金融サービスと保険におけるエージェント型AI

多くの金融サービス企業がパイロットプログラムを通じてAIの実験を行っていますが、導入にはいくつかの課題が残っています。主な懸念事項は、データセキュリティ、大規模言語モデル（LLM）の精度、財務意思決定におけるAIの役割に関する規制当局からの厳しい監視などです。現在のユースケースの大部分は社内であり、いくつかの顧客向けチャットボットソリューションは重要性のないサービスに関する問い合わせへの対応などです。 

昨今、金融サービス業界をはじめ、さまざまな業界において生成AIを活用したエージェント「エージェントAI」への関心が高まっています。エージェント型AIは、LLMに依存して自律的にタスクを実行し、モデルの機能を使用して自然言語の理解、生成、インタラクションを行います。Llama、Anthropic Claude、Mistral、GPT、Geminiなどの基本的なLLMは、膨大な量のテキストデータでトレーニングされており（さらなるトレーニングのためにテキストデータを使い切ってしまうほど）、言語関連のさまざまなタスクを実行できます。これらのモデルをSnowflakeなどのプラットフォーム上のエージェント型AIシステムに統合すると、コンテキストを理解し、応答を生成し、自動化と効率性を高め、受け取った入力に基づいてよりバランスの取れたリアルタイムの意思決定を行うための基盤が得られます。 

エージェントシステム

エージェントシステムでは、調整エージェントは、他のエージェント（またはサブシステム）の活動を管理および指揮し、主要な目標を達成する中核コンポーネントです。調整エージェントは通常、指揮、アクションのオーケストレーション、リソースの割り当て、高レベルの意思決定を行います。タスクを効果的に遂行するために、調整エージェントは、補完的にドメイン指向またはタスク指向のツール、モデル、またはその他のエージェントを使用できます。これにより、システムはコンテキストを理解し、望ましい結果を達成するための具体的なアクションを実行することができます。

ドメイン指向 

ドメイン指向のサービスは、特定の業界、分野、知識分野に関連する言語の理解と処理に特化しています。そのため、より正確で関連性のある、コンテキストを意識した回答や意思決定を、その分野で行うことができます。 

エージェント型AIでは、ドメイン指向モデルが特定のタスクをより効果的に理解して処理するために役立ちます。たとえば保険業界では、より正確なポリシー言語の生成、リスク要因の評価、請求データの解釈を業界標準に沿ったモデルで行うことが可能です。

タスク指向 

一方、タスク指向のサービスは、特定の目的を達成することに重点を置いています。これらのモデルは、特定のタスクを完了するために必要な一連のステップを理解するようトレーニングされており、より幅広いシステムと統合されて自律的にアクションを実行します。タスク指向モデルは、言語を理解するだけでなく、ツールを操作し、データを取得し、明確に定義された目標を追求して行動するためにも設計されています。 

Cortex Analyst：高精度なSQL生成

Snowflake Cortex Analystは、特定の目標、つまり、Snowflakeテーブルからデータを取得するための正確なSQL生成に最適化されているため、タスク指向のエージェントサービスと見なされます。そのために、Cortex Analystは次のタスクを実行します。

• ユーザーの意図の解釈：このモデルでは、自然言語の入力またはコンテキスト情報（ユーザーが求めているデータの種類など）を処理し、質問に答えるためにそのデータが存在するか確かめ、必要ならばユーザーに戻って質問の意図を明確にします。

• 実効性のあるSQLクエリの生成：前記の解釈に基づいて、データベース内の関連データを取得または変更するために実行できるSQLコードを作成します。SQL生成の精度は 各テーブルに何が格納されているかを把握することに掛かっています。 

• タスクの完了：このプロセスの最終目標は、特定のクエリまたはデータ抽出ニーズを満たす高精度のSQLを生成することです。これは、明確に定義されたタスクです。

保険におけるエージェントシステム

特に保険などの複雑な業界の企業が実用的なインサイトを得るには、データベースにアクセスするだけでなく、別のタイプのタスク指向サービスであるVector Storeを活用して、契約、文書、その他の非構造化データなども検索する必要があります。 

