者は導入に慎重です。従来型の AI 実装には多額の先行投資が必要なこともありますが、既存のアセットを生かして AI を活用することも可能です。

セキュリティカメラや POS システムなどのアセットを使い、予算を圧迫することなく、店舗分析、取引の迅速化、スタッフの支援、損失防止、そしてパーソナライズが可能です。この投稿では、遠隔地にあるクラウドサーバーに頼らずに、AI に最適化されたアプリケーションをローカルデバイスで実行する「エッジ推論」という手法で、小売業のアセットを強力なツールに変える方法を探っていきます。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7fbff2852f70>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

小売業が AI 基盤を築く方法

小売業者は、ビジネスの至るところで、AI に活用できるアセットを見つけることができます。ハンドブック、トレーニング資料、運用手順の大規模なリポジトリを AI 用アセットに変えることで、従業員の生産性を向上できます。

店舗設備、人的資源、損失防止のデジタルマニュアル、分野固有の情報を、エージェントベースの AI アシスタントと組み合わせることで、コンテキストに応じた「次のアクションのアシスタント」を実現することもできます。AI に最適化されたアプリケーションをクラウドからエッジまで拡張することで、販売員が AI アシスタントに「次は何をすればいいか」を尋ね、その質問に対してパーソナライズされた具体的な回答をすぐに受け取れます。

エッジの処理能力の判断ポイント: CPU か GPU か

次に、アプリケーションを動作させるのに適切なハードウェアという重要な判断について見ていきます。2 つの主なオプションは CPU（中央処理装置）と GPU（画像処理装置）で、それぞれに長所と短所があります。情報に基づいて適切な選択を行うには、具体的なユースケースを理解し、パフォーマンスの要件、帯域幅、モデルの処理と、費用に関する考慮事項のバランスをとる必要があります。意思決定の際、特にリージョン DC とエッジのどちらにデプロイするか選ぶ際には、以下の表を参考にしてください。

意思決定のマトリックス（表）:

機能	CPU	GPU	ユースケース（例）
費用	低い	高い	基本的な分析、人数計測、簡単な物体検出
パフォーマンス	必須: 汎用的なタスクに適切	オプション: 並列処理に適切	複雑な AI、映像分析、高解像度の画像処理、ML モデルのトレーニング
消費電力	低い	高い	遠隔地、小さなフォームファクタのデバイス
レイテンシ	中	低（並列タスク向け）	リアルタイムのアプリケーション、即時の分析情報
デプロイするロケーション	エッジまたはリージョン DC	通常はエッジだが、リージョン DC でも可能	レイテンシ、帯域幅、データ処理のニーズで判断

小売業の意思決定者の主な判断基準

AI モデルの複雑さ: 基本的な物体検出など、小売業のユースケースに特化した AI モデルは多くの場合、CPU で効率的に実行できます。リアルタイムの映像分析や、大規模なデータセットを使ったおすすめのパーソナライズなど、より複雑なモデルには、一般に GPU の並列処理能力が必要となります。
データの量と速度: 大量のデータを高速で処理する場合は、ニーズに対応するために GPU が必要となる場合があります。データセットが小さく、スループットが低い場合は、CPU で十分かもしれません。
レイテンシの要件: リアルタイムの不正検出など、超低レイテンシを求められるユースケースでは、GPU のほうが、特にデータソースに近いエッジにあると、処理速度が速くなります。ただし、GPU をリージョンに置いた場合、エッジとリージョン DC との間のネットワークレイテンシがこのメリットを打ち消す可能性があります。
予算: 通常は GPU のほうが CPU よりも費用が高くなります。判断を下す前に、GPU を利用するソリューションに投資した場合の予算と見込まれる費用対効果をよく検討しましょう。可能な場合は、CPU ベースのソリューションとして始め、絶対に必要な場合にのみ GPU にアップグレードするようにします。
消費電力: GPU は一般に CPU よりも多くの電力を消費します。エッジへのデプロイ時、特に利用可能な電力が限られているロケーションでは、この点が重要な検討事項となります。電力と冷却を一元管理しているリージョン DC にデプロイする場合は、それほど問題にはなりません。
デプロイするロケーション: 処理能力とデータソースとの距離がレイテンシに大きく影響します。リアルタイムのユースケースでは、エッジ（店舗内）にデプロイすると、レイテンシを最小限に抑えることができます。リージョン DC は、ネットワークレイテンシが発生するため、即時の対応を必要とするアプリケーションには不向きです。ただし、高い処理能力を必要とするが低レイテンシは必要としない一部のタスク（夜間の在庫分析など）は、リソースをプールして一元管理できるリージョン DC が適している可能性があります。

すべての AI と ML で新しいテクノロジーへの投資が必要となるわけではありません。多くの AI / ML ベースのユースケースは、GPU を使わずに必要な結果を生み出せます。たとえば、Google Distributed Cloud のインタラクティブゲーム Price-a-Tray で参照されている、ストレージ分析と迅速な決済手続きの目視検査を考えてみましょう。動画ストリームが 25 FPS で動作を続ける間、推論は 5 FPS で実行されます。その後、1 つのシステムで動画ストリーム、検出、境界ボックスが実行されるのではなく、返された情報の上に境界ボックスが描かれます。この例では、多くの処理を複数のコアとスレッドに分散できるため、CPU のより効率的な使用が可能になっています。

これに対して、GPU のほうが理にかなっている場合もあります。非常に高い適合率が求められる場合、モデルの量子化に伴い忠実度が低下すると、質が許容可能な基準を下回る可能性があるため、GPU が必要となることが多くなります。商品のトラッキングの例で、ミリメートル単位の移動の精度が求められる場合、ある程度高速で移動する商品に 5 FPS は十分ではなく、GPU が必要となる可能性が高くなります。

GPU と CPU の間には専用アクセラレータの世界もあります。アクセラレータは、システムの周辺機器、または CPU に対する特殊な命令セットの形で存在します。CPU は高度な行列乗算によるテンソル操作がオンチップにある状態で製造され、ML / AI モデルのパフォーマンスを大幅に高めます。1 つの具体例として、OpenVINO 向けにコンパイルされたモデルの実行があります。また、Google Distributed Cloud（GDC）の Server と Rack の各エディションでは、Intel Core プロセッサが使われています。これは柔軟性の向上を念頭に設計された、行列演算に対応するアーキテクチャであり、従来の ML モデルサービスのサービングと比べて ML モデルのパフォーマンスを高めます。

ビジネスへの AI の導入

既存のインフラストラクチャを有効に活用し、AI をエッジにデプロイすることで、小売業者は最先端のカスタマーエクスペリエンスを提供し、運用を効率化し、従業員の生産性を向上できます。

Google Distributed Cloud を利用して小売ブランドを変革させる方法をさらに詳しくご確認ください。

- Google、Google Distributed Cloud 担当テクニカルリード Mike Ensor

現代のマーケターの戦略的アドバンテージ: AI を活用したデータクリーンルーム

Fri, 20 Sep 2024 03:00:00 +0000

※この投稿は米国時間 2024 年 8 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

あらゆる業界の企業が、お客様をより深く理解し、売り上げを促進するためのデータを求めています。主に大手小売業者を通して販売している、主要な消費財ブランドを想像してみてください。お客様が購入前に小売業者のウェブサイトで行う重要なアクションや、ウェブサイトで取得する価値の高いアセット（HVA）を理解することで、貴重な分析情報を手に入れられる可能性があります。ビジネス的には理にかなっていますが、小売業者は機密性の高い顧客データの共有に対して慎重で、協力を得るのは困難です。

取締役会や CEO、CFO は、CMO（やマーケティング部門）に解決策を仰ぎます。そこから、現代のマーケターがデータから本当に求めているものは何か、重要なポイントが明らかになります。

詳細な分析情報を取得する: プライバシーを侵害することなく、さまざまな情報源から取得したデータを安全に分析する
分析情報をより良い決定のために活用する: AI を活用した便利なツールを利用して、隠れたパターンと機会を発見する
ビジネスを成功に導く: ターゲットを絞ったマーケティングとパーソナライズされた顧客体験で、成長を促進する

上述の 3 点を結ぶ共通要素はデータ クリーンルームです。安全でプライバシー規定を遵守できるソリューションを提供し、さまざまな業界が共同で行うデータ分析から現代のマーケターが貴重な示唆を得られるよう後押しして、戦略的意思決定とビジネスの成長を促進します。

Google BigQuery データクリーンルーム: 安全なソリューション

BigQuery データクリーンルームは、2023 年に導入されて以来、BigQuery のエコシステムの利点を活用すると同時に、機密データを共有、分析し、コラボレーションするための安全な環境を提供しています。

仕組みとアーキテクチャ

BigQuery データクリーンルームは、データの安全な共有と交換を可能にする BigQuery 内のプラットフォーム、Analytics Hub に特化したアプリケーションです。Analytics Hub は、プロバイダがデータ使用量をコントロールし認識できるようにし、組織がデータセットをその場で共有できるデータのエコシステムを構築します。

BigQuery データクリーンルームは、Analytics Hub と BigQuery のサーバーレスアーキテクチャを活用して、複数のグループがコラボレーションするために安全な環境を確立します。データは元の場所に保持されるため、データのプライバシーは確保したまま、参加者はクエリを行い集計結果を共有できます。

舞台裏: アーキテクチャ

BigQuery は主に、データ提供者とサブスクライバーがデータセットを保管するデータのプラットフォームとして機能します。Google Cloud の BigQuery はフルマネージドでサーバーレスのデータウェアハウスであり、膨大なデータセットをスケーラブルに、優れた費用対効果で分析できるようにします。BigQuery はコンピューティングとストレージを分ける分離アーキテクチャが特徴的です。この分離アーキテクチャによって、最適なパフォーマンスと費用対効果を実現する独立したスケーリングが可能になります。

