この記事では、Amazon Aurora PostgreSQL を基盤とするカスタマーサポートチャットボットに対して、責任ある AI(RAI)コントロールを設計する方法について説明します。このチャットボットは検索拡張生成(RAG)技術を利用して、過去のチケットやナレッジベースの記事から回答を取得しますが、同時にプライバシー、正確性、安全性、ガバナンスに関する課題も生じます。特に、基盤となるデータに機密顧客情報が含まれる場合に顕著です。記事では、AWS が定義する 8 つの責任ある AI の次元(公平性、説明可能性、プライバシーとセキュリティ、安全性、制御可能性、真実性と堅牢性、ガバナンス、透明性)を Aurora PostgreSQL の機能にマッピングし、そのうちの説明可能性の次元を深く実装しています。
Amazon Aurora PostgreSQL 互換版は、ネイティブの Aurora 機械学習(Aurora ML)機能を通じて、責任ある AI の運用化を容易にします。Aurora ML を使用すると、データ移動、カスタム ETL パイプライン、複雑な統合なしで、SQL から直接 Amazon SageMaker エンドポイントと Amazon Bedrock 基盤モデルを呼び出すことができます。この記事では、Aurora ML を使用して SQL からベクトル埋め込みを生成し、埋め込みパイプラインをデータベース層内に保持します。
ユースケースの概要:カスタマーサポートシステムは、プライバシーとコンプライアンスを維持しながら、正確でコンテキストを認識した応答を提供するのに苦労することがよくあります。Aurora PostgreSQL 上に構築されたカスタマーサポートチャットボットを考えてみましょう。これは pgvector 埋め込み、Amazon Bedrock モデル推論、AWS 責任ある AI ガードレールを使用して、根拠のある説明可能な応答を提供します。顧客は「前回の請求額が高かったのはなぜですか?」や「前回の注文はどこですか?」などの質問をし、引用付きの正確な回答を得ることができ、機密データは個人識別情報(PII)の秘匿化とアクセス制御によって保護されます。
AWS 責任ある AI の次元を Aurora PostgreSQL にマッピングする:記事では、8 つの次元を具体的な実装戦略、主要な PostgreSQL/Aurora 機能、主要な AWS サービスとツールにマッピングした表を提供しています。たとえば、公平性の次元は、言語、地域、顧客プロファイルに関係なくチャットボットが同等の品質の応答を提供することを重視し、pgvector、JSONB メタデータ、SQL フィルタリング、ビューを通じて実装できます。説明可能性の次元は、ユーザーとサポートチームがチャットボットが特定の回答をした理由を理解することを重視し、取得されたチャンク、類似度スコア、引用の記録、chat_interactions テーブル、配列列、JSONB ログ、pgvector 類似度を通じて実装できます。プライバシーとセキュリティの次元は、チケット内の名前、電話番号、注文詳細などの顧客 PII を保護することを重視し、埋め込み前の PII 秘匿化、行レベルセキュリティ(RLS)、暗号化、IAM 認証、RBAC、匿名化を通じて実装できます。安全性の次元は、有害、有毒、不適切な応答を防ぐことを重視し、コンテンツフィルター、拒否トピック、プロンプトインジェクション保護、レート制限、モデレーションを通じて実装できます。制御可能性の次元は、チャットボットの動作を誘導し、人間にエスカレーションする能力を重視し、人間参加型エスカレーション、フィードバックテーブル、フィーチャーフラグ、プロンプト制御、キルスイッチを通じて実装できます。真実性と堅牢性の次元は、サポートデータに基づく正確な応答を検証し、幻覚を回避することを重視し、類似度しきい値を持つ RAG グラウンディング、バージョン管理されたドキュメント、検証チェックを通じて実装できます。ガバナンスの次元は、チャットボットの決定に対する監査証跡と説明責任を維持することを重視し、pgaudit、pg_cron、JSONB モデルメタデータを使用した監査ログと保持ポリシー、モデルバージョン追跡、Amazon S3 アーカイブを通じて実装できます。透明性の次元は、ユーザーが AI と対話していることを明確に通知し、データソースを表示することを重視し、AI による通知、引用、プライバシー通知、ソースの説明を通じて実装できます。
ソリューションの概要:リファレンスアーキテクチャは、責任ある AI コントロールが Aurora PostgreSQL 上の RAG チャットボットの各コンポーネントにどのようにマッピングされるかを示しています。取り込みパイプラインは、サポートチケット、FAQ、製品ドキュメントから PII を秘匿化し、それらをベクトル埋め込みに変換します。ユーザーがクエリを送信すると、AWS Lambda が Aurora PostgreSQL 上でセマンティック検索を実行し、Amazon Bedrock Guardrails を適用してプライバシーとグラウンディングを確保し、保護されたコンテキストを Amazon Bedrock 基盤モデルに送信し、説明可能性とガバナンスのためにすべてのインタラクションを記録します。Lambda は企業データに基づいて応答をグラウンディングし、PII を秘匿化し、プライバシーのために行レベルセキュリティ(RLS)を適用し、説明可能性のために引用とインタラクションログを記録し、ガバナンスのために監査レコードを書き込みます。
このソリューションを構築するかマネージドサービスを使用するかの判断:Amazon Bedrock Knowledge Bases は、引用付きの組み込み RAG を提供し、デフォルトの検索と引用の動作がニーズを満たす場合にはより簡単な選択肢です。この記事のカスタムログ設計は、来歴を独自のスキーマに保存する必要がある場合に構築します。その来歴には、取得されたソース対引用されたソース、類似度スコア、ガードレールトレースが含まれ、これらを SQL でクエリし、独自のポリシーに従って保持できます。
