機械学習

インテリジェント検索 - Amazon Kendra で社内ナレッジを横断検索する

Amazon Kendra を使ったエンタープライズ検索の構築を解説。自然言語クエリ、データソースコネクタ、RAG (検索拡張生成) との統合、OpenSearch との使い分けを紹介します。

約 3 分で読めます

エンタープライズ検索の課題と Kendra の位置づけ

企業内のナレッジは S3、SharePoint、Confluence、社内 Wiki、FAQ サイト、データベースなど多数のシステムに分散しています。従来のキーワード検索では、ユーザーが適切な検索語を知っている必要があり、「有給休暇の申請方法は？」のような自然言語の質問には対応できません。Amazon Kendra は ML ベースのインテリジェント検索サービスで、自然言語の質問を理解し、文書から直接回答を抽出して返します。たとえば「新入社員の健康診断はいつまでに受ける必要がありますか」という質問に対し、社内規定の PDF から該当箇所を特定して回答を提示します。OpenSearch (Elasticsearch ベース) が転置インデックスによるキーワードマッチングと集計・分析に強みを持つのに対し、Kendra は自然言語理解 (NLU) と機械学習による意味的な検索に特化しています。技術者がログ分析やメトリクス検索に使う OpenSearch と、非エンジニアのビジネスユーザーが社内ナレッジを検索する Kendra は、補完的な関係にあります。

この分野について体系的に学びたい方は、関連書籍 (Amazon) も参考になります。

データソースコネクタとインデックス構築

Kendra は 40 以上のデータソースコネクタを標準提供しており、主要なデータソースとの接続がノーコードで完了します。S3 (PDF、Word、HTML、テキスト)、RDS/Aurora (データベースのテキストカラム)、SharePoint Online、Confluence、Salesforce、ServiceNow、Google Drive、OneDrive、Slack、GitHub などに対応しています。カスタムコネクタ API を使えば、独自のデータソースも統合できます。データソースの同期はスケジュール設定 (毎時、毎日、毎週) で自動実行され、新規・更新・削除された文書がインデックスに反映されます。ACL (アクセス制御リスト) をデータソースから自動取得する機能により、SharePoint や Confluence のアクセス権限がそのまま Kendra の検索結果に反映されます。ユーザー A が閲覧権限を持たない文書は、検索結果に表示されません。この透過的なアクセス制御は、セキュリティ要件の厳しいエンタープライズ環境で重要な機能です。

検索機能と RAG 統合

Kendra の検索結果は 3 つのタイプで返されます。Suggested Answer は文書から抽出した直接的な回答で、該当箇所がハイライト表示されます。FAQ Answer は事前登録した FAQ データベースからの回答です。Document は関連度の高い文書のリストで、従来の検索結果に相当します。検索のチューニングでは、フィールドのブースト (特定のメタデータフィールドの重み付け)、ファセット検索 (カテゴリ、日付、著者でのフィルタリング)、同義語辞書 (シソーラス) の登録が可能です。Kendra は Bedrock の RAG (Retrieval-Augmented Generation) パターンにおけるリトリーバーとして活用できます。ユーザーの質問に対して Kendra が関連文書を検索し、その文書をコンテキストとして Bedrock の LLM に渡すことで、社内ナレッジに基づいた正確な回答を生成できます。Kendra の高精度な検索結果が RAG の回答品質を直接的に向上させます。

料金とエディションの選択

Kendra は Developer Edition と Enterprise Edition の 2 つのエディションを提供します。Developer Edition は 1 時間あたり 1.125 USD (約 810 USD/月) で、最大 5 インデックス、40,000 文書、1 日あたり 4,000 クエリに対応します。開発・検証環境や小規模な社内検索に適しています。Enterprise Edition は 1 時間あたり 1.40 USD (約 1,008 USD/月) で、最大 5 インデックス、500,000 文書、1 日あたり 8,000 クエリに対応し、高可用性 (マルチ AZ) も提供されます。追加のドキュメントストレージやクエリ容量はオンデマンドで追加購入できます。コストを抑えるには、インデックスの使用時間を制御する (夜間・休日は停止する) アプローチも有効です。OpenSearch Serverless と比較すると、Kendra は自然言語検索の精度で優れますが、コストは高めです。検索対象が構造化されたログデータなら OpenSearch、非構造化の社内文書なら Kendra という使い分けが合理的です。