Analytics Hub の共有データセットのコンセプトを活用することで、データクリーンルームのオーナーは、分析ルールを適用し、特定の下り（外向き）トラフィックに限定して、データセットを提供できます。ルールによって、データクリーンルームから得られる出力の種類が決定され、データのプライバシーが確保されます。アーキテクチャの詳細については、Google Cloud のドキュメントを参照ください。

業界でのユースケース

データクリーンルームはあらゆる業界のビジネスに変化をもたらしています。ユースケースをいくつか見てみましょう。

ユースケース 1: デジタル広告からの新規顧客の獲得を測定する

ある企業が、新規顧客の獲得や一度離れた顧客の再エンゲージメントのために、さまざまなプラットフォームでデジタル広告キャンペーンを行うとします。キャンペーンが終了すると、広告プラットフォームのデータ（インプレッション数、クリック数など）がデータクリーンルームに追加されます。

安全な環境内で、企業は広告キャンペーンのデータを自社内の顧客データと組み合わせることができ、広告のインタラクション（クリック数など）と実際の顧客コンバージョンの照合が可能になります。データクリーンルームは、プライベートな顧客情報が非公開となること、集計分析のみに利用されることを保証します。企業は、キャンペーンを通して獲得した新規顧客の数、顧客獲得単価、全体の広告費用対効果などの重要な指標を確認できます。こうした分析情報により、企業はキャンペーンの成功を評価し、将来の広告戦略について適切な判断を下せるようになります。

ユースケース 2: 小売業者と消費財企業とのコラボレーション

リテールメディアネットワークが消費財（CPG）ブランドパートナーとコラボレーションする際に、BigQuery データクリーンルームは新しい貴重な分析情報を提供できます。コラボレーションを通して、消費財企業は小売業者のプラットフォームで実施した広告キャンペーンの効果、特に両社に共通するオーディエンスに対する効果を評価できます。消費財企業は、小売業者のプラットフォームでのキャンペーンの影響について情報を得ることで、より情報に基づいた意思決定を行い、マーケティング戦略を最適化できます。

消費財データ: 消費財企業は既存のオーディエンスデータ（1p）を提供します。
小売業者データ: 小売業者はどの顧客が購入したか示すデータを保有します。
データクリーンルーム: データクリーンルームと呼ばれる、安全でプライバシーが保護された環境内で、消費財企業と小売業者はハッシュされたお客様 ID を照合できるため、ターゲットの顧客が広告商品を実際に購入したかの判別が可能になります。

消費財企業は広告の効果を評価し、キャンペーンを強化できます。同時に、小売業者は消費財パートナーに対して、自社の広告プラットフォームの価値を示せます。

ユースケース 3: 小売業者とパブリッシャーのコラボレーション

小売業者はストリーミングサービスなどのパブリッシャーとコラボレーションできます。小売業者はロイヤルティデータやモバイルデータを提供し、ストリーミングサービスはエンゲージメントデータを提供します。データクリーンルームは安全で中立な環境として機能し、両者が相手の元データにアクセスすることなく、データセットを組み合わせ、分析できるようにします。

小売業者はポイントプログラムメンバーの視聴の傾向を理解し、潜在的な新規顧客を特定できます。一方でストリーミングサービスは、サブスクライバーのショッピング行動に関する分析情報を得て、おすすめコンテンツをカスタマイズできます。組み合わせたデータの分析から両者が利益を得て、競争力をもたらすインテリジェンスを手に入れ、プラットフォームをまたいだマーケットトレンドと顧客の行動を特定できます。

ユースケース 4: 小売業者とメーカーのコラボレーション

小売業者とメーカーは、小売業者が販売と在庫のデータを共有し、メーカーが商品データを共有することで、データクリーンルーム内でコラボレーションできます。

データを組み合わせることで、両者ともが分析情報を得て、実行可能な推奨事項を見出すことができるようになります。結果として、製品の品揃えの最適化、戦略的な価格設定、ターゲットを絞ったマーケティングキャンペーンの実施が可能となります。

マーケティングの先: 組織内での安全なコラボレーション

データクリーンルームは、さまざまな組織内コラボレーションのユースケースにも利用可能であり、組織は厳しいプライバシー基準を遵守したまま、組織内のチーム間で機密データを活用できます。情報を匿名化、仮名化することで、チームは個人のプライバシーを侵害することなく、効果的にコラボレーションできます。

ユースケース

HR 分析: HR 部門はデータサイエンスチームと協力することで、従業員データを分析し、パフォーマンスや離職に関する傾向を特定して、優秀な人材を維持するための予測モデルを開発できます。データクリーンルームは、分析のプロセスを通じて、プライベートな従業員情報が確実に保護されるようにします。
従業員のエンゲージメント: 組織内のコミュニケーションチームは、匿名性を保ちながら、アンケートとソーシャルメディアのデータを通して、従業員の感情を分析できます。組織は個人のプライバシーを侵害せずに、従業員の意見を理解し、改善可能な分野を特定できます。

データクリーンルームはさまざまな部門間での安全な組織内コラボレーションを促進し、機密情報を保護しながらデータドリブンな意思決定を可能にします。信頼とコンプライアンスの文化が育まれ、組織はプライバシーを侵害せずに、データのポテンシャルを最大限に引き出せます。

現代のマーケターが実行可能な戦略とは何でしょう？

データクリーンルームは以下の分野でビジネスを支えます。

分析情報を取得: プライバシーとセキュリティを維持しながら、データから実用的なインテリジェンスを抽出
イノベーションを促進: データドリブンな意思決定を可能にし、顧客体験を向上させ、成長を後押し
コラボレーションを促進: サイロを解消し、安全なデータ共有を実現

現代のマーケターにとって、AI を活用したデータクリーンルームは戦略的なアドバンテージとなります。ユースケースの特定、データ共有契約の締結、AI ツールの活用、結果のモニタリングを通じて、データの力を活用し、ビジネスを推進できます。BigQuery データクリーンルームの仕組みや、アーキテクチャについて、詳細をご覧ください。データチームは今すぐにBigQuery の無料トライアルをお試しいただけます。

-Google Cloud、マーケティングトランスフォーメーション & リテールメディアリード、Surya Kunju

commercetools と Google Cloud Application Integration で e コマースエクスペリエンスを構築する

Fri, 07 Jun 2024 01:00:00 +0000

※この投稿は米国時間 2024 年 5 月 25 日に、Google Cloud blog に投稿されたものの抄訳です。

デジタルコマースの世界は急速に進化しています。企業が競争力を維持するには、自社のコマースシステムを幅広いアプリケーションやサービスと統合できるようにする必要があります。さらに、顧客はターゲットを絞った、パーソナライズされたエクスペリエンスを期待しています。Google の AI およびデータソリューションは、e コマースソリューション内で顧客にパーソナライズされたエクスペリエンスを提供する機会を生み出します。これは、AI を活用した検索機能、商品レコメンデーション、AI chatbot、AI によるコンテンツ作成などを実装することで実現できます。これらの機能を実装し始めた組織は、Google Cloud サービスをクラウドネイティブのヘッドレスコマースプラットフォームである commercetools に接続できるようになると、大きな価値が得られます。

Google Cloud の Application Integration は、Integration-Platform-as-a-Service（iPaaS）ソリューションで、さまざまなアプリケーションやサービス間でのデータ接続と管理を合理化するツールを備えています。Google は最近、commercetools コネクタ（現在公開プレビュー版）をリリースしました。これを利用して、ユーザーは、e コマースプラットフォームと Google Cloud ソリューション、および 80 を超えるコネクタのライブラリで利用可能な他のプラットフォームとの間でのインテグレーションを加速できます。commercetools コネクタを利用して、commercetools のデータを BigQuery や Vertex AI などの Google Cloud サービスと統合することで、ユーザーは e コマース内で幅広い分析と ML 機能を利用できるようになります。たとえば、commercetools のデータをモデルのプロンプトとして使用してパーソナライズされた分析情報を生成したり、BigQuery に入力された commercetools のデータを活用して BigQuery ML で ML モデルを作成して実行したりできます。

このブログ記事では、commercetools コネクタのさまざまな機能と、それを活用してカスタマーエクスペリエンスを向上させるいくつかのユースケースをご紹介します。

commercetools プラットフォームを Google Cloud と接続する

commercetools は、コンポーズ可能なコマースプラットフォームを提供する会社で、450 社を超える企業に、デジタルタッチポイントでも物理的なタッチポイントでも優れたショッピング体験を実現するために必要なコンポーネントを提供しています。世界最大手の企業が、commercetools が提供するツールを利用して、将来を見据えたデジタルサービスを実施し、リスクと費用を削減し、収益増加を図っています。

commercetools コネクタは、新たなレベルのインテグレーションを可能にし、次のようなさまざまなのメリットをもたらします。

インテグレーションの簡素化: commercetools プラットフォームと、Google の Application Integration で利用できるコネクタ、タスク、サービスの豊富なエコシステムとの接続を確立します。事前に構築されたコネクタにより、BigQuery、Vertex AI、Pub/Sub、Cloud Spanner などの Google ファーストパーティサービスや、コネクタを持つサードパーティシステムと簡単に統合できます。インテグレーションの処理は Application Integration に任せて、データマッピングタスクを使用してデータ変換のニーズに簡単に対応できます。これにより、製品化までの時間を短縮し、開発費用を削減できます。
データフローの強化: BigQuery や Vertex AI などの Google Cloud サービスを、事前構築されたコネクタと vertex AI 予測タスクとともに使用することで、e コマース向けの高度なデータ分析と ML が可能になります。インテグレーションタスクを使用して、これらのアプリケーション間のデータフローをオーケストレートおよび変換します。こうして設計したインテグレーションフローを使用して、ビジネス分析、インテリジェントな商品のおすすめ、パーソナライズされたプロモーションなどを促進できます。

