アイデア創出から製品化へ

Objective

After completing this lesson, you will be able to 生成 AI のユースケースに関する SAP 製品管理ライフサイクルを評価します。

前の章では、SAP の "Relevant, Reliable, and Responsible" 戦略を確立しました。ここで、'なぜ' から 'どのように' にフォーカスを移します。生成 AI を使用するための有望なアイデアは、SAP アプリケーションの実際のエンタープライズグレードの機能になるにはどうすればよいでしょうか。

このレッスンでは、そのプロセスの戦略的マップについて説明します。生成 AI を使用して開発するには、構造化された反復的かつ慎重なアプローチが必要です。シンプルなコンセプトからデプロイされた製品までのジャーニー全体を理解することで、次のレッスンで取り上げる実践的な統合作業が、大局的な画像にどのように組み込まれているかを正確に把握できます。

SAP の生成 AI 製品ライフサイクル

生成 AI ユースケースを市場に投入することは、コラボレーティブなチームの取り組みです。開発者またはデータサイエンティストとしての役割は中心ですが、製品管理 (ビジョンの定義)、ユーザエクスペリエンス (UX) エキスパート (ユーザインタラクションの設計)、およびソリューション管理 (市場への適合性の確保) と連携します。以下の多段階プロセスにより、本稼動コードの記述を開始するまでに、ユースケースがすでにチェック、スコーピング、およびリスク解除されます。

SAP 生成 AI 製品ライフサイクル

ステージ 1:概念化

これはクリエイティブな出発点であり、テクノロジーではなくビジネスバリューに完全に焦点を当てています。

  • プロセス:製品マネージャー、ソリューションエキスパート、および顧客は、生成 AI が大きな利点を提供できるユーザーの課題を特定します。このフェーズでは、カスタマーコラボレーションを通じて可能性を探ります。
  • アイデア例:「プロジェクトマネージャーは週次のステータスレポートを書くのに時間を費やしています。最初のドラフトを自動化することはできますか。"
  • 役割(技術エキスパートとして):コンサルタントの役割を果たし、問題が従来の自動化により適している LLM の強み(要約、生成など)とタスクに適しているかどうかの評価を支援します。

ステージ 2:実現可能性とスコーピング

アイデアが選択されると、そのアイデアは実行可能、安全、責任あるものであることを確認するための厳密な実現可能性調査を受けます。これは重要なリスク管理ステップです。

  • プロセス: チームは、アイデアの技術的側面、財務面、および倫理的側面を調査します。
  • AI 固有の主な質問:
    • 適合性: この問題は LLM ユースケースに本当に適していますか? キー除外基準は決定的ロジックです。たとえば、正確な計算や厳密なルールベースの処理を必要とするタスクは、確率的 LLM ではなく、従来のアルゴリズムによってより適切に処理されます。
    • グラウンディングデータ:関連する SAP システムから必要なプロジェクトステータスデータ(タイムライン、予算、リスクなど)に安全にアクセスできますか。
    • ハルーシネーションリスク:事実上の精度は 100% どの程度重要ですか。ドラフトレポートでは、人間がレビューする軽微なエラーが許容されますが、自動財務予約はできません。
    • 実現可能性: ユースケースに肯定的なビジネスケースがありますか? これには、高レベルの費用便益分析が含まれます。例えば、LLM(API コール、インフラストラクチャー)の実行コストは、生成された値(プロジェクトマネージャーによって節約された時間など)よりも少なくなりますか。
  • 役割:あなたは、主要な調査担当者であり、データソースを探索し、潜在的なリスクとリスクの技術的な評価を提供し、そのタスクがそもそも LLM に適しているかどうかを特定するのに役立ちます。

ステージ 3:プロトタイピングと概念実証 (PoC)

ここでは、初めてアイデアがテストされます。目標は、完全なアプリケーションを構築せずにコアコンセプトが機能することを証明するために、最小限の機能プロトタイプを構築することです。

  • プロセス:生成 AI ハブのプレイグラウンドなどのツールを使用して、チームはさまざまなモデルや迅速なエンジニアリング技術で迅速に実験します。
  • PoC の例: 開発者がサンプルプロジェクトデータを取り込み、詳細なプロンプトを作成し、ハブ内のさまざまな LLM に対してテストして、最も正確で適切に書式設定されたドラフトレポートを生成するプロジェクトデータを確認します。
  • 自分の役割:これは実践的な実験です。目標は、データ、プロンプト、モデルの有効な組み合わせを見つけることです。その結果、検証されたコンセプトと、次のステージの明確な要件セットが生成されます。

ステージ 4:製品化と統合

PoC が成功すると、機能の完全な開発が承認されます。ここでは、プロトタイプが堅牢でスケーラブルで安全な製品機能へと進化しています。このステージは、次のレッスンの主な焦点です。

  • プロセス: これはコアソフトウェア開発ライフサイクルです。これには、ユーザインタフェース、データ取得パイプライン、および Generative AI Hub との安全な統合の構築が含まれます。
  • ロール: ここで、実験的プレイグラウンドから開発環境に移行します。SAP AI SDK などの製品を使用して、アプリケーションを Generative AI Hub に接続します。

ステージ 5:デプロイメントと監視

開発およびテストされると、この機能はカスタマにデプロイされます。AI アプリケーションの場合、ジョブは起動時に実行されません。

  • プロセス: 機能がロールアウトされ、そのパフォーマンス、品質、および使用が綿密に監視され、責任を持って価値を提供し続けることが保証されます。これには、ユーザーフィードバック(レポートの「高く評価する」など)の収集、分析のためのプロンプトの安全なロギング、およびコストの追跡が含まれます。
  • ロール: 必要なロギングおよびフィードバックメカニズムを構築し、データを分析して、将来の改善および反復を通知するのに役立ちます。

継続的な保守とモデルの進化

従来のソフトウェアとは異なり、デプロイされた生成 AI ソリューションには、継続的な保守と適応が必要です。LLM 機能は急速に進化しており、実世界のパフォーマンスは時間の経過とともに漂う可能性があります。

  • プロセス: このステージには、応答品質、関連性、幻覚率、コスト効率などの主要メトリックの継続的な監視が含まれます。また、モデルバージョンの管理およびアップグレードの計画も含まれます。ユーザ動作の変更、基盤となるデータドリフト、またはより能力の高い LLM (パフォーマンス向上や低コストの可能性) のリリースなどの要因には、定期的な再評価が必要です。
  • 考慮事項: 新しいモデルまたはプラットフォーム機能が Generative AI Hub などで利用可能になった場合、開発者はその影響を評価する必要があります。これには、既存のプロンプトの再設計、統合コードの更新、A/B テストなどの徹底的なテストの実行が含まれることが多く、アップグレードによってアプリケーションのパフォーマンスとユーザエクスペリエンスが低下しないようにします。堅牢なフィードバックループを維持し、ログを分析することは、更新が必要なタイミングと場所を特定するために不可欠です。
  • 役割:新しいモデルバージョンの追跡、その潜在的なメリットの評価、必要なコード変更の実装、将来の更新に対する要件の定義に継続的に関与し、生成 AI アプリケーションのパフォーマンスと安全性を維持し、ビジネスニーズに合わせて調整し続けます。

レッスンのまとめ

生成 AI 向け SAP 製品ライフサイクルの戦略的マップが作成されました。これは、概念化から厳格な実行可能性チェックに移行し、プロトタイプによって検証され、製品化時に構築され、監視を介して更新される意図的なコラボレーティブなジャーニーです。