Amazon Bedrock活用で実現！検索精度向上と2.6%売上アップの舞台裏

参考になった

会員限定コンテンツです。無料登録すると制限なしでお読みいただけます。

無料登録してアーキテクチャを見る

レビュー投稿日の情報になります

株式会社オズビジョン / 天野勇弥

メンバー / フロントエンドエンジニア / 従業員規模: 51名〜100名 / エンジニア組織: 11名〜50名

最終更新日2025/06/25投稿日2025/06/25

アーキテクチャ

会員限定コンテンツ無料登録してアーキテクチャを見る

アーキテクチャの意図・工夫

はじめに

今回のプロジェクトは、ユーザー数560万人*、年間流通総額1,678億円*を誇るポイントプラットフォーム「ハピタス」の広告検索において、検索精度およびユーザー体験の向上を目的とした最新の生成AIモデルを活用した取り組みです。(*2025年3月末時点)
導入前は、ユーザーが検索したキーワードと無関係な広告が上位表示されるなどの課題がありましたが、Amazon Titan Text Embeddings v2の採用によって検索結果の精度が向上し、売上も2.6%増加しました。
アーキテクチャ面では、安価かつ最新機能を利用できるバージニアリージョンの選定や、ベクトルDBとしてAmazon Aurora Serverless v2を活用しコストを抑制しました。

リージョン選定の背景

既存環境：東京リージョン
新環境：バージニアリージョン
- 理由
  1. 新しい生成AIモデルをいち早く試せる
  2. 東京リージョンより安価
  3. 想定レイテンシ（約0.3秒）が許容範囲内

レイテンシ比較

検索種別	通信レイテンシ	ブラウザ応答時間	内訳
既存検索	0秒	約1.3秒	–
ベクトル検索	約0.3秒	約2.5秒	・API処理：1.8秒・Webサーバ処理：0.4秒

ベクトルDB選定

採用：Amazon Aurora Serverless v2 (PostgreSQL)
理由：OpenSearchより運用コストを抑制できるため

登録処理基盤の選択

採用：Amazon ECS（バッチ）
理由：AWS Lambdaは最大実行時間15分の制約があるが、本処理は30分以上必要なため

システム分離と開発言語

API Gateway 経由の理由
- 既存のバッチ／Webサーバーに過度な責務を持たせない
実装言語：Python
- 機械学習ライブラリが豊富なため、新環境ではPythonでベクトルDB更新

Embedding モデル選定

採用：Amazon Titan Text Embeddings v2（2024/4/30 リリース）
理由：
1. 当社ユースケースで Cohere Embed Model v3 と結果差がほぼなし
2. コストが1/5と大幅に安価
3. バージニアリージョンで最新機能をいち早く利用可能

導入の背景・解決したかった問題

導入背景

ツール導入前の課題

広告検索における課題

「ハピタス」には数多くの広告が掲載されていますが、検索ワードによってはユーザーにとって望ましい広告が表示されにくいという課題がありました。

例えば、「ANA」と検索した場合、「Panasonic」が上位に表示されてしまうケースです。

加えて、特定の広告を検索する「指名検索」がほとんどを占め、関連度の高い広告を表示させづらい状況がありました。

どのような状態を目指していたか

キーワード検索の検索結果をより「ユーザーアクションに繋がる」と考えられるものに改善し、検索利用者のCVRを向上させる状態

比較検討したサービス

Cohere Embed Model v3

比較した軸

性能面とコストのバランス

選定理由

性能を維持しつつ費用を削減できるため、Amazon Titan Text Embeddings v2 を採用

導入の成果

改善したかった課題はどれくらい解決されたか

「ANA」で検索した際に「Panasonic」関連の広告がヒットしづらくなり、ページの下の方に表示されるようになるなど、キーワード検索の精度が向上。

どのような成果が得られたか

キーワード検索の精度向上に留まらず、ユーザーアクション及び売り上げ向上に繋がる検索結果の表示改善。 ABテストの結果、従来の検索と比較して2.6%の売り上げ増を実現。(2025年3月月間の実績値)

導入時の苦労・悩み

自社プロダクトへの導入にあたり、アーキテクチャ設計やコスト試算で多くの課題がありましたが、AWS のサポートを受けることでスムーズに開発を進めることができました。

導入に向けた社内への説明

上長・チームへの説明

AWS主催の「生成AI活用開始プログラム」へ開発メンバーだけでなく関係各部署のキーマンも参加してもらい、生成AIによって解決可能な課題の全体像を共有したことで、上長やチームからスムーズに導入への理解を得ることができました。

活用方法

よく使う機能

セマンティックサーチ（“おすすめ（ベータ）”モード）
検索窓のプルダウンで「おすすめ（ベータ）」を選択すると、Amazon Bedrock と Aurora PostgreSQL を組み合わせたベクトル検索を実行し、曖昧なワードでも関連度の高い広告を返します。
ベクトル埋め込み生成
- 登録時：ECS（Fargate）が S3 の CSV を読み込み、Amazon Bedrock（Titan Text Embeddings v2）で広告データの埋め込みを一括生成
- 検索時：AWS Lambda から Bedrock を呼び出し、検索ワードをベクトル化