データ取り込み:取り込みパイプラインは、PII を秘匿化した後、過去のサポートチケット、FAQ、製品ドキュメントを Amazon Aurora PostgreSQL にロードします。ベクトル操作と Aurora ML 統合には pgvector および aws_ml 拡張機能を使用します。Aurora ML の aws_bedrock.invoke_model_get_embeddings 関数は、テキストを Amazon Titan Text Embeddings V2 ベクトル(1024 次元)に変換し、pgvector がそれらを保存します。Aurora PostgreSQL は、構造化顧客データのリレーショナルストアとしても、セマンティック検索のベクトルデータベースとしても機能します。
クエリと応答のフロー:ユーザーが質問すると、チャットボットは次のステップに従います。ユーザーは HTTPS 経由で Amazon API Gateway に自然言語の質問を送信します。API Gateway は AWS Lambda を呼び出します。Lambda は Amazon Titan Text Embeddings V2 を使用して Aurora ML の aws_bedrock.invoke_model_get_embeddings 関数を呼び出し、質問をベクトルに変換します(ナレッジベースの埋め込みと同じモデルを使用する必要があり、質問とドキュメントの両方が比較可能な 1024 次元ベクトルを生成します)。Aurora PostgreSQL は pgvector のコサイン距離演算子を使用して質問ベクトルを保存された知識ベクトルと比較し、最も関連性の高いチャンクを類似度スコアとともに返します。行レベルセキュリティにより、結果は現在のテナントに制限されます。Lambda はユーザーの質問と取得されたチャンクを組み合わせ、各チャンクに [Source N] のラベルを付けて拡張プロンプトを構築します。Lambda はプロンプトを Amazon Bedrock に送信し、Guardrails が入力(コンテンツフィルター、拒否トピック、PII)をチェックし、基盤モデルが取得されたチャンクに基づいて回答を作成し、コンテキストグラウンディングチェックが回答がそれらのソースによってサポートされていることを確認します。Lambda は完全なインタラクションを chat_interactions テーブルに書き込みます:質問、取得されたチャンク ID、類似度スコア、実際に引用されたソース、ガードレールトレース、モデル ID。Lambda は回答をソース引用とともにユーザーに返します。サポート操作は各リクエストとは別に実行されます:取り込みはコンテンツのロード時にドキュメント埋め込みを一度作成します。保持は pg_cron を使用して古いインタラクションレコードを Amazon S3 にアーカイブします。監視では、Lambda がログとメトリクスを Amazon CloudWatch に送信し、AWS CloudTrail が監査のために API アクティビティを記録します。
前提条件:開始する前に、以下が整っていることを確認してください。pgvector 拡張機能が有効な Amazon Aurora PostgreSQL クラスター(HNSW インデックスと反復インデックススキャンには新しい pgvector バージョンが必要で、Aurora ML と Amazon Bedrock モデルのサポートは別々にバージョン管理されているため、特定のバージョンに固定するのではなく、ドキュメントで現在の最小バージョンを確認してください)。クラスターで aws_ml 拡張機能が有効になっていること(CREATE EXTENSION IF NOT EXISTS aws_ml CASCADE)、および bedrock:InvokeModel を付与する IAM ロールがクラスターにアタッチされていること(Aurora ML はクラスターのリージョンで Bedrock を呼び出します)。クラスターで aws_s3 拡張機能が有効になっていること(CREATE EXTENSION IF NOT EXISTS aws_s3 CASCADE)、および保持ジョブが Amazon S3 にエクスポートできるように s3Export 機能用の IAM ロールがアタッチされていること。Amazon Bedrock へのアクセス(埋め込みには Amazon Titan Text Embeddings V2(amazon.titan-embed-text-v2:0)を使用し、回答生成には Bedrock Converse API をサポートする基盤モデルを使用します。モデルの可用性と推奨バージョンは時間とともに変化するため、サポートされているモデルから現在のモデルを選択してください。新しいモデルはクロスリージョン推論プロファイル ID を介して呼び出されます)。PII 保護、コンテンツフィルタリング、コンテキストグラウンディング用に構成された Amazon Bedrock Guardrails(Guardrail 構成でコンテキストグラウンディングポリシーを有効にします)。Amazon Bedrock、Lambda、Aurora PostgreSQL に適切な権限を持つ IAM ロール。pgaudit と pg_cron を既存の shared_preload_libraries 値に追加するカスタムクラスターパラメータグループ(pg_stat_statements などのデフォルトを保持するために置き換えるのではなく追加します。これにはクラスターの再起動が必要です)。cron.database_name をターゲットデータベースに設定します。PostgreSQL、SQL、Python の基本的な知識。注:ここに記載されている前提条件はデータベース層に焦点を当てています。アプリケーション層(AWS Lambda、Amazon API Gateway、チャット UI など)は別個であり、展開アーキテクチャによって異なります。
説明可能性の次元の設計パターン:このセクションでは、ユーザークエリから取得、ガードレール評価、最終回答とその引用に至るまで、AI が生成したすべての応答を追跡可能にするデータベース層の設計パターンを紹介します。ステップ 1:データベーススキーマを設定します。顧客データ、チャットセッション、インタラクションログ、フィードバック用のコアテーブルを作成します。まず、スキーマと必要なテーブルを作成します。各テーブルは特定の責任ある AI の次元に対応します:CREATE SCHEMA IF NOT EXISTS rai_postgresql; customers テーブルはテナント対応のプロファイルを保存します……(記事は切り捨て)