AP-21_Kyndryl_AWS-Summit-JP-2025

Transcript

1. © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. J A P A N | 2 0 2 5
2. © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. re:Grow： 生成 AI 時代のハイブリッドクラウド設計と レガシー課題解決のベストプラクティス 叶 奕池 A P - 2 1 キンドリルジャパン株式会社 クラウドテクノロジーサービス事業部 クラウドデリバリー クラウド#3 クラウドアーキテクト 有賀 由佳 キンドリルジャパン株式会社 コアエンタープライズ＆zCloud 事業部 メインフレーム モダナイゼーション サービス モダナイゼーション アドバイザリー#1 IT Specialist
3. 講演者紹介 叶 奕池 Infrastructure/Cloud Architect、Cloud Subject Matter Expert JAWS-NW コア運営 2023 Japan AWS Junior Champion 略歴 2025/01-現在、⾦融業DX基盤開発案件、Architect・Tech Lead 2024/06-現在、製造業DX基盤開発案件、Architect・Tech Lead 2025/01-04、銀⾏業クラウド移⾏案件、AWS Outposts Tech Advisor 2024/06-12、カード業⽣成AI基盤開発案件、Lead Architect・Tech Lead 2022/04-2024/05、保険業アウトソーシング案件、AWS Team Lead Yichi.Ye@kyndryl.com Yichi YE 1
4. キンドリルは、世界中の企業・政府・公共団体の 複雑かつミッションクリティカルな情報システムの インフラストラクチャーを⽀える企業です。 社会基盤としての情報システム・インフラストラクチャーの 設計・構築・運⽤管理・モダナイゼーションを実施し、 効率的で信頼性の⾼いインフラストラクチャーサービスを提供します。 2
5. アジェンダ 1. 企業が直⾯する⽣成AI時代のインフラストラクチャーの本質的課題 2. エンタープライズ規模の⽣成AI活⽤のためのインフラストラクチャー構成 3. 再定義されるインフラストラクチャー構成のAWSにおけるベストプラクティス a. AWS Outpostsを活⽤したハイブリッドクラウドアーキテクチャー設計 b. AWS Transform＆ Amazon Bedrockを活⽤したレガシーアプリケーション刷新 4. クロージング 1 2 3 a b 4 3
6. 企業が直⾯する⽣成AI時代の インフラストラクチャーの 本質的課題 01
7. 新旧技術のライフサイクル差異と共存による企業IT環境の複雑化 規模 インフラ更改タイミング AWS S/360 Oracle 1 9 6 x 1 9 7 x 1 9 8 0 1 9 8 1 1 9 8 2 1 9 8 3 1 9 8 4 1 9 8 5 1 9 8 6 1 9 8 7 1 9 8 8 1 9 8 9 1 9 9 0 1 9 9 1 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2 2 0 2 3 2 0 2 4 2 0 2 5 IBM PC S/390 31-bit SAP R/3 Win95 +IE Java .NET C COBOL SQL C++ Pearl VB Python ESB Spring Struts VMware HP-UX AIX Solaris RHEL z900 64-bit SLES Amazon EC2 SOAP /XML iPhone Node .js Tablet Docker Micro service REST API Spring Boot Kubernetes S/4HANA OCI Serverless 3270 Workstation Thin client VDI /DaaS Zero Trust VR/AR Low-Code No-Code AI Copilots HTML5 GitLab CI/CD OS/2 WinNT Salesforce TCP/IP 1 9 6 x 1 9 7 x 1 9 8 0 1 9 8 1 1 9 8 2 1 9 8 3 1 9 8 4 1 9 8 5 1 9 8 6 1 9 8 7 1 9 8 8 1 9 8 9 1 9 9 0 1 9 9 1 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2 2 0 2 3 2 0 2 4 2 0 2 5 ATM 導⼊ コンビニ ATM スマート ATM ATM 統廃合 全銀 システム開始 勘定系 オンライン化 チャネル 常時化 営業店 オンライン化 ファーム バンキング 消費税 導⼊ バブル 崩壊 インターネット バンキング 都銀 再編 地銀 再編 Y2K対応 モバイル 対応 リーマン ショック FinTech 対応 マイナン バー対応 ブロック チェーン API 義務化 モア タイム SDGs /GX 基幹系 クラウド化 キャッシュ レス拡⼤ BCP AI J-SOX 法対応 ビジネス環境変化 （課題・ニーズ） 技術変化 （ソリューション） IT環境変化 MF 5
