Fanatics Betting & Gamingのマルチエージェント顧客サポートシステム：AWSによる構築戦略
Fanatics Betting & Gaming（FBG）は、AWSを活用して、顧客サポートを革新するマルチエージェントシステムを構築しました。このシステムは、複雑な問い合わせに対応し、顧客体験を向上させることを目的としています。FBGは、スポーツ用品販売で培ったクラウドネイティブな基盤を活かし、ベッティング＆ゲーミング事業の急成長に対応するために、オンプレミスシステムからAWSへの移行を進めています。
マルチエージェントシステムのアーキテクチャ概要
FBGのマルチエージェント顧客サポートシステムは、複数の専門エージェントが協調して動作する分散アーキテクチャを採用しています。このアプローチにより、各エージェントが特定のタスクに特化し、システム全体の堅牢性とスケーラビリティが向上しています。主要なAWSサービスがこのシステムのバックボーンを形成しています。例えば、Amazon Bedrockは生成AIアプリケーションとエージェント構築のためのエンドツーエンドプラットフォームとして利用されており、顧客とのやり取りにおけるAIネイティブなソリューションを提供しています。 また、リアルタイムのスポーツコンテンツ更新やマーケティングキャンペーンにはAirtableエージェントが活用され、ライブの選手負傷データなどの公式リーグ情報から重要な詳細を抽出し、コンテンツチームにプロモーション調整を促すことで、スピードと正確性を両立させています。
このシステムの基盤には、サーバーレスコンピューティングとしてのAWS Lambda、データの永続化と高速アクセスを提供するAmazon DynamoDB、オブジェクトストレージとしてのAmazon S3などが考えられます。特に、AWS Step Functionsは、複数のエージェント（Lambda関数やマイクロサービスなど）を調整し、複雑なワークフローを構築するための堅牢なパターンを提供します。 これは、動的なルーティング、タスクの委譲、状態管理、エラー処理、リトライ処理を内蔵しており、異なるエージェント間のインタラクションをハードコーディングすることなく、シンプルかつスケーラブルな開発を可能にします。
Amazon BedrockとRAGによる応答生成メカニズム
顧客サポートにおける高品質な応答生成は、生成AIの活用によって実現されています。FBGはAmazon Bedrockを、生成AIアプリケーションとエージェント構築のための包括的なプラットフォームとして利用しています。 Amazon Bedrockは、基盤モデル（FM）へのアクセスを提供し、様々なユースケースに対応するエージェントを構築することを可能にします。顧客からの問い合わせに対して、関連性の高い情報を迅速に取得し、正確な応答を生成するためには、RAG（Retrieval-Augmented Generation）アーキテクチャが不可欠です。
RAGは、事前に構築された知識ベースから情報を検索し、その情報に基づいて生成モデルが応答を作成するメカニズムです。FBGのシステムでは、顧客データ、製品情報、FAQ、規約などの社内知識を格納するために、Amazon S3やAmazon OpenSearch Serviceが利用されていると推測されます。 ユーザーの問い合わせはまずエージェントによって解析され、関連するキーワードやコンテキストが抽出されます。その後、これらのキーワードを用いて知識ベースから関連ドキュメントが検索・取得されます。取得された情報は、Amazon Bedrockを介して利用される基盤モデルにプロンプトの一部として与えられ、ユーザーへの自然で正確な応答が生成されます。このプロセスにより、モデルが学習データにない最新の情報や企業固有の情報を参照できるようになり、ハルシネーションを抑制しつつ、より信頼性の高い回答を提供できます。
エージェント間の協調とオーケストレーション
FBGのマルチエージェントシステムにおけるエージェント間の協調は、顧客サポートの複雑なシナリオに対応するために極めて重要です。この協調は、主にAWS Step Functionsによってオーケストレーションされます。 Step Functionsは、視覚的なワークフローエンジンを提供し、各エージェント（特定のLambda関数など）が実行するタスクを定義し、その間の遷移を条件に基づいて制御します。
例えば、顧客が返金に関する問い合わせを行った場合、最初のルーティングエージェントが問い合わせの意図を特定し、返金処理を専門とするエージェントにタスクを委譲します。このエージェントは、顧客の取引履歴をDynamoDBから取得し、返金ポリシーに基づいて処理の可否を判断します。もし追加情報が必要な場合は、別の情報収集エージェントにタスクが渡され、必要なデータが揃った時点で再度返金処理エージェントに制御が戻されます。このような動的なタスク委譲と状態管理は、Step Functionsが各ステップのコンテキストを維持することで実現されます。 また、各エージェントは独立してスケーリングできるため、特定の処理負荷が高い場合でもシステム全体がボトルネックになることを防ぎます。 このモジュラーな設計は、新しいエージェントの追加や既存エージェントの更新を容易にし、システムの進化を促進します。
開発者・エンジニア視点での考察
-
エージェント粒度の戦略的設計: マルチエージェントシステムの成功は、各エージェントの責任範囲と粒度を適切に定義することにかかっています。汎用的な大規模言語モデルに全てを任せるのではなく、Fanatics Betting & Gamingのように「返金処理」「アカウント管理」「FAQ応答」など、明確なドメインとデータスコープを持つ専門エージェントに分割することで、応答精度、保守性、そして個別のスケーラビリティを向上させることができます。これにより、特定のビジネスロジックや規制要件（例: 責任あるゲーミング機能）を各エージェントにカプセル化しやすくなります。
-
AWS Step Functionsを活用した堅牢なワークフローオーケストレーションの重要性: Fanatics Betting & Gamingの事例は、複雑なマルチエージェントの対話フローにおいて、AWS Step Functionsのような状態管理が可能なオーケストレーションツールが不可欠であることを示唆しています。 単純なAPI呼び出しの連鎖ではなく、エラーハンドリング、リトライメカニズム、並列実行、条件分岐といった高度なワークフロー制御をコードとして定義・可視化できることは、デバッグの容易性、運用時の安定性、そして将来的な機能拡張の柔軟性において大きなメリットをもたらします。
-
生成AIとレガシーシステム統合のためのRAG戦略: 顧客サポートシステムにおいて、生成AIが常に最新かつ正確な情報を提供するためには、リアルタイムデータソースや既存のレガシーシステムとの効果的な統合が不可欠です。RAG（Retrieval-Augmented Generation）戦略は、基盤モデルのハルシネーションを抑制しつつ、企業固有の知識を活用する上で極めて重要です。開発者は、Amazon S3、Amazon OpenSearch Service、DynamoDBなどを活用して、構造化・非構造化データを効率的に検索可能な知識ベースとして構築し、生成AIエージェントがこれを参照するメカニズムを設計する際に、データ鮮度、セキュリティ、検索レイテンシを考慮する必要があります。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