イノベーションの加速: e コマースプラットフォーム用のカスタムインテグレーションの構築と維持にかかる技術的なオーバーヘッドを削減します。Application Integration を使用して、ドラッグ＆ドロップインターフェースで commercetools と Google Cloud 間のインテグレーションを構築することで、デベロッパーリソースが解放され、革新的なカスタマーエクスペリエンスの構築に注力できます。

commercetools コネクタは、次のようなさまざまなユースケースに利用できます。

1. commercetools のデータを BigQuery へ: commercetools コネクタは、リアルタイムデータを commercetools から BigQuery に転送して、組織が顧客データを活用して分析情報を獲得し、カスタマーエクスペリエンスを改善してコンバージョン率を向上させるのに役立ちます。

次の例は、commercetools から BigQuery に商品データを push する方法を示しています。API 呼び出しによってインテグレーションがトリガーされます。ただし、スケジューラ、Pub/Sub メッセージなど、使用可能なトリガーはどれでも使用できます。次に、Application Integration が、commercetools から商品データを取得し、反復処理ループに進みます。このループでは、すべての商品のサブインテグレーションを呼び出し、すべての商品を収集して BigQuery に保存します。

BigQuery にある commercetools のデータを使用して、e コマースやその他の多様なデータソースからのデータを組み合わせて、情報に基づいたデータドリブンな意思決定を行うことができます。

2. オンデマンドの AI を活用した分析情報: Vertex AI を使用してオンデマンド予測を生成することで、e コマースを強化します。イベントを使用して予測をトリガーすると、これがテキストプロンプトに対する応答の生成、商品のおすすめの生成、商品の需要の予測など何であっても、Vertex AI モデルからリアルタイムの回答を得ることができます。

以下の例では、Pub/Sub メッセージを使用して、Application Integration で Vertex AI タスクを使用した Vertex AI 予測をトリガーしています。commercetools の商品データを抽出し、それを Vertex AI モデルのプロンプトとして使用して、e コマース商品の商品説明を生成しています。AI が生成した商品説明を使用して commercetools の商品を更新することで、これをさらに一歩進めることができます。

この種のインテグレーションフローは、e コマースプラットフォームデータを接続して、Vertex AI から AI の分析情報を直接引き出すのに役立ちます。

3. e コマースのパーソナライゼーション: ユーザーは今では、多数のデバイスに接続されており、意思決定を行うまでに複数のデジタルインタラクションポイントに到達します。たとえば、購入者は、購入する前にウェブサイトと検索エンジンの両方で検索する傾向があります。そのため、さまざまなチャネルにわたってパーソナライズされたエクスペリエンスを提供することがますます重要になっています。commercetools を使用して、チャネル間でデータの整合性を保つことで、オムニチャネルの e コマース戦略を実現できます。commercetools コネクタは、commercetools を Google Cloud 上の顧客データプラットフォーム（CDP）およびレコメンデーションエンジンと統合し、顧客データの一元的なハブを作成して、さまざまなチャネルにわたって一貫したパーソナライゼーションを促進することで、この戦略をさらに一歩進めるのに役立ちます。

これら 2 つの主要なプラットフォームの力を組み合わせることで、企業は成長と成功を促進する優れたカスタマーエクスペリエンスを生み出すツールを獲得できます。今すぐ始めましょう: Google Cloud Marketplace で使用可能な commercetools を見つける。Commercertools と Google のパートナーシップに関するページにアクセスする。Application Integration と commercetools コネクタの詳細を見る。

-Google Cloud、ISV パートナーエンジニア、Maria Alejandra Emmanuelli

-commercetools、エンジニアリング責任者、Siawash Shibani 氏

Kin + Carta の Integrated Commerce Network によるデジタルコマースの合理化

Thu, 22 Feb 2024 01:05:00 +0000

※この投稿は米国時間 2024 年 2 月 8 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud では、どのように始めるかにかかわらず、デジタルコマースの変革に取り組む小売、日用品、B2B、B2C のお客様をお手伝いする方法を常に模索しています。消費者のようなコマース体験をモダナイズして B2B の顧客に提供する必要のある大規模メーカーであれ、新しい商業モデルを提供する大手日用品企業であれ、コマースソリューションは、複数の最高水準のソリューションを組み込み、コンポーズ可能でありながら全体として緊密に統合させることのできるものが理想的です。大企業は自社データとパワフルなデザインを組み合わせ、顧客にとって大切な瞬間を作り出す必要があります。そうすれば、好みに合った操作感となって顧客ロイヤルティが向上し、最終的には収益性が向上します。しかし、全体的なソリューションを構築するために、ニーズを満たす適切な独立系ソフトウェアベンダー（ISV）を見つけて結び付けることは困難な場合があります。

そこでこのたび、システムインテグレーターパートナーの Kin + Carta が提供する Integrated Commerce Network を発表する運びとなりました。Google の厳選されたデジタルコマース ISV パートナーグループによる、統合型のデジタルコマースソリューションです。Integrated Commerce Network は Google Cloud の Industry Value Network（IVN）戦略の一環として、エンドツーエンドのデジタルコマースソリューションを構築し、継続的な成長とイノベーションをサポートします。

Integrated Commerce Network とは

Integrated Commerce Network は、コマース パーソナライゼーション プラットフォーム（Bloomreach）、真にクラウドネイティブでコンポーズ可能なプラットフォーム（commercetools）、高度なデジタル体験と分析のプラットフォーム（Quantum Metric）という、現代の商取引に不可欠な 3 つの柱で構成されています。デジタル トランスフォーメーション コンサルタント企業の Kin + Carta には、そうしたソリューション プロバイダや Google Cloud との連携に関する深い専門知識があります。Kin + Carta が開発する技術アクセラレータにより、そのようなソリューションを Google Cloud に素早くデプロイできるようになり、BigQuery でのデータ分析がしやすくなります。まとめると、Integrated Commerce Network は、企業が顧客のためにイノベーションと差別化に注力できる最新のコマース アーキテクチャを提供することを目指しています。

Google Cloud の IVN イニシアチブの一部である Integrated Commerce Network は、デジタルコマース用に開発された初めてのソリューションです。IVN ソリューションは、システムインテグレータ（SI）、ISV、コンテンツパートナーの専門知識とサービスを組み合わせ、包括的で差別化された、再現性がある価値の高いソリューションを作成することで、お客様の価値創出までの時間を短縮し、リスクを軽減します。デジタルコマースの IVN ソリューションとして、Integrated Commerce Network はパートナーソリューションを Google Cloud に事前に統合することで、クライアントが共通の課題に対して特注のソリューションを構築する必要性を最小限に抑えます。各コンポーネントは、小売業者、日用品ブランド、メーカー、ヘルスケアなどの企業に固有の課題に合わせて、最高水準のビルトオン Google Cloud SaaS パートナーから提供される特化型のソリューションを重ねることでまとめられています。

Google Cloud 上に構築された Kin + Carta の新しい Integrated Commerce Network ソリューションは、パートナーによる次のような強力な機能をパッケージ化しています。

Bloomreach - Google Cloud BigQuery とシームレスに統合された、AI 搭載のコマースパーソナライゼーションプラットフォーム。顧客データエンジンを搭載した Bloomreach は、マルチチャネルのマーケティング自動化とインテリジェントな商品検索のソリューションで商取引の成長を促進します。リアルタイムの顧客データと商品データが統合されるため、企業は顧客が本当に必要としているものを把握できます。
commercetools - 特定の技術に縛られないクラウドネイティブでコンポーネントベースのコンポーズ可能なプラットフォーム。デジタルと物理のすべてのタッチポイントにわたって優れた買い物体験を実現するために必要な、あらゆるコンポーネントを提供します。オンプレミスのソリューションと比較して、スケーラビリティ、高可用性、稼働時間の面で優れており、総所有コスト（TCO）を低く抑えることができます。
Quantum Metric - 顧客についての理解を深めて定量化し、核となるビジネス目標に結び付ける、デジタル体験分析プラットフォーム。そのためにリアルタイムの分析を行い、重要なデジタル化のモニタリング、診断、最適化を行えるようにします。Quantum Metric を使用すると、顧客のデジタルに関するわずらわしさを解消する際の当て推量が減り、時間がかからなくなり、デジタル化に関して顧客がいつどこでなぜ苦労しているのかを簡単に把握できるため、魅力的で使いやすいウェブサイトやアプリを作成できます。
Kin + Carta - 世界的なデジタルトランスフォーメーションコンサルタント会社。Google Cloud の Premier Partner です。コマースデリバリーに関し 20 年以上の経験を持つ Kin + Carta の専門家は、顧客の期待を超えるオムニチャネル体験を実現することで、収益を伸ばし、匿名の顧客を支持者に変えることができます。

仕組み

Bloomreach、commercetools、Quantum Metric はそれぞれ、広範な API 接続を互いに提供しているほか、多数のサードパーティソリューションにも提供しています。各パートナーは共有データを活用して互いに強化し合い、価値を高めています。

Bloomreach では commercetools のデータを使用し、好みに合った購入体験をまとめて、広告、メール、モバイル通知をカスタマイズすることができます。さらに、Quantum Metric の行動分析を価値ある分析情報に変換できるため、顧客のロイヤルティ、満足度、コンバージョンが強化されます。

commercetools は、AI によるサイト検索、商品やコンテンツのインテリジェントな推奨、Bloomreach の全方位のコンテンツ配信により、堅牢なコマースエンジンを強化できます。また Quantum Metric のデータから、見込み顧客が商取引のデジタル化を放棄している部分を特定することで、commercetools のコンバージョンプロセスを最適化することもできます。

Quantum Metric プラットフォームでは、顧客のデジタル体験を改善する必要のある部分を特定し、その体験の影響を定量化して、再設計やプラットフォームの再構築などの意思決定に役立てることができます。

最後に、最新のデジタルコマースに不可欠なこれらのコンポーネントは Kin + Carta によって統合され、デプロイされます。Kin + Carta は、Integrated Commerce Network の一部として Bloomreach、commercetools、Quantum Metriand のソリューションのデプロイを加速させ、BigQuery によるデータ分析を統合するための技術アクセラレータを構築しています。