8. エンタープライズ規模の⽣成AI活⽤には、適切なインフラストラクチャー設計が不可⽋である 4兆 1,873億円 2029年の国内AI市場規模予測1 1 2 3 4 膨⼤な選択肢の中から、最適なツールやフレームワークを選定する知⾒の⽋如 ⽣成AIワークロードの開発と実⾏に必要なインフラストラクチャーの準備 セキュリティに配慮したデータコントロール、データガバナンス 新旧技術が共存する環境における⽣成AIワークロードの適切な配置と統合管理 5 ⽣成AIワークロードの稼働基盤を短期間で設計・構築するためのノウハウ 1 IDC:国内 AI システム市場予測、 2024 年〜 2029 年 6 1兆 3,412億円 2024年の国内AI市場規模1
9. エンタープライズ規模の ⽣成AI活⽤のための インフラストラクチャー構成 02
10. 階層的に配置されるスタックから、お互いを補完し合うフレームワーク構造へのシフトが必要 コンピューティングレイヤー コントロールレイヤー データレイヤー • 計算負荷の最適な分散&並列処理を⾏い、処理結果をシームレスに連携 • タスクの特性に基づく計算リソースの動的割り当て • ⾼性能コンピューティングリソースの効率的利⽤ • 全環境の統合監視・管理 • 複雑なシステム状況の分析と最適な制御決定 • セキュリティとガバナンスの⼀元適⽤ • リアルタイムでのデータ収集・集約 • 多様なデータソースからの⾼精度な処理・変換 • データの⼀貫性と信頼性の保持および統合管理 8
11. 再定義されるインフラストラクチャー 構成のAWSにおける ベストプラクティス 03
12. ベストプラクティスA︓ AWS Outpostsを活⽤した ハイブリッドクラウド アーキテクチャー設計 for エンタープライズ⽣成AI • 数PBレベルのデータ移⾏のような ⼤規模なローカルデータセットの 取り扱い • エッジ処理などのオンプレミスの アプリケーションとミリ秒単位で のデータ共有が必要なケース ⼤規模データの管理 規制対応 低レイテンシー要件 • ⾦融・医療・公共分野におけるコ ンプライアンスによるデータレジ デンスの制約 ハイブリッドクラウド エンドツーエンドの実装 フルスタックソリューション 10
13. Amazon EC2 Amazon ElastiCache Amazon EBS AWS Deep Learning Containers Amazon EC2 Amazon S3 on Outposts Amazon EBS Amazon EKS Amazon S3 on Outposts On-premise Infrastructure MF On-premise Infrastructure MF AWS Direct Connect Service Link Service Link Corporate Data Center (Region-01) Corporate Data Center (Region-02) AWS Region-01 Outposts VPC-01 AWS Region-02 Outposts VPC-02 Outposts Rack-01 Outposts Rack-02 Control Computing AWS Config AWS Organizations Amazon CloudWatch AWS Systems Manager DA, AI/ML Amazon Athena Amazon Q AWS Glue AWS CloudFormation AWS Step Functions Amazon Bedrock Architecture Overview︓AWS Outpostsを活⽤したハイブリッドクラウド構成 AWS CodePipeline Amazon DynamoDB 11 Amazon EC2 Amazon ElastiCache Amazon EBS AWS Deep Learning Containers Amazon ElastiCache Amazon EC2 Amazon EBS Amazon EKS Amazon ElastiCache Amazon CloudWatch AWS Systems Manager Amazon CloudWatch AWS Systems Manager Private Subnet Private Subnet Private Subnet Private Subnet