AIエージェントは、文書を数値ベクトルとして表現することにより、請求文書を迅速に検索して自動的に読み取り、関連する詳細（インシデントの種類、損害評価、ポリシー適用範囲など）を抽出し、SQLクエリを生成して請求データベースまたはポリシーシステムから追加データを取得できます。

その後、LLMを使用して、ドキュメント（非構造化データ）の理解とデータベース（構造化データ）のやり取りをエージェントが調整することにより、提案、請求ステータスの更新、さらなるアクションを発動することができます。

エージェント型AIの促進におけるAccentureとSnowflakeの役割

AccentureとSnowflakeは、テクノロジーと戦略の両方のニーズに対応し、企業のエージェント型AIの実現に最前線で取り組んでいます。私たちのアプローチは以下に重点を置いています。

• 開発者、データサイエンティスト、データチームが、エンタープライズグレードのセキュリティとガバナンスを備えたAIモデルとアプリケーションを、Snowflakeのマネージドインフラストラクチャーで簡単に構築、展開できる、最先端のツールと機能を備えた統合されたデータとAIプラットフォームを提供する

• 取り込みからアプリケーションまで、エンドツーエンドの統合ガバナンスにより、構造化データと非構造化データに対して高精度で即時取得可能なデータエージェントを提供する

• プロセスを簡素化するSnowflakeの統合AIデータプラットフォームを通じて、クライアントが高価値のユースケースを選択するためのガイダンスを提供し、Accentureの専門知識を活用して経営幹部にアドバイスを行い、クライアントの価値を高める

オールインワンのAIデータクラウドプラットフォーム

SnowflakeとAccentureは、エージェント型AIユースケースを効果的に強化するよう設計された、エンタープライズAI向けの包括的なソリューションを提供します。

• すべてのデータが1つの場所にあるSnowflakeは、スケーラブルで統合されたプラットフォームにより、Snowflakeテーブルやオブジェクトストレージ内のPDFファイルなど、あらゆるデータニーズを1か所で管理し、サイロの削減、データ品質の強化、シームレスな統合の促進を実現します。 

• 堅牢なガバナンス：当社の管理されたプラットフォームでは、データの取り込みからAIアプリケーションまで、データセキュリティとコンプライアンスが確保されるため、（ファインチューニングのために指示されたものを除き）外部モデルのトレーニングにお客様のデータが使用されることはありません 。これにより、Snowflakeは、新しいエージェント型AIユースケースのパイロット試験と実装のための優れた選択肢となります。

• エンタープライズ向けに構築されたAIツール

  • Snowflake Cortex SearchおよびSnowflake Cortex Analyst：対話型インターフェイスを通じてエンタープライズデータとやり取りし、基盤となるLLMへのセキュアなアクセスを提供します。

  • Document AI標準フォームから手書きのメモまで、さまざまなドキュメントタイプの処理を自動化します。

  • Snowflake MLデータサイエンティストが機械学習モデルを構築、トレーニング、展開したり、Pythonなどの使い慣れたプログラミング言語を使用してSnowflake内で直接埋め込みモデルをカスタマイズしたりできるようにすると同時に、Snowflakeの強力なデータ処理機能を活用してスケーラブルで効率的なワークフローを実現します。

• 業界の専門知識：Accentureは、クライアントのニーズと、エージェント型AIを使用して問題を解決する方法を理解しています。

SnowflakeとAccentureは、これらの機能を組み合わせることで、企業が柔軟性とコントロールを維持しながらAIソリューションをカスタマイズできるようにします。 