Google Cloud 上での構築

こうしたツールは Google Cloud 上に構築されて実行されるため、Google Cloud のあらゆる利点（スピード、スケール、セキュリティ、高度な AI と ML のツール、オープンソースの取り組み）を活用できます。さらに、企業は専門家からなる Industry Solutions チームや、その世界中の大手小売業者、日用品ブランド、メーカーにおけるリーダーシップ経験を活用できます。

BigQuery を使用することで、企業は顧客データを活用し、分析情報を得て顧客体験を向上させ、収益を増やすことができます。commercetools、Bloomreach、Quantum Metric のデータを BigQuery に組み合わせると、企業は次のような新たな分析情報を得ることができます。

顧客の購入傾向
価格設定の最適化
顧客の解約の回避
顧客セグメント、リターゲティング、プロモーションを理解するためのマーケティングキャンペーンの最適化

BigQuery には ML も組み込まれているため、データアナリストは ML を大規模に運用化できます。データをさらに強化することで、商取引を行う組織は顧客の購入行動の把握、要約、予測を的確に行うことができます。

Integrated Commerce Network は Google Cloud のパートナー向けのアプローチを活用し、デジタルコマースを変革するための採用しやすいパッケージソリューションを実現します。パートナーのおかげで、商取引を行う企業は業界の既存の企業から新興企業まで、緊密に統合されたエンドツーエンドのソリューションを利用して、将来の成長とイノベーションのための強固な基盤を確立しながら顧客体験と商業的成果を向上させることができます。

Google Cloud 上に構築された Kin + Carta の Integrated Commerce Network の詳細をご確認ください。

^{この投稿に協力してくれた、ISV セールス} ^{スペシャリストの Frank Napoletano、ISV パートナー} ^{エンジニアの George Keller、グローバル ISV パートナー} ^{マーケティングの Tina Feng Liu、グローバル ISV パートナー} ^{マーケティングの Liz Seidner Davidofffor をはじめ、Google Cloud ISV パートナー} ^{チームに感謝します。}

-Kin + Carta、Google Cloud アライアンス担当シニア ディレクター Robbie Clews 氏

-Google Cloud、ISV セールス スペシャリスト Juitt Watson

ピンがドロップされたほぼすべての場所に Domino’s がピザを配達する仕組み

Wed, 31 Jan 2024 02:10:00 +0000

※この投稿は米国時間 2024 年 1 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: 本日のブログ投稿は、Domino’s の最高デジタル責任者である Christopher Thomas-Moore 氏によるものです。Domino’s が Google Maps Platform の モビリティ サービスを利用して、Domino’s ピンポイントデリバリーをお客様に提供する仕組みについて紹介しています。

Domino's は、長年にわたってイノベーションのリーダーであり続けています。配達先への到着時にお客様にロゴが見えるようにしたカートッパー（自動車の屋根に取り付ける目印）から、Ford との提携によるフードデリバリー用の初の自律走行車の開発まで、革新的な取り組みを行っています。当社は、大小さまざまなイノベーションに関わり、食品業界全体の発展に貢献してきました。

Domino’s のお客様の 80% 以上がデジタルプラットフォームを通じて購入しています。これは、テクノロジーが最重要事項であることを意味します。私たちの目標は、Domino’s のデジタルプラットフォームでお客様に合理的で満足していただける体験を提供することであり、継続的な最適化とイノベーションによってそれを実現しています。

2018 年以前は、ピザを注文して配達するには、自宅であれオフィスであれ、従来の物理的な住所が必要でした。しかし 2018 年、私たちは Domino’s Hotspots というサービスを開始しました。これは、物理的な住所ではない場所にピザを配達する初めての試みです。フランチャイズ加盟店は、お客様が従来の住所を必要とせずに配達員に会うことができる国内の数千の場所を事前に選択しました。これは革新的だったものの完全に手作業だったため、多少の制限が伴いました。

そのため、最終的には配達場所をお客様が決められるようにしたいと考えました。そこで思いついたアイデアが、ピザを注文して配達する体験をよりダイナミックにして、お客様に居場所を伝えてもらい、その場所に配達するという Domino’s ピンポイントデリバリー（注：米国でのサービス）です。Domino’s アプリの中でピンをドロップして注文すれば、どこであろうとその場所に配達員が届ける機能を提供できたことは、大きな進化と言えるでしょう。

お客様はピンをドロップするだけで注文できます

私たちは以前からこれを実現したいと思っていましたが、テクノロジーがまだ追いついていませんでした。Google Maps Platform のモビリティサービスがリリースされたことを知ったとき、Hotspots の革新性をさらに発展させる絶好のタイミングになりました。

モビリティサービスは、Domino’s ピンポイントデリバリーを実現するためのフレームワークと基盤を提供してくれました。まず、この体験を実現するにあたって非常に重要だったのは、このテクノロジーを使用して、配達員がお客様に会うために車を止められる場所を特定できるようにすることでした。その後、モビリティサービスをユーザーアプリに統合することで、配達中のピザがどこにあるかをお客様が把握できるようにもなりました。

Domino’s ピンポイントデリバリーは、配達の全過程でお客様に完全な透明性を提供します

今では、公園やプールからキャンプ場や陸軍基地に至るまで、ピザはさまざまな場所に配達されています。しかし、実に興味深かったのは、新興住宅開発地にピザを配達することになったときです。こうした新たな住宅地が従来の物理的な住所として認識される前に、お客様はピンポイントデリバリーを使って Domino's の注文を新しい家で受け取ることができたのです。

Domino’s ピンポイントデリバリーで、外出先でもピザを注文して楽しめます

Domino's には、「sell more pizza, have more fun（ピザがもっと売れれば、楽しみも増える）」という創業者の言葉があります。今回のプロジェクトは、私たちが唱える「可能性の力」を引き出し、とても楽しく、画期的で、やりがいのあるものでした。誰も想像だにしなかった、ピンをドロップすればどこにでもピザが配達される仕組みを、Domino’s は発想し、実現したのです。

Google Maps Platform の詳細については、ウェブサイトをご覧ください。

-Domino’s、最高デジタル責任者 Christopher Thomas Moore 氏

重複画像を排除: Miinto が Vertex AI Vision を使用してカスタマーエクスペリエンスを向上させた方法

Tue, 05 Dec 2023 01:30:00 +0000

※この投稿は米国時間 2023 年 11 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

ファッションの世界はペースが速いことで知られており、最新のトレンドについていくのが難しいことがあります。Miinto は、1,000 を超える世界屈指のブランドを揃えています。Miinto は、世界で最も顧客中心のファッションプラットフォームを提供するよう努めており、ユーザーは、個々のユーザーの好みやニーズに合わせて特別に厳選された、地域の高級なプレミアムブランドの最高のセレクションを見つけることができます。

オンラインでの販売には費用と時間がかかるため、独立系店舗がより多くの顧客にリーチするのは困難な場合があります。Miinto は、こうしたブランドが毎日数十万人の世界中の訪問者に商品を公開できるように支援しています。各ブランドは、ボタンのクリックによる新しい重要な収益源を得られるようになります。

Miinto のデータプラットフォームは、今後のシーズンに適した在庫を選択するなど、店舗が重要なビジネス上の意思決定を行ううえで役立ちます。Miinto が行う最も重要なことは、こうしたブランドに新しい市場への参入機会を与えることです。そして、これは Google Cloud なしでは実現できないことでした。

小売業界にとって厳しい年となった 2021 年に、Miinto は Google Cloud に移行しました。この変更はさまざまな理由から行われました。まず、元の技術スタックはかなり断片化されており、効率が低下していました。さらに、Miinto はローカルのクラウドプラットフォーム上で運用していましたが、そのインフラストラクチャのせいで速度が低下していました。私たちは開発のペースを急速に上昇させたいと考えていました。e コマースはブラックフライデーやホリデーシーズンなどの大規模なセールイベントによって需要が増大する季節変動制のビジネスであり、インフラストラクチャには多大な負荷がかかります。さらなるスピードとスケーラビリティが必要でした。Google Cloud は私たちの要望に適切に応えてくれました。

重複をなくす

現在、Miinto は、ほとんどのエコシステムのインフラストラクチャおよびホスティング環境として Google Cloud を使用しています。Compute Engine 仮想マシン上で 65 のサービスを実行し、Terraform を利用してインフラストラクチャを構築し、Ansible を利用して構成とデプロイをプロビジョニングしています。これにより、トラフィックのピークに合わせてスケールアップおよびスケールダウンができるようになりました。

Google Cloud が解決を支援してくれた課題のなかで、特に厄介だったものに在庫の重複があります。

在庫の重複は、別々の販売者が同一の商品を追加した場合に発生します。こうした重複を検出して結合しないと、同一アイテムの複数のバージョンがプラットフォーム上でお客様に表示されることになります。ほとんどのお客様は商品の詳細ページに直接アクセスしており、重複が原因で目的のサイズが購入可能であることを実際に確認できないことがあるため、重複は売上に影響を与える可能性があります。もちろん、カスタマーエクスペリエンスは悪くなります。Google Cloud に移行する前は、Data Perfection チームがデータベース内で商品を手動で検索し、その商品がすでに存在するかどうかを確認する必要がありました。これがボトルネックとなり、多くの時間を費やしていました。プロセスを改善し、処理時間を短縮する方法を見つける必要がありました。この課題を解決したのが Vertex AI Vision です。

Vision API で貴重な時間とお金を節約

Vision API Product Search（小売業向け Discovery AI の機能）は、パートナーから受信したデータを処理する到着サービスに直接接続されています。次に、そのデータを商品に変換します。また、同一の商品を頻繁に提供する多数の販売者と提携しているため、その商品がデータベースにすでに存在するかどうかを確認する必要があります。すでに存在する場合は、新しい在庫を既存の商品と結合します。ここで、Vision AI Product Search が役立ちます。画像の類似性に基づいて同一の商品を照合できるためです。