14. コンピューティングレイヤー︓ハイブリッドクラウドにおけるワークロードの配置戦略 • ビジネス⽬標、DXビジョンおよび クラウド移⾏計画を踏まえ、全体 ⽅針を総合的に判断 • 準拠すべき業界規制および社内統 制を踏まえ、データの取り扱いと ワークロード配置を検討 ロードマップ スケーリング データレジデンス • キャパシティ戦略を基に、スロットリ ングとスケーリング要件を踏まえて、 最適なワークロード配置を検討 クラウドネイティブアーキテクチャー 1 ハイブリッドアーキテクチャー 2 Pending or Retire 3 12
15. コンピューティングレイヤー︓ハイブリッドクラウドでのHigh Performance Computing AWS CodeBuild AWS CodeDeploy AWS CodePipeline Git Connection Amazon ElastiCache AWS Developer Tools Amazon EC2 AWS Deep Learning Containers Amazon EKS Deploy Management Amazon ECR AWS CloudFormation Computing at Region Computing at Outposts AWS Outposts Rack Amazon ElastiCache Amazon EC2 Corporate Data Center 1 2 3 4 5 1 2 3 4 5 ハイブリッドワークロード配置 戦略に沿ってAWS Outposts ラックにコンピューティングリ ソースを配置 Amazon EC2 UltraServersを 含むGPUインスタンスの活⽤ ユースケースに沿って、AWS Deep Learning Containersで 深層学習環境も構成 Amazon ElastiCacheを中⼼に キャッシュ戦略を実装 CICD/IaC仕組みを⽤いて、デ プロイの⾃動化・標準化を実現 13 AWS Cloud
16. コントロールレイヤー︓ハイブリッドクラウドでの統合セキュリティ・ガバナンス管理 Corporate Data Center AWS Outposts Rack Amazon EC2 Servers Amazon CloudWatch AWS Systems Manager 1 Ingest Controlling at On-premise AWS Step Functions Amazon EventBridge AWS Systems Manager Amazon GuardDuty Amazon Inspector AWS Security Hub AWS Config Amazon CloudWatch AWS CloudTrail Flow logs AWS Organizations Amazon SNS Detect Respond 1 2 3 4 オ ン プ レ ミ ス サ ー バ ー 群 に AWS Systems ManagerとAmazon CloudWatchエージェント を導⼊することで⼀元統制を実現 AWS OrganizationとAWS Configでマルチアカ ウント・マルチリージョンの統制仕組みを構成し、 オンプレミス・クラウド両⽅に対応可能 被害前提で多様な観点でセキュリティ・ガバナン スの多層⾃動検出と通知システムを実装 Express Workflowを含むAWS Step Functions およびAWS Systems Manager Automationで 検出対応の⾃動化を実装 2 3 4 14 AWS Cloud
17. データレイヤー︓ハイブリッドクラウドでのマルチモデル活⽤と推論加速化 Amazon Athena Amazon Q AWS Glue Amazon Bedrock Amazon DynamoDB Data Plane at On-Premise AWS Outposts Rack Amazon ElastiCache Corporate Data Center 1 Amazon S3 on Outposts Amazon EBS On-Premise Database Data Plane at Region ETL/DA Inference Plane Amazon SageMaker AI Amazon Kendra Amazon Kinesis Amazon OpenSearch Service Amazon RDS Amazon ElastiCache Amazon S3 1 2 3 4 Amazon EBSボリュームとAmazon S3 on Outpostsをローカルデータセットと近隣で配 置することで、安定で⾼速なデータ転送を実現 オンプレミスとクラウド両⽅にデータプレーン を構成することで、ワークロード配置戦略に 沿ったデータ収集が可能 収集された多種多様なデータが迅速に処理でき るように、パイプライン化・⾃動化したデータ 分析仕組みを実装 適材適所でのLLM活⽤に向けて、ダイレクト 利⽤・カスタマイゼーション可能なインファレ ンスプレーンを準備 2 3 4 15 AWS Cloud
