WEDにおけるVertex AI Geminiの活用事例

参考になった

レビュー投稿日の情報になります

WED株式会社 / Kazuki Ishikawa

メンバー / 機械学習エンジニア / 従業員規模: 11名〜50名 / エンジニア組織: 11名〜50名

最終更新日2025/03/28投稿日2025/03/28

利用機能

ツールの利用規模

ツールの利用開始時期

事業形態

Vertex AI Gemini

10名以下

2025年1月

B to B

B to C

利用機能	Vertex AI Gemini
ツールの利用規模	10名以下
ツールの利用開始時期	2025年1月
事業形態	B to B B to C

アーキテクチャ

アーキテクチャの意図・工夫

非エンジニアが使いやすいように、SlackのワークフローからCloud Run ServiceのAPIを呼び出して実行しています。このCloud Run Serviceは、本記事で紹介するプログラムの他にも、いくつかのJobsやAirflowの実行に対応しており、Slackとプログラムを繋ぐ役割を担っています。

プログラムの実行結果はSpread Sheetに出力することで、非エンジニアの作業をやりやすくしています。

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

弊社では、レシート買取アプリ「ONE」を開発・運用しています。アプリユーザーは、レシート買取ミッションに参加し、対象商品のレシートをアップロードすることでお金がもらえます。

このアプリの運用課題として、ユーザーが同一のレシートを使い回していないか、目視で検品する必要があることが挙げられていました。

どのような状態を目指していたか

アップロードされるレシート枚数が多いと、その分検品にかかる人件費も増えてきてしまいます。そのため、生成AIでレシート画像を比較し同じレシートか否かを判定 (重複判定) することで、検品作業を自動化することを目指しました。

比較検討したサービス

Google Vertex AI Gemini
Amazon Bedrock 各種モデル

比較した軸

コストの安さ
判定精度

選定理由

重複判定では、検品対象のレシートの組み合わせの数だけ処理を行う必要があります。レシート枚数が増えれば、指数関数的にコストが増加するため、コストを最重要視しました。

Geminiはコストが安く、判定精度も悪くないため、こちらを採用しました。

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

Geminiの推定誤りもあるため完全に検品作業を自動化することはできていませんが、目視で確認するペア数を、96％減らすことができました。

導入時の苦労・悩み

Geminiは他の生成AIと比較して1回の処理コストが安いですが、それでもレシート枚数が増えると全体のコストが高くなってしまいます。そこで、処理コストが半分のBatch Predictionで推論を行うことにしました。

また、Geminiによる処理を行う前にレシート枚数から想定処理コストを計算し、一定額以上の場合に警告を出すようにしました。

導入に向けた社内への説明

上長・チームへの説明

上長への説明

検品に要している人件費を削減することが主な目的でした。そのため、Geminiに検品を任せた場合の想定コストを算出し、多くの場合1ドルにも満たないことを説明しました。導入前にかかっていた人件費よりも明らかに安くなるため、導入に至りました。

その他要件

検品作業を行う人が非エンジニアであるため、Slackのワークフローで処理を開始できるようにしました。

活用方法

よく使う機能

Geminiの各種バージョン
- 1.5-flash / 2.0-flash-lite / 2.0-flashを精度やコストを考慮して使い分けています。古いバージョンの1.5もタスクによっては2.0よりも高い精度を出すことがあるため、どちらのバージョンも試して決定しています。
Batch Prediction
- 即時出力が不要の場合、コストが安くなるためBatch Predictionを利用しています。