前述のように、以前は同一の商品を手動で検索して新しい在庫を結合することしかできませんでした。もちろん、手動操作は時間がかかり、需要を満たすには非効率であり、重複が作成されることがよくあります。その結果、こうした重複に対処するために別のポストプロダクションプロセスが必要となり、多くのリソースが消費されました。このようなことが原因で、処理時間が長くなり、市場投入までの時間に影響が生じ、コンバージョン率が低下していました。

Vision AI を使用すれば、商品作成プロセスを強化できるため、新商品が入ってくるたびに、品質ゲートを通じてそれらを合理化し、最高のカスタマーエクスペリエンスを提供できるようになります。プラットフォーム上にある商品の数を考えると、最も重要な要素の一つは商品の処理時間です。処理時間をわずか数秒短縮するだけで、ビジネスに大きなメリットがあります。

この目的をさらに推進するために、Miinto は商品作成プロセスにおいてサポートサービスとして機能する独自の画像検索サービス（VSS）を構築しました。VSS は主に 2 つのことを行います。その主な役割は、パートナーから提供される商品に類似する商品のインデックスを作成することです。作成は商品の写真を基に行われます。それから、商品センター間で商品画像を同期します。新しい商品が入荷されると（これを「到着」と呼びます）、VSS は各商品とそのメイン画像を Google Cloud Storage にアップロードする役割を担います。これは Vision API Product Search のインデックス作成のために送信されます。次に、手動処理ステップを開始します。同時に、VSS は Vision API Product Search にクエリを実行し、事前トレーニングされた画像埋め込みを使用して類似商品に関する情報を取得し、潜在的な重複を表示します。これにより、Miinto の商品センターのオペレーターはそれが重複しているかどうかを確認できます。オペレーターが重複を確認すると、商品が結合されます。

コンバージョン率の向上

Vision AI を導入して以来、到着情報作成プロセスの効率が 40% 以上向上しました。Miinto にとっての最大のメリットは、市場投入までの時間の短縮と運用上の費用の削減です。テストでは、返された上位 5 つの一致について見ると、100% の確率で重複画像が返されることがわかりました。上位 5 つの一致では、最初の結果で、重複は 98% の確率で見つかります。テストでは、一致が 1 秒以内に完了することも明らかになりました。その結果、これらの費用と時間の節約に基づいて、コンピューティングリソースを他のプロセスに移動できます。最終的な結果として、カスタマーエクスペリエンスが向上しました。重複した商品を 1 つの商品に結合すると、コンバージョン率が最大 20% 向上しました。

Miinto はファッション業界にとって非常に困難な時期に Google Cloud との連携を開始しましたが、常に先を行くには状況に適応する必要があると認識していました。Google Cloud に移行していなかったら、この激動の時期をどう乗り越えていたか、想像することもできません。それは達成不可能なミッションのように感じられたでしょう。しかし、移行以来、私たちは Google Cloud が Miinto の成果にどのような貢献をしてくれるのかを目にしてきました。現在は、Miinto のさらなる成長に Google Cloud の AI ソリューションをどのように役立てられるかを模索しているところです。

ー Miinto、Marek Brach 氏、Natalia Telechowska 氏

ー Google Cloud、シニアスタッフ ML エンジニア Anant Nawalgaria

TEKsystems Global Services、プラットフォームモダナイゼーションによって小売各社のデータサイロ解消を支援

Tue, 14 Nov 2023 03:00:00 +0000

※この投稿は米国時間 2023 年 11 月 2 日に、Google Cloud blog に投稿されたものの抄訳です。

小売各社は、ビジネスの成長および技術スタックの増加に伴い、データ重複やデータサイロの問題に直面します。一方で、消費者からは常に高い水準のサービスを期待されます。こうした状況は、データ管理の複雑化だけでなく、全体的な費用の増大をもたらします。そこで、Google Cloud で BigQuery、BigLake、Dataplex などのプラットフォームモダナイゼーションサービスを活用すれば、分析をスピードアップしながら、データへの不正アクセスを回避し、セキュリティおよびガバナンスに関する問題全体を縮小できます。では、小売各社の現状と、Google Cloud がさまざまな課題を解決するためにどのように役立つのかを見ていきましょう。

データサイロによって複雑性が増し、生産性が下がる

データサイロとは、小売組織内の異なる部門がそれぞれにデータを管理することから生じる、情報の独立分散化を指します。たとえば、マーケティング、営業、サプライチェーン、ロジスティクス、カスタマーサービスの各部門が、それぞれ異なるシステムを使って、データの追跡と保存を行うケースは珍しくありません。このような独立分散方式は、最初のうちは便利ですが、データ量が増えてビジネス要件やプロセスが進化するにしたがって、複雑さが増大していきます。

小売業界は、よく整備されたデータ分析エンジンによって機能する、巨大データマシンのようなものです。そこには、さまざまなソースからデータが流れ込み、各種システムに異なる形式で保存されます。加えて、このデータは随時変更されるため、部門間のコラボレーションが難しくエラーも発生しがちです。このようなデータのサイロ化によって、小売各社は以下のような課題に直面しています。

可視性やインサイトの不足: 顧客、業務、ビジネスの全体的パフォーマンスを包含した全体像を得られない。そのため、顧客の行動やトレンドを把握してデータに基づいた判断をすることができない。
非効率な業務運営: 在庫管理、サプライチェーン最適化、カスタマーサービスなどの各種業務が非効率に陥る。また、データが異なるシステムに分散することで、データの不整合が発生するリスクが高まる。
マーケティング リーチの限界: マーケティングキャンペーンにおいて効果的なターゲティングやパーソナライゼーションができない。顧客データが統合されていないため、顧客の好みや、関心、購入パターンを把握するのが困難である。
アクセス制御の限界: 一貫したアクセス制御ポリシーを実装、適用することが困難である。そのため、機密データに不正アクセスされるリスクが高まる。

各種ソースの小売データを扱うことに伴うサイロ化やセキュリティの問題に対処するには、データメッシュを構築するのが最も効率的な方法です。

データメッシュとは

データメッシュとは、自律、ガバナンス、スケーラビリティを重視した新方式のデータアーキテクチャであり、従来のデータアーキテクチャにありがちな、モノリシックで柔軟性に欠けるという課題を克服することを目的としています。

データメッシュは、分散性とスケーラビリティに優れたモジュラー型のデータ管理アーキテクチャを特徴としています。それにより、データサイロの課題、特に、部門間でデータの検索、使用、共有が困難であるという問題に対処します。

データメッシュでは、各部門のエキスパートがデータを所有、管理して、データの正確性、完全性、最新性を保証します。そのうえで、一元的カタログにデータをパブリッシュし、組織内の他部門が検索、使用できるようにします。

Google Cloud で安全なデータメッシュを構築する

データメッシュは、分析レイクハウスと連携させることができます。分析レイクハウスとは、データレイクおよびデータウェアハウスの両方の利点を取り入れたアーキテクチャであり、データの中央リポジトリを提供しながら、通常はデータウェアハウスに関連付けられている分析ツールやプロセスの使用を可能にします。

データメッシュは、レイクハウス内のデータを管理する手段を提供し、レイクハウスは、データを格納、分析する場所を提供します。小売業界におけるレイクハウスアーキテクチャの主な利点は以下のとおりです。

カスタマー エクスペリエンスの向上: 適切な権限があれば各部門の管轄データに全部門から容易にアクセスできるため、顧客が複数の部門に問い合わせなくても必要な情報をすべて入手できます。
効率化による費用削減: データの重複保存や、部門 / プラットフォーム間のデータ移動に伴う余分な出費を回避できます。
サイロなしでデータを安全に保護: データスチュワードは、最小権限の原則に基づくきめ細かなアクセス制御によって、データを安全に守れます。
データ ガバナンスの向上: データスチュワードや管理者は、Dataplex の一元的インターフェースを使って論理的なデータメッシュおよびガバナンスレイヤーを構築し、データのガバナンス、検証、カタログ化の仕組みを導入できます。

小売企業は一元的データレイクを使用しているケースが多く、このデータレイクには、営業、マーケティング、在庫、サプライチェーンなどさまざまなソースから、未加工なものも含めデータが入力されます。複数の分析チームが、このデータレイクからデータを取得、処理して、ビジネスユーザー向けのレポートを生成します。

BigQuery では、データスチュワードが Capacitor と呼ばれるネイティブテーブルにデータをインポートし、データのアセットレベルに基づきアクセス権を与えることができます。たとえば、財務部から人事部データへのアクセスや、サプライチェーンチームから営業部データへのアクセスを禁止できます。マルチクラウドアーキテクチャの場合は、BigLake を使って、Google Cloud 以外（AWS や Azure）にあるデータから BigQuery アセットを作成することもできます。

では、Cloud Storage のデータはどうでしょうか。このオブジェクトストア内のデータは、クエリや分析を直接実行するのには適していません。BigLake なら、Cloud Storage データから BigLake テーブルを作成できるので心配無用です。これにより、データの重複や移行を回避できるというメリットもあります。さらに、これらのテーブルではきめ細かなアクセス制御を行えるため、データを動かさずに、複数の分析チーム間でアセットを安全に共有できます。

Dataplex は、このようなデータメッシュの構築を管理する役割を担います。具体的には、Cloud Storage および BigQuery のデータをレイク、ゾーン、アセットの階層に整理します。各レイク内で、地域や部署ごとにゾーンのサブカテゴリを作成したり、未加工のデータとキュレート済みデータでゾーンを分けたりすることもできます。さらに、データ検証や自動検出機能によって受信データのパターンの変化に着目し、ダウンストリームのプロセスを破綻させる可能性のあるものにフラグを付けることもできます。

データメッシュをいったん構築すると、アナリストは BigQuery を使用して、一般的なオープンソースエンジン上で販売予測、サプライチェーン分析、在庫予測などさまざまな分析を実行できます。この投稿で取り上げた Google Cloud サービスは、Dataflow や Dataproc をはじめとする Google Cloud の各種データポートフォリオサービスとシームレスに統合されているため、堅牢で強力なデータパイプラインを構築することが可能です。