AI採用のための戦略的フレームワーク

エージェント型AIの実装には構造化されたアプローチが必要です。企業が導入ジャーニーを進めるために、私たちが推奨するものは次のとおりです。

• 高いビジネスバリューを引き出すユースケースから始めましょう。おおよその精度が許容されるユースケースに焦点を当てます。意思決定の迅速化やプロセスの迅速化が、手間のかかる精度よりも価値をもたらす領域を優先するリスク管理と市場投入までの迅速な価値創造のバランスを取る。

• まず規制の低い分野を狙う：金融サービスなどの規制の厳しい業界では、厳しい基準のケアと承認プロセスがあるため、コンプライアンス要件の厳しい分野でのAIの展開が遅れる可能性があります。最初は規制の緩い領域から始めて、AIの信頼性が向上するにつれて規制されたユースケースに徐々に対応しながら、より迅速に成果を上げる。

• （現時点では）人間を巻き込む：説明可能性、カスタマーサービス、正確性に関連するリスクを軽減するため、AIドリブンなプロセスにおける人間の監視を維持する。テクノロジーが成熟し信頼性が高まると、人の介入を徐々に減らすことができます。しかし、規制やリスクの高いユースケースでは、AIの信頼性が完全に確立されるまで、人によるレビューが重要な要素となります。

ユースケース：Accentureによる生成AI請求エージェント

Accentureは、Snowflakeのプラットフォームを活用して、請求プロセスの主要部分を自動化するSnowflakeのツールとAccentureのエージェント型AIにおける専門知識を組み合わせ、画期的なAI保険金請求エージェントを生み出しました。このAIエージェントは、ドキュメントのレビュー、情報の要約、保険金請求に関する意思決定を行えます。また、顧客に合わせてパーソナライズした、保険金の承認または却下の理由を説明する通知書を生成することもできます。

AccentureのデータとAIのチームでリーダーを務めるMike Lao氏は、次のように語っています。「生成AIの保険金請求エージェントの基盤となっているのは、SnowflakeのAIデータクラウドです。このプラットフォームは、運転免許証、領収書、申込書などのさまざまなドキュメントを処理できるDocument AIを始めとする、さまざまな機能を備えています。私たちはさらに、Snowflake Cortex Analystも使用しています。これにより、このAI保険金請求エージェントはデータや保険証券を分析して、より情報に基づいた意思決定を行えるようになりました」

Accentureが保険金請求に着目した理由は、保険金請求の承認には必ずしも100%の正確性が求められるわけではないという、金融サービス業界の知見を得たためです。興味深いことに、多くの顧客は迅速な処理と引き換えに保険金の一部支払いを受け入れます。Accentureは、保険金の支払いは柔軟に対応できる余地があることに気づきました。つまり、異議申立は規制介入を回避して内部で処理できるということがわかったのです。これは、受託者責任が問われる金融アドバイスなど、より厳密な正確性が求められる領域とは対照的です。保険金請求は比較的規制が緩く、保険会社にはマージン内で保険金の支払いを調整する裁量が与えられています。保険金の支払いをスピードアップできれば、保険会社の収益と顧客満足度の両方を大幅に改善することが可能になります。

信頼性と顧客満足度を確保するため、AccentureはAI請求エージェントに人間の創意工夫を取り入れました。Mike Lao氏は次のように強調しました。「人間を巻き込むことが重要です。私たちは、組織でのAI採用を拡大し、クライアントの期待に応えるために、AIを使用して作業プロセスを改革しています。」

フィリピン、マニラのAccentureチームは、保険金支払いに関する深い専門知識を持ち、グローバルな保険会社をサポートしています。このプロジェクトは、さまざまな金融サービスセクターでAIエージェントが広く採用されるための第一歩となります。アジア太平洋・日本地域の金融サービス責任者であるKaushik GD氏は、次のように述べています。「将来的には、AIエージェントがファイナンシャルプランニングや個人投資アドバイスを支援するようになる見込みです。しかし、技術的なソリューションと規制当局の受け入れの両方が進化することが求められ、これには時間がかかるでしょう。」