さらに詳しく知りたい方は、関連書籍 (Amazon) で理解を深められます。

まとめ - Kendra の活用指針

Amazon Kendra は、ML ベースの自然言語理解で社内ナレッジを横断検索するインテリジェント検索サービスです。40 以上のデータソースコネクタ、ACL による透過的なアクセス制御、FAQ 機能、Bedrock との RAG 統合が主な強みです。社内ヘルプデスクの問い合わせ削減、ナレッジマネジメントの効率化、カスタマーサポートの回答品質向上など、情報検索が業務のボトルネックになっている場面で効果を発揮します。Developer Edition で小規模に始め、効果を検証してから Enterprise Edition にスケールアップするアプローチを推奨します。

AWS の優位点

  • 自然言語の質問に対して文書から直接回答を抽出する ML ベースの検索エンジンで、キーワード検索では見つからない情報を発見
  • S3・RDS・SharePoint・Confluence・Salesforce・Google Drive など 40 以上のデータソースコネクタを標準提供
  • FAQ 機能で定型的な質問と回答のペアを登録でき、社内ヘルプデスクの問い合わせ削減に直結
  • アクセス制御リスト (ACL) をデータソースから自動取得し、ユーザーごとに閲覧権限のある文書のみを検索結果に表示
  • Bedrock の RAG (Retrieval-Augmented Generation) パターンのリトリーバーとして活用でき、生成 AI の回答精度を向上
  • Developer Edition (最大 5 インデックス、40,000 文書) は 1 時間あたり 1.125 USD、Enterprise Edition は 1 時間あたり 1.40 USD
  • OpenSearch が全文検索・ログ分析に強みを持つのに対し、Kendra は自然言語理解と回答抽出に特化しており、非エンジニアのエンドユーザーが直感的に使える

関連するサービス

Amazon Bedrock 主要な基盤モデルを API 経由で利用できるフルマネージド生成 AI サービス Amazon OpenSearch Service ログ分析や全文検索を手軽に実現できるマネージド検索・分析サービス

関連する比較記事

全文検索と OpenSearch - AWS と Azure の比較 AWS と Azure の全文検索サービスを比較し、Amazon OpenSearch Service を中心とした AWS の検索・分析基盤の優位性を解説します。 データ検索と分析の実践 - OpenSearch による全文検索と可視化基盤の構築 Amazon OpenSearch Service を活用したデータ検索と分析の設計手法を解説し、全文検索、ログ分析、ダッシュボード可視化による分析基盤の構築方法を紹介します。 生成 AI プラットフォーム - Amazon Bedrock で構築するエンタープライズ AI 基盤 Amazon Bedrock を活用した生成 AI アプリケーションの構築方法を解説します。基盤モデルの選択、RAG パターンの実装、ガードレールによる安全性確保、SageMaker との連携など、エンタープライズレベルの AI 基盤設計を紹介します。