Google Cloud は、データ管理をシンプルにし、小売各社が消費者の期待を超えられるようにします。ここで紹介したプラットフォームモダナイゼーションサービスを Google Cloud 内で使用することで、データの重複回避はもちろん、費用を削減し、セキュリティについて妥協することなくサイロの問題を解消することが可能となります。

TEKsystems Global Services が企業の Google Cloud 活用をどのように支援しているかについて詳しくは、www.TEKsystems.com をご覧ください。

-Google、データ分析担当パートナー エンジニア Mohamed Barry

-TEKsystems Global Services、GCP プラクティス担当技術リーダー Pradipta Dhar 氏

Flipkart、大規模なクラウド移行により技術的環境を再構築

Tue, 14 Nov 2023 00:00:00 +0000

※この投稿は米国時間 2023 年 10 月 31 日に、Google Cloud blog に投稿されたものの抄訳です。

インドでは、消費者の 3 分の 1 以上が買い物のために Flipkart を利用しており、このプラットフォームは 4 億 5,000 万人以上のユーザーを抱えています。登録ショップは 110 万軒に上り、80 のカテゴリにわたって 1 億 5,000 万種類以上の商品を提供し、毎日数百万個の荷物を発送しています。

Flipkart は、技術的環境を再構築して事業の将来性を確保するために、Google Cloud を利用しました。Google Cloud との提携の成果は明らかで、Flipkart Data Analytics Platform（FDP）と Content Catalog Object Store という 2 つの重要なプラットフォームを Google Cloud インフラストラクチャ上で立ち上げることができ、その他すべてのものも含めて Google Cloud に移行しました。

Flipkart にとって 1 年で最も重要な日は Big Billion Day（BBD）セールです。これは、世界的なショッピングの祭典であるブラックフライデーやサイバーマンデーのようなものです。BBD は 9 月から 10 月にかけて行われ、インドの活気あるお祭りシーズンと重なります。数日間にわたり、Flipkart ではトランザクション量が通常業務（BAU）の 6～8 倍に急増します。

大規模で複雑なデータクラスタを短期間で移行

Flipkart の既存のデータプラットフォームは、オープンソースのビッグデータテクノロジー上に構築され、Flipkart 固有のビジネス要件に対応するために大規模なカスタマイズが施されていました。この複雑な環境は、チェンナイとハイデラバードにある自社管理のデータセンターに分散していました。約 8 か月間というタイトなスケジュールで移行しなければならなかった Flipkart は、次のようなさまざまな課題に直面していました。

大規模な Hadoop クラスタの移行: Flipkart は、膨大な計算能力とメモリリソースを持つ大規模な Hadoop クラスタを Google Cloud に移行する必要がありました。
複雑なデータ移行: 移行対象はインフラストラクチャだけでなく、10,000 以上のファクト、ジャーナル、スナップショットと、15,000 の ETL（抽出、変換、読み込み）ジョブにもおよびました。この複雑な作業では、毎日、10 PB の膨大なデータをバッチ処理し、2 PB のデータをニアリアルタイムで処理する必要がありました。
データ取り込みレイヤ: 大規模なデータ取り込みを容易にするため、チームはオンプレミスの Kafka から Google Cloud の Pub/Sub に移行する必要がありました。この複雑な作業には、1 日あたり 1,300 億以上のメッセージの取り込み、通常運用時には 1 日あたり 60 TB の圧縮データ、イベントのピーク時には 1 日あたり 500 TB の取り込みが必要でした。さらに、このプロセスには 3,000 のトピックが含まれ、一般的なデータと機密・個人情報（PII）の両方におよんでいました。
データ処理と分析: Flipkart は、リアルタイム分析のために、毎秒 125 万という膨大なメッセージを処理できる堅牢な処理プラットフォームを構築する必要がありました。これは Dataproc を使用して行われました。さらに、このプラットフォームはリアルタイムで約 2 ペタバイト、バッチモードで毎日 10 ペタバイトのメッセージを効率的に処理する必要もありました。
セルフマネージド Hive の移行: この移行は、既存のセルフマネージド Hive から Hive on Dataproc への移行を含む、重要なユーザー向けコンポーネントにまでおよびました。その目的は、約 20 のチームと 350 人近いテクニカルユーザーの要件を満たすことでした。驚くべきことに、この移行に要した期間はわずか 4 か月でした。
セキュリティの確保: Google Cloud のサービスとセルフマネージドサービスの両方で堅牢なセキュリティ対策を確保することが最も重要であり、綿密な計画と厳格な実装が求められました。Google のセキュリティ専門家は Flipkart チームと緊密に連携して、移行されたすべてのコンポーネントの徹底的な評価を行い、セキュリティ状態を確認し、潜在的なリスクと解決策を評価しました。この評価プロセスでは、セキュリティ対策レビューなどのフレームワークが活用されました。

Flipkart はこれらの課題への対処を単独で行ったわけではありません。Google Cloud チームと協力して対処し、移行全体で専門知識が共有されました。当初は BBD 前のリフト＆シフト移行として計画されましたが、BBD 後のモダナイゼーションフェーズは、より複雑で微妙なプロセスへと急速に発展しました。Flipkart のユースケースは複雑だったことから、Google Cloud とパートナー組織の 85 人以上のメンバーで構成される多専門的チームが招集され、この壮大な移行の舵取りをしました。

強固なクラウドインフラストラクチャで SLA を超える

チームは Google Cloud を使用して 15 のツールを構築しました。各ツールは、Flipkart の複雑なエコシステムが提示する固有の要件や課題に対応するように設計されています。移行には、データの取り込み、バッチ処理、メッセージングなど、さまざまな要素が含まれるため、これらのツールは移行を進めるうえで重要な歯車として機能しました。

微調整とパフォーマンスの最適化を絶え間なく行ったことにより、新しいインフラストラクチャはサービスレベル契約（SLA）を満たしただけでなく、それを上回りました。BAU の 5 倍の量に達する複数回のスケールテストを含む厳密なテストにより、Google Cloud インフラストラクチャ上で BBD セールイベントを円滑に実施するための基盤が固まりました。

この移行がもたらしたインパクトは劇的なものでした。Flipkart は、わずか 8 か月でオンプレミスから Google Cloud へのデータプラットフォームの移行を完了しました。この移行には、膨大な数の vCPU コアを持つ Hive クラスタや、膨大な量の Google Cloud ストレージなど、大量のメッセージのバッチ処理とリアルタイム処理を行う多数のコンポーネントのスムーズな移行が含まれていました。見落としてはならないのは、54 億ものオブジェクトを含むコンテンツ管理ストアを移行するという、非常に大規模で複雑な試みだったということです。

変革を通じて企業の将来性を確保

Google Cloud インフラストラクチャの実際の影響は、すぐに明らかになりました。Flipkart は BBD セールイベントを成功させ、BAU に比べてトランザクションデータを 7 倍増加させただけでなく、イベントのスムーズな実施により、社内外の関係者の間で信頼感と安心感が醸成されました。この移行は、技術的な偉業であっただけでなく、e コマースの領域におけるコラボレーション、イノベーション、変革の可能性の証でもありました。

振り返ってみると、Flipkart も Google Cloud も貴重な教訓を学びました。この移行は、JAPAC 地域における大規模インフラストラクチャの限界を押し広げる、現実世界のストレステストとして機能しました。そして、業界が進化し続けるなか、Google Cloud への Flipkart の移行は、パートナーシップと技術的進歩の成功モデルとなっています。これは、コラボレーションの力を明らかにしただけでなく、革新的なテクノロジーと人間の創造力を組み合わせれば無限の可能性が生まれることも浮き彫りにしています。

移行を検討されている場合は、Google Cloud の高速評価および移行プログラム（RaMP）で詳細をご覧ください。貴社の IT 環境を理解し、移行を確実に成功させるために、IT 環境に関する無料の調査と評価にお申し込みいただくことも可能です。

-Google Cloud、AI マネージャー Savitha Sethuram

-Flipkart、シニア プリンシパル アーキテクト Sudhir Reddy 氏

Apache Beam と Dataflow を介して BigQuery で最新の Google 広告データにクエリを実行

Mon, 16 Oct 2023 03:00:00 +0000

※この投稿は米国時間 2023 年 10 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

現代のマーケティング担当者は、デジタル広告市場において広告費用の投資収益率を最大化する鍵がスピードであることを知っています。課題としては、ほとんどの広告主が数日、数週間、場合によっては数か月前のデータに依存していることです。Google 検索結果が返されるまでの時間と同じくらい急速に変化する環境では、広告主はリアルタイムデータを活用することで大きなメリットを得ることができます。

このたび、Dataflow を活用した BigQuery への Google 広告データの書き込みがネイティブでサポートされることになりました。これにより、組織はキャンペーン戦略に関してデータドリブンな意思決定をリアルタイムで行うことができます。ユーザーは、新しい Dataflow テンプレートを使用して、Google 広告から BigQuery に独自のキャンペーン、コンバージョン、インプレッション、入札データのクエリを実行できるようになりました。これで、ウェブフォームに記入するのと同じくらい簡単にこれらのシステムに接続できるようになります。カスタム変換、分析、または複数のデータストアへの書き込み用に独自のパイプラインを構築する場合は、オープンソースの Apache Beam Java SDK で GoogleAdsIO を利用できます。毎日のデータ読み込みに少なくとも 24 時間待つ必要があったお客様は、約 10 分のバッファで、発生時にイベントを分析できるようになります。これら 2 つの新機能を組み合わせることで、マーケティング担当者はイントラデイ入札戦略を採用し、広告配信後の数分以内に入札戦略を変更できるようになります。

今回のリリースには、Google 広告 I/O コネクタと Dataflow テンプレートという 2 つの重要な要素があります。以降のセクションでそれぞれについて説明します。