18. Amazon EC2 Amazon ElastiCache Amazon EBS AWS Deep Learning Containers Amazon EC2 Amazon S3 on Outposts Amazon EBS Amazon EKS Amazon S3 on Outposts On-premise Infrastructure MF On-premise Infrastructure MF AWS Direct Connect Service Link Service Link Corporate Data Center (Region-01) Corporate Data Center (Region-02) AWS Region-01 Outposts VPC-01 AWS Region-02 Outposts VPC-02 Outposts Rack-01 Outposts Rack-02 Control Computing AWS Config AWS Organizations Amazon CloudWatch AWS Systems Manager DA, AI/ML Amazon Athena Amazon Q AWS Glue AWS CloudFormation AWS Step Functions Amazon Bedrock （再掲）Architecture Overview︓AWS Outpostsを活⽤したハイブリッドクラウド構成 AWS CodePipeline Amazon DynamoDB 16 Amazon EC2 Amazon ElastiCache Amazon EBS AWS Deep Learning Containers Amazon ElastiCache Amazon EC2 Amazon EBS Amazon EKS Amazon ElastiCache Amazon CloudWatch AWS Systems Manager Amazon CloudWatch AWS Systems Manager Private Subnet Private Subnet Private Subnet Private Subnet
19. 保険業界のお客様事例︓ ハイブリッド拡張の媒体 としての活⽤ • マルチリージョン・マルチアカウント構成で複数システム稼働中 • ミッションクリティカルなワークロードを含むクラウドネイティブ構成に移⾏中 • レガシーアプリケーションとの依存関係や特殊なハードウェア要件などの技術制約 As Is 全社への⾼度な分析能⼒と運⽤ 管理機能の提供が可能になった クラウドマイグレーションの推進 を加速した 17 • 部⾨横断のクラウド活⽤の拡⼤ • ハイブリッドIT基盤の効率的な統合管理の必要性 • ⽣成AIを活⽤した新商品開発と顧客サービス向上の実現 To Be
20. ⾦融業界のお客様事例︓ ホストモダナイゼーション の架橋としての活⽤ • メインフレーム（IBM z/OS系）を中⼼とする複雑なIT環境構成 • 業界規制対応のためのオンプレミスでのモダナイゼーション • クラウドネイティブアーキテクチャーへの移⾏を期待 As Is 包括的なモダナイゼーション 戦略策定 段階的なメインフレームシステム モダナイゼーションの⼟台作り 18 • クラウドと既存オンプレミスシステムとの厳格な統制統合 • レガシーアプリケーションの段階的刷新と⽣成AI導⼊の両⽴ • 全社規模のクラウド活⽤を推進 To Be
21. 19 有賀 由佳 MF Modernization Advisory, Advanced Technology IT Specialist AWS Blu Age Level3 Certification 保有 略歴 2025/02-現在、カード業ホストAPI連携基盤構築案件、技術⽀援 2022/07-現在、保険業アウトソーシング案件、メインフレームミドルウェア運⽤保守 2023/07-2024/07、保険業ホストAPI連携基盤構築案件 2024/08-現在、保険業ホストAPI連携基盤構築案件 2024/07-09、製造業クラウド移⾏検証 Yuka.Ariga1@kyndryl.com 講演者紹介
22. 20 Cloud Mainframe 信頼性 パフォーマンス 業務要件 メインフレームモダナイゼーションを阻む懸念 ベストプラクティスB︓ ⽣成AIを活⽤した レガシーアプリケーション 刷新
23. 21 Cloud Mainframe 信頼性 パフォーマンス 業務要件 メインフレームモダナイゼーションを阻む懸念 ベストプラクティスB︓ ⽣成AIを活⽤した レガシーアプリケーション 刷新 現⾏機能が担保されるか︖
24. 22 計画 分析 評価 テスト 変換 移⾏,運⽤ Mainframe 現⾏機能が担保されるか︖ Modernized モダナイゼーションのプロセス
25. 計画 分析 評価 テスト 変換 移⾏,運⽤ 23 構造的かつ網羅的な現状分析が重要 ユースケース ビジネスロジック システム依存関係 Mainframe Modernized ユースケース網羅性 ビジネスロジック整合性 データ整合性 パフォーマンス妥当性 回帰テスト網羅性
