トヨタコネクティッドが2日で試作、生成AIで店舗内放送の音声を自動生成する構想

機能を5つのブロックに切り分け、それぞれの独立性を高めたうえで、オーケストレーション機能で束ねる。この構成が、短い期間で動くものを組み上げられた最大の要因だと考えられます。画面はAzure Static Web Apps、処理の流れを制御する部分はAzure Functions、シナリオと音声の生成はAzure OpenAI ServiceとAzure AI 音声、外部情報の収集は専用のAIとCosmos DBによるキャッシュ、音源はAzure Blob Storageというように、役割ごとに置き場所が分かれています。分けておけば、どれか一つの精度が足りなくてもそこだけ差し替えられ、後からエージェントを足す余地も残ります。

マルチエージェント、つまり複数のAIが役割を分担して連携するという考え方を、構想の段階で設計思想として取り込んだ判断も効いています。情報を集めるAI、集めた情報からシナリオを書くAI、それを声にするAIと工程ごとにAIを立てる整理は、店舗内放送という題材と素直に噛み合います。放送はもともと「何を伝えるか」と「どう伝えるか」が分かれた仕事だからです。現時点では各エージェントが高度な推論をしているわけではないと開発側自身が位置づけており、看板を先に掲げるのではなく、後から中身を強くできる器を先に用意する順序になっています。

構想する部門と実装する部門、そして外部の技術者を同じ場に集めた進め方も、この取り組みに固有の要素です。先行企画部が持ち込んだアイデアに対し、その場でAzureの専門家がアーキテクチャをホワイトボードに描き、社内の生成AI活用を推進するAI統括部とパートナーのゼンアーキテクツが実装を引き受ける。企画から実装への受け渡しが一続きになる場を先に用意したことが、アイデアを机上に留めない仕掛けとして働いたと見ています。