Google 広告 I/O

新しい GoogleAdsIO は、Apache Beam Java SDK で利用できます。Apache Beam は、バッチおよびストリームデータ処理パイプラインを表現する統合型フレームワークであるオープンソースの SDK です。Apache Beam を使用すると、開発者は、任意のプログラミング言語でパイプラインを作成し、好みの実行エンジンを使用してそれらのパイプラインを実行できる柔軟性が得られます。Apache Beam はすでに 60 以上のコネクタをサポートしており、システムがサポートされていない場合にカスタム I/O コネクタを開発するための包括的なフレームワークを提供します。

GoogleAdsIO は、Ads Reporting gRPC ベースの API を呼び出して、Google 広告アカウントからデータを取得します。Google の Professional Services Organization（PSO）アーキテクトは、広告デベロッパーリレーションズチームと緊密に連携して I/O コネクタのベストプラクティスを実装し、OAuth 認証情報の透過的な処理や柔軟なレート制限ポリシーなどの機能を追加しました。こうした機能により、API に対する呼び出しの制御がアカウントごとに、または開発者トークンの制限に違反することがなくなるため、独自のカスタムパイプラインを安全かつ迅速にプロトタイプ化できます。まとめると、GoogleAdsIO は Apache Beam I/O フレームワークの柔軟性を利用して、安全性と信頼性を第一に、Google 広告に対してクリエイティブ、入札戦略、キャンペーンに関するクエリを実行できるようにします。

Dataflow テンプレート

Dataflow テンプレートは、Google Cloud プロジェクト全体でデータストアを接続し、一般的なデータの取り込みとレプリケーションのタスクを簡素化し、短いウェブフォームに記入するようにします。内部では、Dataflow テンプレートによって Apache Beam コードが事前にパッケージ化され、開発環境と実行環境が分離されているため、プログラミングスキルを持たないユーザーでもこれらのパイプラインを拡張できます。企業は Dataflow テンプレートを使用して一般的なデータ処理ワークフローを定義し、Beam の知識がない社内ユーザーにそれを表示できます。ユーザーが行う必要があるのは、テンプレートに関連するユーザー定義フィールドに入力することだけであり、すぐに利用を開始できます。

新しい GoogleAdsIO コネクタの機能を拡張するために、PSO チームは、Google 広告から読み取り、BigQuery に書き込む Dataflow Flex テンプレートを作成しました。このテンプレートを使用すれば、ローカルマシンでプログラムを起動する代わりに、Google Cloud コンソールを通じて Google 広告クエリを渡し、その結果を BigQuery テーブルに返してさらに分析できます。このテンプレートのもう一つの優れた機能は、Google 広告インターフェースで各アカウント ID を手動で入力して個別のレポートを取得するのではなく、Google 広告アカウント ID のリストを渡してクエリを実行できることです。これだけでも、チームは月に数十時間の面倒な時間を節約でき、その節約された時間を、クリック数の最大化、目標コンバージョン単価、目標広告費用対効果などの新しい入札戦略のテストに充てて、より良い結果をもたらすことができます。Dataflow Data Pipelines を利用して、統合型のスケジュールツールでカスタムレポートの作成を自動化することもできます。

お客様への影響

お客様はこのテンプレートからすでに多大な恩恵を受けています。世界をリードするオンラインフードデリバリーマーケットプレイスである Just Eat Takeaway.com は、その経験を次のように共有しています。

「このパイプラインの本当に優れている点は、負担の大きい接続があったときに、その接続を広告 API に対して処理し、ダウンロードへの対処とファイルのクリーニングを行って、それを BigQuery に読み込むことです。エンジニアリング チームが Google 広告からオーダーメイドのレポートを作成するには、通常 2 週間はかかります。このパイプラインを使用することで非常に迅速に作業を行うことができました。開いてクエリを入力し、列を指定したらすぐに作業を開始できます。」- Just Eat Takeaway.com、パフォーマンス テクノロジー担当マネージャー、Irfan Rafiq 氏

コンソールで Dataflow に移動し、画面上部の [テンプレートからジョブを作成] ボタンを選択して、プルダウンから [Google Ads to BigQuery] テンプレートを選択することで、利用を開始できます。このテンプレートを使用して、皆様が新しい入札戦略を打ち立てていかれることを楽しみにしています。

その他のリソース

Google Ads to BigQuery ドキュメント、テンプレートの起動に関するリファレンス
GoogleAdsIO Apache Beam ドキュメント、GoogleAdsIO を使用した独自の Beam パイプラインの構築に関するリファレンス
Booking.com のケーススタディ、Apache Beam と Ads コネクタの使用に関連

^{Steven van Rossum（Google Cloud PSO）、Natalija Najdova（Google Cloud カスタマー} ^{エンジニアリング）、Cory Liseno（Google 広告デベロッパーリレーションズ）、David Stevens（Google 広告プロダクト} ^{マネジメント）に心より感謝いたします。}

-プロダクト マネージャー Mehran Nazir

小売業向けの生成 AI: 進歩に歩調を合わせ差別化を図る方法

Thu, 12 Oct 2023 01:15:00 +0000

※この投稿は米国時間 2023 年 10 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI をきっかけに大規模な技術的転換が生じています。インターネットやスマートフォンと同様、個人や企業の生産性にどれほどの影響を与えるかは計り知れません。事実、生成 AI の使用を検討している、または現在使用している組織の 82% が、生成 AI によって業界が大きく変わる、あるいは変革が起こると考えています（Google Cloud 生成 AI ベンチマーク調査、2023 年 7 月）。

小売業界では、生成 AI の価値がすでに現れ始めています。組織は生成 AI を活用して関連領域のユースケースを実現および強化しており、それによって従業員と顧客、双方の体験を再構築しています。

テクノロジーによって、小売業界の価値提案の基礎や中核的なバリューチェーンがなくなることはありません。しかし、そのテクノロジーを活用して、生産的かつ有意義に働けるようにチームを強化する方法は変わる可能性があります。適切なツールを使用することで、主なサービスを改善し、サービス提供の妨げになる基本的な問題を解決できるだけでなく、小売ビジネスにおける新たな差別化の機会を生み出すこともできます。

生成 AI が大きな変化をもたらす理由

生成 AI は今、大きな注目を集めていますが、これはただの目新しい技術ではありません。小売業界をはじめとする業界のビジネスリーダーにとってまったく新しいバリューストリームといえます。では、これまでに登場した他の形式の AI と何が違うのでしょうか？

簡単に言うと、生成 AI は公私にわたって日々の問題を解決するための、これまでにない使いやすい手段を提供します。検索エンジンで調べる方法を知っていれば、誰でも日常的な言葉を使って生成 AI chatbot や仮想エージェントと対話する形で、質問への回答を得る、コンテンツや画像を作成する、ドキュメントを要約するといったことが可能です。

大手企業は現在、時間のかかる非常に一般的な問題の一部を解決するために生成 AI を使用しています。McKinsey によると、生成 AI の価値の 75% は、カスタマーオペレーション、マーケティングおよび販売、ソフトウェアエンジニアリング、研究開発の領域で実現されると予測されています。

Google Cloud の生成 AI テクノロジーは、真に差別化された迅速でスムーズな顧客体験を実現する大きなチャンスを生み出します。従業員は引き続き、美味しい料理を作り、繰り返し来店していただけるようにお客様と関係を築くことに注力できます。 The Wendy’s Company、社長兼 CEO Todd Penegor 氏

生成 AI が小売業を変革する 5 つの方法

小売業界において変革は必須要素であるだけでなく、競争でもあります。

顧客は、リアルタイムのレコメンデーション、サブスクリプションモデル、無人店舗、オンデマンド配達、シームレスなオムニチャネルショッピング、ショッピングアシスタント、カスタマイズされたオファーなどを期待しています。生成 AI はこうした期待に応えるとともに、生産性や従業員体験の向上といった社内的なメリットも提供できるものです。

ここでは、小売業界に適した生成 AI の 5 つの優れたユースケースをご紹介します。

クリエイティブな支援

小売業の顧客の 73% は、各ブランドが自分の好みを把握していることを期待しているなか、生成 AI は、小売業者が非常に魅力的でパーソナライズされた創造的なコンテンツを、より費用対効果が高くタイムリーな方法で提供できるよう支援しています。

生成 AI を使用してプロトタイプやコンテンツを迅速に作成すると、時間を節約し、費用を削減できるだけでなく、新たな水準の創造性とイノベーションも実現できます。Google Cloud を使用すれば、生成 AI を活用して、特定の顧客層に向け高度にパーソナライズされた関連性の高いコンテンツを作成し、エンゲージメントとコンバージョン率を向上させることができます。また、新しいアイデアを迅速にテストして改良し、戦略開発に集中して顧客エンゲージメントを向上させることもできます。

2. 会話型コマース

売上を増やすために、小売業者は生成 AI を使った会話型コマースに注目しており、消費者が必要なものを見つけられるようサポートする仮想スタイリストを構築しています（たとえば「お好みのスタイルのワンピースをお客様のサイズでいくつかご紹介します。参考になるインフルエンサーの画像はこちらです」など）。こうしたスタイリストは、質問に対話的に対応し、パーソナライズされた商品のレコメンデーションを提供してリアルタイムで接客することによって、買い物の意思決定に影響を与えることができます。

これは、検索の放棄などの問題を解決する優れた方法です。小売業者は世界規模で合算して年間 2 兆ドルを超える損失が検索の放棄から生じていると報告しています。同時に、「小売業者のウェブサイトの検索機能を使用して探しているものを正確に見つけられる」と答えた消費者は 10 人に 1 人にすぎません。

こちらのデモでは、小売業者が生成 AI を使用してどのようにパーソナルスタイリストを設計し、買い物客との対話やパーソナライズされたソリューションの提供を実現しているかをご確認いただけます。

3. 商品カタログの管理

生成 AI は、小売業者が商品カタログを作成および管理する方法を変革します。シンプルなテキストプロンプトからスタジオ撮影並みの品質の画像を作成して、分類を迅速に行い、顧客中心の優れたマーケティングコピーを生成できます。

