Amazon NeptuneとMem0を活用したAmazon Bedrockの企業別メモリ機能

*本記事はTrendMicroのShawn Tsaiとの共著です。* 関連性の高く、文脈を考慮した（context-aware）回答を提供することは、顧客満足度の向上に重要です。エンタープライズグレードの（enterprise-grade）AIチャットボットにとって重要なのは、現在のクエリだけでなく、それに関連する組織的な文脈を理解することです。[Amazon Neptune](https://aws.amazon.com/neptune/)と[Mem0](https://github.com/mem0ai/mem0)によって駆動される[Amazon Bedrock](https://aws.amazon.com/bedrock/)の企業別メモリ（Company-wise memory）は、AIエージェントに永続的な（persistent）、企業固有のコンテキストを提供し、複数のやり取りを通じて学習し、適応し、インテリジェントに回答することを可能にします。世界最大のアンチウイルスソフトウェア企業の1つであるTrendMicroは、Trend’s Companionチャットボットを開発しました。これにより、顧客は自然な会話型のやり取りを通じて情報を探索できます（[詳細はこちら](https://www.trendmicro.com/zh_tw/business/ai/companion.html)）。 TrendMicroは、エンタープライズ顧客に対してパーソナライズされたコンテキスト対応のサポートを提供するため、AIチャットボットサービスの強化を目指しました。このチャットボットは、一貫性を保つために会話履歴を保持し、大規模な企業固有の知識を参照でき、メモリが正確で安全かつ最新の状態であることを確保する必要がありました。課題は、組織的な知識のための長期メモリ（long-term memory）と継続的な会話のための短期メモリ（short-term memory）を統合し、同時に企業全体の知識共有をサポートすることにあります。AWSのGenerative AI Innovation Centerを含むAWSチームとの協力により、TrendMicroはAmazon Neptune、Amazon OpenSearch、およびAmazon Bedrockを使用してこの課題に取り組みました。これについては本ブログで詳しく解説します。 ## 解決策の概要 TrendMicroは複数のAWSサービスを組み合わせることで、Amazon Bedrockに企業別メモリを実装しました。Amazon Neptuneは組織内の関係、プロセス、データを表す企業固有のナレッジグラフ（knowledge graph）を保存し、正確かつ構造化された情報取得を可能にします。Mem0は即時のコンテキスト用の短期会話メモリ（short-term conversational memory）と、セッションを跨ぐ永続的な知識用の長期メモリを管理します。Amazon BedrockはAIエージェントのワークフローをオーケストレーションし、NeptuneおよびMem0と連携して推論（inference）処理中にコンテキスト知識を検索・適用します。このアーキテクチャにより、チャットボットは関連する履歴を想起し、構造化された企業知識を検索して、文脈に合わせた詳細な回答を提供できます。これによりユーザーエクスペリエンスの大幅な向上を実現します。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/13/architecture-1-1024x683.png) ## メモリの作成と更新 本アーキテクチャは、Amazon Bedrock上のClaudeモデルを用いてユーザーメッセージを取得し、エンティティ、関係性、潜在的なメモリを抽出することから始まります。その後、Amazon BedrockのTitan Text Embedを用いて埋め込みベクトルを生成し、Amazon OpenSearch ServiceおよびAmazon Neptuneの両方に対して検索を実行します。関連するエンティティとメモリが取得され、モデルを通じて更新された後、再度埋め込み処理が行われ、OpenSearchとNeptuneへインデックスとして戻されます。このクローズドループプロセスにより、エンティティ関連のメモリを継続的に更新でき、Neptune内のナレッジグラフが会話からの洞察と常に整合性を持つことが保証されます。 ## メモリの取得 ユーザーのクエリを処理する際、システムはBedrock Titanを用いた同様の埋め込みパイプライン（Embedding Pipeline）を適用し、OpenSearch Service内のベクトル埋め込みとNeptune内のエンティティトリプル（Entity Triple）の両方に対して検索を行います。その後、Amazon Bedrock RerankまたはCohere Rerankモデルを用いて関連メモリを再ランク付け（Reranking）し、文脈的に最も正確な情報が提供されるようにします。このデュアル取得戦略は、OpenSearchからの意味的な柔軟性とNeptuneからの構造化された精度の両方を提供し、チャットボットが高度に関連性があり文脈を把握した回答を提供することを可能にします。 ## 回答とメモリのマッピング、およびヒューマンインザループフィードバック 各AIの回答に対して、システムは参照された特定のメモリに文脈をマッピングし、メモリ評価レポートを生成します。その後、ユーザーはこれらのマッピングの承認または却下の機会を与えられます。承認されたメモリはナレッジベースの一部として残りますが、却下されたものはOpenSearch ServiceおよびNeptuneの両方から削除されます。これにより、検証され信頼された知識のみが保持されることが保証されます。このヒューマンインザループ（Human-in-the-Loop）メカニズムは信頼性を高め、メモリの精度を継続的に改善するのに役立ち、エンタープライズ顧客が自身のAIの知識の洗練に直接影響を与えることを可能にします。 ## Amazon Neptuneの実践例 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/13/Picture1-3-1024x507.png) Amazon Neptuneがチャットボットのメモリをどのように強化するかを示すため、顧客が「誰がクビライを支配者として認めたか？」と質問するケースを考えてみましょう。ナレッジグラフがない場合、AIは「クビライは複数のグループから承認を得たモンゴルの支配者でした」といった曖昧な回答を返す可能性があります。この種の回答は一般的であり、精度に欠けます。 同じ質問がなされた場合でも、Neptuneのエンティティグラフをクエリして大規模言語モデル（Large Language Model, LLM）のコンテキストウィンドウ（Context Window）に配置すると、モデルは（Ilkhans, recognized, Kublai）のような構造化されたトリプルに基づいて推論の基盤とすることができます。その後、チャットボットはより正確に「組織のナレッジベースによると、クビライはイルハン朝によって支配者として認められました」と回答できます。この前後の例は、Neptune内の構造化されたエンティティ関係が、モデルが文脈的に適切かつ検証可能な回答を生成することを可能にする方法を証明しています。 ## 結論と次のステップ [AWS Trend Micro事例研究](https://aws.amazon.com/solutions/case-studies/trendmicro/)で説明されている通り、Trend MicroはAWSを活用して、より安全でスケーラブルかつインテリジェントな顧客体験の提供を支援しています。この基盤の上に、Trend MicroはAmazon Bedrock、Amazon Neptune、Amazon OpenSearch Service、Mem0を組み合わせ、組織固有の永続メモリを備えたAIチャットボットを作成し、大規模なインテリジェントで文脈を考慮した対話を実現しています。グラフベースのナレッジ（graph-based knowledge）とジェネレーティブAI（generative AI）を統合することで、Trend Microは回答品質の向上が期待されており、より明確で正確な応答を提供するとともに、組織知識の変化に継続的に適応するAIシステムの基盤を構築しています。この取り組みは現在も評価とチューニングが行われており、エンドユーザー体験のさらなる向上を目指しています。 今後の展望として、TrendMicroはより広範なグラフカバレッジ（graph coverage）、追加のアップデートパイプライン（update pipelines）、多言語サポートなどの機能強化を検討しています。さらに深く掘り下げたい読者の皆様には、実装したソースコードを含む[GitHubサンプル実装](https://github.com/aws-samples/sample-company-wise-memory-in-bedrock)と、技術的な詳細やインスピレーションを得るための[Amazon Neptuneドキュメント](https://docs.aws.amazon.com/neptune/)の探索を推奨します。 ## 著者について ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/26/MicrosoftTeams-image.jpg) ## Shawn Tsai Shawn TsaiはTrend Microのシニアアーキテクトであり、大規模言語モデル（Large Language Model）アプリケーション開発およびセキュリティプラクティス（security practices）、クラウドアーキテクチャ設計（cloud architecture design）、大規模ソフトウェアアーキテクチャ設計、DevOpsプラクティス（DevOps practices）に専門知識を有しています。現在、主にTrend Microの大規模言語モデルアプリケーション開発およびセキュリティフレームワークを担当しています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/13/hsiawang.jpg) ## Ray Wang **Ray Wang**はAWSのシニアソリューションズアーキテクトです。バックエンドおよびコンサルティング分野で12年以上の経験を持つRayは、クラウドにおけるモダンなソリューション構築に専念しており、特にNoSQL、ビッグデータ（big data）、機械学習（machine learning）、ジェネレーティブAI（Generative AI）の分野を得意としています。技術知識の幅と深さを高めるため、12種類のAWS認定資格すべてを取得した情熱的なプロフェッショナルです。趣味は読書とSF映画鑑賞です。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/13/lzhihao.jpg) ## Zhihao Lin **Zhihao Lin**は、AWS Generative AI Innovation CenterのApplied Scientist（応用科学者）です。北京大学で修士号を取得し、CVPRやIJCAIといった主要カンファレンスに論文を発表しており、その豊富なAI/ML（人工知能／機械学習）研究の経験を活かして職務に携わっています。AWSでは、最先端技術を活用した革新的なアプリケーションに向けて生成AI（Generative AI）ソリューションの開発に注力しています。複雑なコンピュータビジョン（Computer Vision）や自然言語処理（Natural Language Processing）の課題解決を専門とし、ビジネスにおける生成AIの実践的な活用推進にも取り組んでいます。

Amazon NeptuneとMem0を活用したAmazon Bedrockの企業別メモリ機能

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト