企業規模を問わず、ペーパーレス化と業務効率の向上は現代のビジネスにおける重要な課題です。特に、銀行業務では膨大な量の書類を日々扱う必要がありますが、これらの書類から正確かつ迅速に情報を抽出することは困難であり、人的リソースや作業時間に大きな負担をかけています。こうした課題を解決するため、香港を拠点とする先進AIソリューション企業「Apoidea Group（アポイデア・グループ）」は、Amazon SageMaker HyperPodを活用し、LLaMA-Factoryと呼ばれるマルチモーダルな大規模言語モデルのファインチューニング環境を構築することで、視覚情報の高度な抽出と理解を実現しました。この記事では、この取り組みの背景、技術的詳細、そして成果について詳しくご紹介します。
Apoidea Groupとは？
Apoidea GroupはAIを活用した企業向けソリューションを提供するテクノロジー企業であり、特に銀行や金融業界における文書処理・自動化に強みを持っています。銀行のKYC（Know Your Customer）プロセスや財務諸表の読み取り、取引明細書の解析など、多様な業務をAIの力でスピーディかつ正確に処理しています。彼らのソリューションは既に十数社の国際的銀行機関で導入されており、現場レベルでの業務効率化に貢献しています。
課題：銀行書類における視覚情報解析の難しさ
銀行文書は一般的に多くの視覚要素を含んでいます。表、グラフ、スキャン画像、スタンプ、手書きメモ、署名など、テキストデータだけでなく画像やレイアウト構造も重要な情報とみなさなければなりません。そのため、従来の言語処理（NLP）だけでは情報抽出に限界があり、別途OCR（光学式文字認識）や画像解析を組み合わせる必要がありました。しかし、こうしたマルチモーダルな情報を1つの統一されたフレームワークで効率的に処理するためには、技術的にも計算資源的にも高度な対応が求められます。
Apoidea Groupはこの課題に対処するため、迅速で柔軟に学習可能なマルチモーダル大規模言語モデルを採用し、Amazon SageMaker HyperPodを用いてモデル開発・展開を効率化しました。
LLaMA-Factoryとマルチモーダルモデルの導入
LLaMA（Large Language Model Meta AI）はMeta（旧Facebook）が開発した高性能なオープンソース大規模言語モデルであり、その軽量性と高精度が注目を集めています。Apoidea Groupでは、このLLaMAをベースに独自にカスタマイズした「LLaMA-Factory」をプラットフォームとして活用しています。LLaMA-Factoryは、視覚（画像）とテキストデータの両方を統合的に処理可能なマルチモーダルモデルを効率的に訓練し、実際の業務プロセスに組み込むことを可能としています。
このLLaMA-Factoryの背後で稼働しているのが、Amazon SageMaker HyperPodです。HyperPodは、数十のGPUインスタンスからなる高速・大規模な分散学習環境を提供するクラスタ構成であり、LLaMAのような大規模モデルを短時間で効果的に訓練するためには最適なインフラです。Apoidea Groupでは最大32ノード（計256のNVIDIA A100 GPU）を用いたHyperPodクラスターを構築し、大量の銀行書類データを対象にマルチモーダルモデルのファインチューニングを行いました。
技術スタックの詳細
Apoidea GroupのAIチームが使用した主要な技術要素は以下の通りです。
– モデル：Metaが開発したLLaMA 2 7Bをベースに、画像情報処理を取り込んだマルチモーダル拡張を実施。
– フレームワーク：Hugging Face Transformers、Diffusersライブラリ、PyTorch。
– データ管理：Amazon S3への大量データ保管、Amazon FSx for Lustreによる高速データ読み込み。
– トレーニング環境：SageMaker HyperPodクラスタ（32 p4d.24xlargeノード構成）。
– マルチノード分散学習：Amazon’s FullyShardedDataParallel（FSDP）を利用し、記憶効率の高い学習を実現。
– 推論アーキテクチャ：モデル圧縮、部分的構造最適化により、展開後の推論速度を大幅に向上。
成果と効果
この大規模なモデル訓練により、Apoidea Groupは従来のOCRベースの情報抽出よりも遥かに精度と速度に優れたシステムを実現しました。
具体的には以下のような成果が報告されています。
– 情報抽出精度の向上：文書に含まれる表や画像からの情報読み取り精度が数十％向上。
– 処理時間の短縮：マルチモーダル統合処理により、従来比で推論時間を最大70％削減。
– 柔軟なスケーラビリティ：異なるサイズ・フォーマットの銀行文書に対応可能な柔軟性。
– 実運用の高速化：商用版のAIソリューションへの迅速な統合が可能となり、銀行現場での導入速度が加速。
この新しい文書理解モデルにより、銀行のオフィスでは人の手による確認作業が劇的に減少し、業務全体のスピード向上と人的エラーの削減が見込まれています。
Amazon SageMaker HyperPodの強み
Amazon SageMaker HyperPodが注目される理由には、主に以下の特長があります。
– 計算集約型ワークロードへの最適化：高性能なGPU（A100によるTensor Float 32活用）により、AI訓練速度が飛躍的に加速。
– オーケストレーションの効率性：コンテナ管理、モデル並列、チェックポイント保存などのプロセスをAWSが統合管理。
– 開発者向けツールとの連携：Jupyter NotebookやSageMaker Studioなどの開発者ツールと統合されており、使いやすく柔軟。
– コスト効率：AmazonのSpending Control、Spotインスタンスなどを用いれば、トレーニングコストの最適化も可能。
今後の展望：金融業界全体への波及効果
今回Apoidea Groupが採用したLLaMA-Factory × SageMaker HyperPodのアプローチは、銀行業務だけでなく、多くの業界におけるドキュメント処理や意思決定支援に応用可能です。特に金融、保険、法務、不動産などの文書中心の業務領域では、高度なAIによる視覚情報抽出の必要性は非常に高く、今後より多くの企業がこのようなモデルの導入を進めていくと考えられます。
さらに、LLaMAのような軽量かつ高性能なオープンソースLLMが主流となることで、より小規模な企業やスタートアップでも、大規模計算リソースにアクセス可能なパブリッククラウドの恩恵を受けながら、高品質なAIモデルを自社業務に組み込める時代が到来しています。
まとめ
Apoidea Groupの事例は、最新のマルチモーダルAI技術と、高性能なクラウド基盤を組み合わせることで、従来困難だった視覚情報の抽出・理解を現実の業務にどのように応用できるかを示す好例です。特に、Amazon SageMaker HyperPodという高性能かつ運用効率の高い基盤と、LLaMAベースのカスタムマルチモーダルモデルの連携によって、銀行業界における業務自動化と文書理解のあり方が大きく変わりつつあります。
このような取り組みは、技術革新の恩恵をより多くの組織に届けるための礎となり、AIの持つ可能性を社会全体に広めていく鍵になることでしょう。今後のApoidea Group、そしてAIによる文書理解技術のさらなる発展に注目が集まります。