これは、ベンダーからの画像の取得、商品の並べ替えと分類、商品の説明文の作成など、カタログ管理に関連するいくつかの一般的な問題を解決する理想的なソリューションです。これまではこうした問題に多くの時間と労力がかかり、小売業者のウェブサイトの検索可能性が損なわれていました。消費者の 92% はすぐに見つかる商品を購入する可能性の方が高いため、最新のカタログから商品を簡単に検索できるようにしておくことが重要です。

こちらのデモでは、小売業者が生成 AI を使用してどのように商品カタログの管理を加速し、顧客のショッピング体験と検索体験を向上させているかをご確認いただけます。

4. 新商品の開発

生成 AI を使用すれば、より迅速かつ費用対効果の高い方法で商品開発とイノベーションを進めることができます。生成 AI を使用することで調査を加速し、複数のデータソースから分析情報を導出し、商品の研究開発費用を削減し、効果的な商品コンセプトに迅速に的を絞ることも可能です。また、簡単なクエリ実行、要約、分析情報の生成を通じて、社内の消費者調査を強化すること、さらには商品説明のコンセプトや追加テストの要求のほか、商品やパッケージのデザインのビジュアルコンセプトを迅速かつ簡単に作成することも可能です。

こちらのデモでは、生成 AI のサポートのもと、小売業者がデータ主導の分析情報を通じてどのように商品のイノベーションを加速しているかをご確認いただけます。

5. カスタマー サービスの自動化

カスタマーサービス戦略に付加される重要な機能として、生成 AI は、顧客の問い合わせに有用な回答を提供することでカスタマーサービス担当者をリアルタイムにサポートするだけでなく、他の業務の拡張や最適化にも役立ちます。たとえば、仮想エージェントはコンタクトセンターの負荷を軽減します。また、生成 AI を使用して会話やカスタマーサービスのデータを要約し、よくある質問（FAQ）の新しいコンテンツを生成してウェブサイトに公開することもできます。

顧客の 75% が複数のチャネルを常用していると推定されるなか、生成 AI を使用すれば、デジタルセルフサービスチャネルはもちろん、店舗、コールセンター、ソーシャルメディアプラットフォームにおけるエージェントによるサポートオプションなど、あらゆるタッチポイントにわたって優れたカスタマーサービスを拡張できます。

生成 AI によって、人間味のある即時のカスタマーサービスが可能になり、顧客は必要な答えを簡単かつ迅速に見つけられるようになります。

大手ブランドはメリットを得ている

世界の大手ブランドの中には、すでに生成 AI の優れた機能を顧客体験の変革に利用しているところもあります。

たとえば、ファストフード大手である Wendy's はオハイオ州で最先端の生成 AI テイクアウト窓口を試験的に導入しており、従業員が顧客体験に集中できるよう支援しています。

美容業界では The Estée Lauder Companies Inc. と Google Cloud が連携して、生成 AI を活用したオンライン消費者体験の変革に取り組んでいます。

生成 AI の取り組みを開始しましょう

生成 AI のように新しいテクノロジーが急速に進化すると、ついていくのが大変になることがあります。Google Cloud は小売業界の戦略的パートナーとして、適切なフレームワーク、ツール、ガバナンス構造を通じて進むべき方向を計画し、AI に対する責任あるアプローチが組織全体に浸透するように支援しています。

生成 AI を使用すれば、小売業者は、パーソナライズされた顧客体験を生み出しつつ、商品のオンボーディング、分類、検索用のラベル付け、マーケティングの方法を簡素化できるようになります。コンバージョンを促進するために、シンプルなテキストプロンプトを使用して新しい SKU の詳細な商品属性を作成し、それを既存の商品階層にマッピングして、マーケティングコピー、商品説明、画像、動画、さらには音楽を作成することができます。

利用を開始する準備はできていますか？電子書籍「生成 AI のエグゼクティブガイド (英語)」をダウンロードのうえご確認ください。

^{Google Cloud 生成 AI ベンチマーク調査について}^{Google Cloud カスタマー} ^{インテリジェンス} ^{チームは、2023 年半ばに Google Cloud 生成 AI ベンチマーク調査を実施しました。参加者には、AI を検討または使用している、1,000 人以上の従業員を擁する組織の IT 意思決定者、ビジネス意思決定者、最高責任者（CEO、CFOなど）が含まれていました。参加者は Google が研究スポンサーであることを知らず、参加者の身元は Google に明かされていません。}

aside_block: <ListValue: [StructValue([('title', 'どんなプロンプトにしますか？「生成 AI のエグゼクティブガイド」のご紹介'), ('body', <wagtail.rich_text.RichText object at 0x7fbfec6b7fa0>), ('btn_text', '詳細はこちら'), ('href', 'https://cloud.google.com/blog/transform/introducing-executives-guide-to-generative-ai'), ('image', <GAEImage: introducing-executives-guide-to-generative-ai-midjourney-hero.png>)])]>

- Google Cloud、小売ソリューション戦略担当マネージング ディレクター Amy Eschliman

リテール

FM Logistic が AlphaEvolve を使って倉庫規模の「巡回セールスマン問題」を解決

AI に、もっと優れたアルゴリズムを書いてもらう

改善結果の評価

結果

最終的に勝ち残ったアルゴリズムの動作

次のステップ

初級者コースのように簡単: Vail Resorts がパーソナライズされたおすすめを自動化する AI アシスタントを構築した方法

Mercado Libre の多面的な Spanner アーキテクチャの概要

2 つの課題: インターネット規模での運用と開発者の速度

Fury: Mercado Libre の開発者ゲートウェイ

Spanner – 汎用性に優れたバックボーン

ピーク時の需要への対応

データをアクションに変える

効果: コスト削減、アジリティ、将来への備え

AI 向けに構築: Spanner 上の次世代アプリケーション

まとめ: 統合されたインテリジェントなデータ基盤

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

このアーキテクチャが重要な理由: 実績ある費用対効果

スケーリングに対応するプラットフォーム機能

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

フロントエンド レイヤ

オーケストレーションと AI エンジン

ナレッジ、統合レイヤ

最終的には

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

検索からカートへ: AlloyDB AI を使用した Target の検索バーの刷新

ハイブリッド検索で、カートと購買目的が結びつく

AI 活用型検索に最適なデータベースの選び方

大規模なフィルタ付きベクトル検索

AlloyDB AI でよりスマートな検索を構築

次のステージへ: Target の今後の展望

Lowe’s のイノベーション: Vertex AI によるインタラクティブなショッピング エクスペリエンスの実現

Visual Scout の仕組み

試してみる

Visual Scout を支えるテクノロジー

Vertex AI による低レイテンシのサービング

Vertex AI Vector Search が高速である理由

ScaNN の基礎知識

サービング向けに最適化されたインデックスの構築

プロダクション レディなアプリケーションのサポート

Vector Search と Feature Store を使ってみる

牛肉はどこに？サンパウロの農業供給局はその答えを Cloud SQL for SQL Server で得ることが可能に

増大する負荷:

イノベーションの種をまく:

成功を摘み取る:

Cloud SQL for SQL Server で農業におけるイノベーションの未来を耕す:

使ってみる:

L’Oréal、Tech Accelerator でエンドツーエンドの MLOps プラットフォームを構築

MLOps のビジョンと要件

L'Oréal の MLOps プラットフォームの概要

MLOps プラットフォームの主要コンポーネントの詳細

トレーニング パイプライン

推論パイプライン

モジュール性と依存性の課題

解決策

例: 集約パイプラインのコード スニペット

まとめ、次のステップ

AI が小売業者を支援: 販売、マーケティング、サプライ チェーンなどに活用

AI を活用したデータでマーケティングを変革

ユニファイド コマース エクスペリエンスの最適化

持続可能なサプライチェーンの構築

実店舗の業務改善

サービス パートナーによるカスタマー サクセスの実現

会話エージェントを使って動的なウェブ エクスペリエンスを実現する方法

会話エージェントの関数ツールとは

小売業の chatbot の例

ステップ 1: 関数ツールを作成する

ステップ 2: ハンドブック ステアリング エージェントを設定する

ステップ 3: ハンドブック エージェントの動作を実行する例を作成する

ステップ 4: ウェブ クライアントの JavaScript 関数を記述する

ステップ 5: 関数ツールを登録する

ステップ 6: Dialogflow Messenger を統合する

フロントエンドのソースコードの例

デモのウェブページ

次のステップ

エッジでの推論が小売業者向けの新たな AI ユースケースを実現

小売業が AI 基盤を築く方法

エッジの処理能力の判断ポイント: CPU か GPU か

小売業の意思決定者の主な判断基準

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

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

フロントエンドレイヤ

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

Lowe’s のイノベーション: Vertex AI によるインタラクティブなショッピングエクスペリエンスの実現

プロダクションレディなアプリケーションのサポート

トレーニングパイプライン

例: 集約パイプラインのコードスニペット

AI が小売業者を支援: 販売、マーケティング、サプライチェーンなどに活用

ユニファイドコマースエクスペリエンスの最適化

サービスパートナーによるカスタマーサクセスの実現

会話エージェントを使って動的なウェブエクスペリエンスを実現する方法

ステップ 2: ハンドブックステアリングエージェントを設定する

ステップ 3: ハンドブックエージェントの動作を実行する例を作成する

ステップ 4: ウェブクライアントの JavaScript 関数を記述する

現代のマーケターの戦略的アドバンテージ: AI を活用したデータクリーンルーム

Google BigQuery データクリーンルーム: 安全なソリューション

-Google Cloud、マーケティングトランスフォーメーション & リテールメディアリード、Surya Kunju

commercetools と Google Cloud Application Integration で e コマースエクスペリエンスを構築する

Kin + Carta の Integrated Commerce Network によるデジタルコマースの合理化

重複画像を排除: Miinto が Vertex AI Vision を使用してカスタマーエクスペリエンスを向上させた方法

TEKsystems Global Services、プラットフォームモダナイゼーションによって小売各社のデータサイロ解消を支援

強固なクラウドインフラストラクチャで SLA を超える