事例紹介 ／ 生成AIによるPOC開発プロジェクト
顧客の課題
広告を出しているのに、届けたい人に届いていない。
複数のウェブサイトで製品やサービスの広告を展開していましたが、現状の広告戦略では望んだ成果が得られていませんでした。関連性の低い広告が誤った対象に表示され、クリック率も購買率も下がっていきます。利用者のセグメントを的確に把握し、適切な広告を届ける仕組みが必要でした。
当社の取り組み
訪問行動から利用者を分け、広告を選び直す。
- 訪問データの収集と解析 メタデータ、購買履歴、IPアドレス、キャッシュなどを活用し、ウェブサイト訪問者のデータを集めて解析します。
- 生成AIによる利用者の分類 解析したデータをもとに、生成AIで利用者をグループに分けます。
- 最適な広告の提示 分けたグループごとに、もっとも関連性の高い広告を広告枠へ提示します。
リリース後の成果
クリック率が約30％向上しました。
- クリック率の向上 利用者の分類と広告表示の新しい進め方により、クリック率が前月比で平均 約30％向上しました。
- 購買率の増加 もっとも関連性の高い広告を表示することで購買率が15％伸び、特に狙った顧客層で目立った増加がありました。
- エンゲージメント率の改善 広告に興味を持ち関わる可能性が高まり、エンゲージメント率が平均25％向上しました。
続けて取り組んだこと
社内の資料とコンテンツを、AIチャットボットに任せる。
社内で多くの資料が頻繁にやり取りされ、頻繁に変わるため、変更を把握するのが難しい状態でした。あわせてウェブサイトに載せる記事やコンテンツの作成にも大きな時間がかかっていました。既存のチャットボットに自動応答を統合し、情報へすばやく届く経路と、効率のよいコンテンツ作成を実現しています。
体制 〜2名 × 4ヶ月
- 管理モジュール ドキュメント・コレクション・利用者のデータ操作、LLMとオーケストレーターへの中継、認証と権限管理。
- オーケストレーター データソースから文書を読み込み、問い合わせを受けたときの処理の流れとデータの流れを取りまとめます。
- タスクキュー LLMエンジンへの問い合わせと管理モジュールへの通知をキューに入れ、Flower で監視します。
- テキスト検索 テキスト埋め込みでベクトルをつくり、ベクトルとメタデータを保存・検索します。
- 資料変更の透明度が向上 変更を効率よく追えるようになり、行き違いや重複作業が減りました。
- 記事・コンテンツ作成時間を30％削減 最新の情報をすばやく共有でき、空いた時間をほかの業務に回せます。
システム概要
訪問データから、広告の出し分けまで。
← 横にスクロールしてご覧ください →
使用した技術
第1フェーズ ／ 第2フェーズの構成。
第1フェーズ パーソナライズ広告予測システム
| 開発言語 | Python |
|---|---|
| API | FastAPI |
| パッケージング | Docker、Ansible |
| DLフレームワーク | TensorFlow、PyTorch |
| MLOps | Kubeflow（Kubernetes）、Seldon Core ／ 負荷分散 Nginx ／ メッセージキュー Kafka、Redis、RabbitMQ |
第2フェーズ 汎用型AIチャットボット
| 開発言語 | Python、LangChain |
|---|---|
| フロントエンド | React（Ant Design） |
| 管理 | Loopback |
| データベース | MongoDB |
| 処理ツール・サービス | Celery worker、Flower、Llama 2、FastAPI |
| 自然言語処理 | Qdrant（ベクトルDB、テキスト埋め込み） |