ID:81679さん

**【規模】** 全2名（PM1名、エンジニア1名） **【担当】** 要件定義、課題分析、データ分析、モデル設計・開発、パイプライン構築、運用 **【背景・課題】** - 30万件の顧客リストからランダムに架電しており、効率改善の余地があった - どの顧客に優先的に架電すべきか、データに基づく判断基準がなかった **【取り組み】** ① データ分析による課題特定 - 顧客属性によってアポ率に差があるのではという仮説のもと、データ分析を実施 → 受付が出た場合のアポ成功率は0%と判明 → 代表者に直接繋がる企業を優先すべきと判断 ② 代表者判定モデルの構築 - 代表者が出やすい企業を予測できれば効率化できると考え、LightGBMでモデルを構築 → 国交省の建設許可データ（資本金等）を外部データとして活用 → 月1〜2件のアポ増加 ③ アポ獲得予測モデルの構築 - アポ獲得率を直接予測できればさらに向上すると考え、アポ獲得有無を目的変数としたモデルを追加構築 → 効果なし（架電タイミングのランダム性が大きく予測困難） ④ 新規顧客リストの自動生成 - 新鮮なリストの方がアポ率が高いのではという仮説のもと、国交省データを毎日スクレイピングして新規顧客リストを自動生成 → 月1〜3件のアポ増加 **【成果】** - 月2〜4件のアポ増加（約10〜20%向上）を達成 - 年間200〜400万円規模の売上貢献 **【学び】** - 直接的なゴール（アポ獲得）を予測するより、コントロール可能な中間指標（受付を除外し母集団の質を上げる）に着目した方が効果的だった **【運用上の取り組み】** 少人数でも運用できるよう、データ取り込みから学習・予測まで自動化したMLパイプラインをGCP上に構築 | 処理 | 技術 | 内容 | |:--|:--|:--| | データ保管 | GCS | 過去の架電リスト・建設許可リストをrawデータとして管理 | | データ加工 | Cloud Jobs → BigQuery | 新規データアップロード時に自動でCloud Jobsが起動し、加工済みデータをBigQueryに保存 | | 学習・予測 | Vertex AI Pipelines | CLIコマンドで任意のタイミングで学習・予測を実行、結果はGCSに保存 |

**【規模】** 全3名（PM1名、エンジニア2名（業務委託0.5人月）） **【担当】** 要件定義、技術選定・設計・開発・テスト・インフラ構築・運用の全般、業務委託へのタスク管理 **【背景・課題】** - 社内ドキュメントがGoogle Drive・Notion等に散在しており、必要な情報を探すのに時間がかかっていた **【取り組み】** ① フロントエンド選定 - 当初、社内AIポータル（Webシステム）としてMVPを1ヶ月で開発し一部マネージャー層に展開 → 「普段使いのSlackの方が使いやすい」という声 + エンジニア人数的にフロント開発の継続は困難と判断 → スピードと利便性を重視しSlack Botへ方針転換 ② バックエンド技術選定 - 社内でGeminiを利用していく方針があり、Geminiとの親和性が高いフレームワークを検討 → LangGraphを採用。ステート管理（チェックポイント機能）がGeminiで扱いやすく、複雑なエージェント構成に対応可能と判断 - APIフレームワークはFastAPIを採用し、軽量かつ高速な開発を実現 ③ Google Drive連携 - Vertex AI SearchにGoogle Driveをデータソースとして連携 - ACL（アクセス制御リスト）機能を活用し、ユーザーのアクセス権限に紐づいた文書のみを検索結果として返す仕組みを構築 ④ Notion連携 - Notion APIのキーワード検索を利用を検討したが、精度が良くないことが判明 → NotionをGCSに同期しVertex AI Searchのデータソースとして利用する方式に変更 → アクセス制御はメタデータにファイル名を保持し、Notion APIのアクセス権限と照合する形で実現 ⑤ エージェント構成 - 当初、Vertex AI Searchでシンプルなベクトル検索を実装 → 複数ドキュメントを跨いだ回答精度が低いという課題が発生 → リクエストをタスクに分割→タスクごとに検索→結果を統合するエージェント構成に変更し精度向上 → さらに、Web検索と社内ドキュメント検索を判断する指揮エージェントを追加し、ユーザーが使い分けを意識せず利用できるように設計 ⑥ セキュリティ・運用効率 - Cloud RunとCloud SQLをプライベート接続しセキュリティを確保 - GitHub ActionsによるCI/CD、Terraformによるインフラ管理で開発効率を向上 **【成果】** - 月80〜100件の継続的な利用を達成 **【学び】** - エージェント開発において、LangGraph等の外部ライブラリがビジネスロジックに密結合する課題を感じ、オニオンアーキテクチャを適用した設計パターンを考案 - 技術ブログ「オニオンアーキテクチャを利用したAIエージェントの実装」を執筆・公開 https://zenn.dev/sgr_s/articles/6848b72ae8ce74