AWS + RAG + MLOps を、触って理解する。知らなくても OK
「AWS って結局なに?」「RAG・MLOps って耳にするけど何が違うの?」 — そんな状態でも、スライダーや選択ボタンを動かすだけで、3 つの技術が会社の中で何をやっていて、月にいくらかかるのか、人手はどのくらい必要なのかが、その場で見えるデモです。 すべて仮の値ですが、規模感は実際のクラウド料金に近い水準で組んでいます。
AWS
クラウド土台 (倉庫と工場)
→
RAG
社内資料を読める AI
→
MLOps
AI を育て続ける仕組み
01
AWS— クラウドインフラ (土台)
アプリやデータを置く「他人の倉庫と工場」 を、必要な分だけ借りる仕組み。
クラウドとは: サーバー (アプリを動かす工場) と、データベース (情報を整理する箱) と、ストレージ (大量データを置く倉庫) を、自社で買わずに使った分だけ料金を払う仕組みです。 ピーク時だけ規模を増やし、夜は減らせるのが特徴。
利用ユーザー数
100 人
10 人 ────────────────── 100 万人 (左ほど少、右ほど多)
データ量
500 GB
100 GB ────────────────── 500 TB
月額
¥0
年額
¥0
運用人月
0人月
AWS データセンター内のリソース
EC2 (計算)
RDS (データベース)
S3 (倉庫)
02
RAG— Retrieval Augmented Generation
社内の資料を AI に読ませて、社内専用の Q&A ができる仕組み。
RAG とは: AI (ChatGPT や Claude のような大規模言語モデル) は、そのままだと社内の情報を知りません。 RAG は、社内の議事録・契約書・マニュアルを 検索しやすい形 (ベクトル) に変換して、AI に質問が来るたびに「関連する資料を渡してから答えさせる」 仕組み。 結果、社内専用の Q&A が動きます。
社内ドキュメント数
1,000 件
100 件 ────────────────── 1 千万件
1 日の質問数
100 件/日
10 件/日 ────────────────── 100 万件/日
AI モデル (賢さ vs コスト)
月額
¥0
年額
¥0
運用人月
0人月
質問が答えになるまで
📄
ドキュメント
社内資料
1,000 件
⊟
ベクトル DB
検索しやすい形
1,000 vec
✦
AI
関連資料 + 質問
Haiku
Q: 「うちの広告事業の利益率は?」
A: 2025年下期の広告事業利益率は 18.2%。前年同期比 +2.4pt。(出典: FY25_Q3_業績資料.pdf)
03
MLOps— Machine Learning Operations
作った AI モデルを、本番で使えるように回し続ける流れ。
MLOps とは: AI モデルは作って終わりではなく、データが古くなれば精度が落ちます。 MLOps は 新しいデータで再学習 → テスト → 本番に置き換え → 監視 を自動で回す仕組みです。 これがないと、半年で AI の精度が下がっていることに誰も気付けません。
運用するモデル数
3 個
1 個 ────────────────── 300 個
再学習の頻度
監視レベル
月額
¥0
年額
¥0
運用人月
0人月
モデルの育成サイクル
① 再学習
新しいデータで作り直す
月1回
② 評価・テスト
前モデルより良いか
毎回
③ 本番へ置換
ロールバック可能で
承認後
④ 監視
精度低下を即時検知
基本
3 つの合計 (この構成での運用コスト目安)
AWS 月額
¥0/月
クラウド土台
RAG 月額
¥0/月
社内 AI Q&A
MLOps 月額
¥0/月
AI モデル運用
合計 年額
¥0/年
運用人月: 0 人月/月
注意: 表示値は AWS 東京リージョン / Claude API / Pinecone Starter / SageMaker の公開料金から組み立てた仮の試算です。 実案件では「データ転送料」「専用線」「セキュリティ要件」 等で 20〜50% 上振れることが多いです。 また 運用人月 は、設計・障害対応・改善まで含めた目安で、シニアエンジニア 1 人を 1 人月 ¥150万 として換算しています。