同じテーマの記事

対話型ボット構築 - Amazon Lex と Polly で実現する自然な会話インターフェース Amazon Lex と Amazon Polly を活用した対話型ボットの構築方法を解説します。Azure Bot Service やオンプレミスの対話システムと比較し、AWS の会話 AI サービスが持つ自然言語理解、音声合成、AWS エコシステムとの統合の優位性を紹介します。 需要予測 - Amazon Forecast で時系列データから将来を予測する Amazon Forecast を使った時系列データの需要予測を解説。AutoML による自動モデル選択、関連データの活用、予測精度の評価、小売・在庫管理への応用を紹介します。 ドキュメントテキスト抽出 - Amazon Textract で実現するインテリジェントな文書処理 Amazon Textract による文書からのテキスト、テーブル、フォームデータの自動抽出と、Amazon Comprehend との連携による自然言語処理パイプラインの構築を解説します。請求書処理や契約書分析の自動化パターンを紹介します。 エッジ AI 推論 - AWS と Azure の比較 AWS と Azure のエッジ AI 推論サービスを比較し、AWS IoT Greengrass と Lambda@Edge を中心とした AWS のエッジ推論基盤の優位性を解説します。 エッジコンピュータビジョン - AWS Panorama でカメラ映像を現場で AI 分析する AWS Panorama を使ったエッジでのコンピュータビジョン分析を解説。Panorama Appliance、ML モデルのエッジデプロイ、リアルタイム映像分析のユースケースを紹介します。 生成 AI プラットフォーム - Amazon Bedrock で構築するエンタープライズ AI 基盤 Amazon Bedrock を活用した生成 AI アプリケーションの構築方法を解説します。基盤モデルの選択、RAG パターンの実装、ガードレールによる安全性確保、SageMaker との連携など、エンタープライズレベルの AI 基盤設計を紹介します。 医療データレイク - Amazon HealthLake で FHIR 準拠の医療データを管理・分析する Amazon HealthLake を使った FHIR 準拠の医療データ管理を解説。構造化・非構造化医療データの統合、NLP による自動抽出、分析クエリ、HIPAA 準拠を紹介します。 画像・動画分析 - AWS Rekognition と Azure Computer Vision の比較 AWS Rekognition と Azure Computer Vision を比較し、Rekognition の顔分析、物体検出、コンテンツモデレーション機能と S3 連携の優位性を解説します。 機械学習と AI サービス - AWS と Azure の比較 AWS と Azure の機械学習・AI サービスを比較し、SageMaker を中心とした AWS の包括的な ML プラットフォームの優位性を解説します。Bedrock による生成 AI 活用や、機械学習の民主化に向けた取り組みも紹介します。 産業向け ML 異常検知 - Amazon Lookout シリーズと Monitron で設備異常を自動検出する Amazon Lookout for Metrics・Vision・Equipment と Amazon Monitron を使った産業向け ML 異常検知を解説。メトリクス異常、外観検査、設備振動監視の各ユースケースを紹介します。 機械学習推論最適化 - AWS と Azure の比較 AWS と Azure の機械学習推論最適化サービスを比較し、SageMaker の推論エンドポイントと Lambda を活用した AWS の推論最適化エコシステムの優位性を解説します。 機械学習プラットフォーム - AWS SageMaker と Azure Machine Learning の比較 AWS SageMaker と Azure Machine Learning を比較し、SageMaker のエンドツーエンドの ML ワークフローと S3/Rekognition 連携による機械学習基盤の優位性を解説します。 MLOps パイプライン - AWS SageMaker Pipelines vs Azure Machine Learning Pipelines AWS SageMaker Pipelines と Azure Machine Learning Pipelines を比較し、ML ワークフローの自動化、モデル管理、デプロイ戦略の違いを具体的に解説します。 自然言語処理 - AWS と Azure の比較 AWS と Azure の自然言語処理サービスを比較し、Amazon Comprehend と SageMaker を中心とした AWS の NLP エコシステムの優位性を解説します。 レコメンデーションエンジン - AWS と Azure の比較 AWS と Azure のレコメンデーションサービスを比較し、Amazon Personalize と SageMaker を中心とした AWS のパーソナライゼーション基盤の優位性を解説します。 レコメンデーションとパーソナライゼーション - Amazon Personalize で実現する個別最適化体験 Amazon Personalize による機械学習ベースのレコメンデーションエンジンの構築と、SageMaker との連携による高度なパーソナライゼーション戦略を解説します。EC サイト、メディア配信、マーケティングでの実践的な活用パターンを紹介します。 音声認識と合成 - AWS と Azure の比較 AWS と Azure の音声認識・音声合成サービスを比較し、Amazon Transcribe と Amazon Polly を中心とした AWS の音声 AI エコシステムの優位性を解説します。 音声テキスト変換 - Amazon Transcribe で実現する高精度な自動文字起こし基盤 Amazon Transcribe による音声のテキスト変換 (STT) と、Amazon Polly との組み合わせによる双方向音声処理パイプラインの構築を解説します。リアルタイム文字起こし、話者識別、カスタム語彙による精度向上の実践手法を紹介します。 テキスト分析と自然言語処理 - Amazon Comprehend で実現するインテリジェントなテキスト解析基盤 Amazon Comprehend を活用したテキスト分析と自然言語処理の実践手法を解説します。感情分析、エンティティ抽出、トピックモデリングなどの機能と、SageMaker との連携によるカスタムモデル構築を紹介します。 テキスト読み上げ - Amazon Polly で実現する自然な音声合成とマルチ言語対応 Amazon Polly によるテキスト読み上げ (TTS) の実装と、Amazon Lex との連携による音声対話インターフェースの構築方法を解説します。ニューラル音声エンジンによる自然な音声合成と多言語対応の実践手法を紹介します。