26. 24 ⽣成AIの活⽤︓エージェント型AIによるモダナイゼーション加速 計画 分析 評価 テスト 変換 移⾏,運⽤ 分析 評価 Mainframe Modernized ユースケース網羅性 ビジネスロジック整合性 データ整合性 パフォーマンス妥当性 回帰テスト網羅性 メインフレームワークロードを⼤規模に モダナイズするための初のエージェント型 AI サービス。 初期評価から最終デプロイにおよぶモダナ イゼーションのあらゆる段階全体の複雑な リソース集約型タスクを⾃動化。 AWS Transform for mainframe
27. 25 ⽣成AIの活⽤︓エキスパートのドメイン知識補完による分析強化 マネージド型⽣成AIサービス。 ナレッジベースを使⽤し、プライ ベートデータソースからのコンテキ スト情報を基盤モデルおよびエー ジェントに提供。 より正確で関連性の⾼い、カスタマ イズされた応答を⽣成可能。 ユースケース網羅性 ビジネスロジック整合性 データ整合性 パフォーマンス妥当性 回帰テスト網羅性 Mainframe 計画 分析 評価 テスト 変換 移⾏,運⽤ Modernized Amazon Bedrock AWS Transform for mainframe
28. 26 エキスパート × ⽣成AI が構造的かつ網羅的な現状分析を実現 Amazon OpenSearch Service SME AWS Transform for mainframe Amazon Bedrock
30. 28 AWS Transform for mainframe︓コード分析、ドキュメントの⾃動⽣成 プログラム仕様書 ビジネスロジックフロー スクリーンプレビュー
31. 29 エキスパート × Amazon Bedrock︓多層的な視点による構成図⽣成 業務背景や固有情報を踏まえ、より俯瞰した視点で 依存関係および変更影響範囲を可視化 ドメイン関係図 サーバレスアーキテクチャ SAGAパターン 分散トランザクション設計 Outboxパターン 信頼性設計 ヘキサゴナルアーキテクチャ 移⾏後のアーキテクチャ、リカバリー設計etc.
32. 30 （再掲）現状分析における⽣成AIの活⽤ ユースケース網羅性 ビジネスロジック整合性 データ整合性 パフォーマンス妥当性 回帰テスト網羅性 Mainframe 計画 分析 評価 テスト 変換 移⾏,運⽤ Modernized マネージド型⽣成AIサービス。 ナレッジベースを使⽤し、プライ ベートデータソースからのコンテキ スト情報を基盤モデルおよびエー ジェントに提供。 より正確で関連性の⾼い、カスタマ イズされた応答を⽣成可能。 Amazon Bedrock AWS Transform for mainframe
33. 計画 分析 テスト 変換 移⾏,運⽤ 31 プロセス全体における⽣成AIの活⽤と品質向上 Mainframe Modernized 評価 Amazon Bedrock AWS Transform for mainframe
34. 32 ⻑年のインフラ運⽤知⾒を踏まえた⽣成AIの強化、モダナイゼーションの加速 60年以上の基幹業務⽀援で培った インフラ運⽤の知⾒ 新たな運⽤へ Mainframe Modernized
35. クロージング 04
36. それぞれのレイヤーが機 能を補完し合うフレーム ワークで企業が⽣成AI時 代に直⾯するインフラス トラクチャーの本質的な 課題を解決 34 1 2 3 4 膨⼤な選択肢の中から、最適なツールやフ レームワークを選定する知⾒の⽋如 ⽣成AIワークロードの開発と実⾏に必要な インフラストラクチャーの準備 セキュリティに配慮したデータコントロー ル、データガバナンス 新旧技術が共存する環境における⽣成AI ワークロードの適切な配置と統合管理 5 ⽣成AIワークロードの稼働基盤を短期間で 設計・構築するためのノウハウ データレイヤー コンピューティングレイヤー コントロールレイヤー
37. ⼆つのベストプラクティスでクラウドテクノロジーと⽣成AIの相乗効果を最⼤化 AWS Outpostsを活⽤したハイブリッドクラウド アーキテクチャー設計 AWS Transform＆ Amazon Bedrockを 活⽤したレガシーアプリケーション刷新 • 多様な業界の制約を持つ企業に対して、クラウドの利点 を犠牲する無く、オンプレミスを含めた⾼度な⽣成AI活 ⽤⽀えるファウンデーションである 35 AWS Transform for mainframe Amazon Bedrock Amazon OpenSearch Service • メインフレームモダナイゼーションの⾃動化・標準化・ 効率化を可能にするアクセラレータとして機能する Private Subnet Private Subnet Private Subnet Private Subnet
38. ⽣成AI時代の課題を包括的に解決していくには、キンドリルのエキスパートとお客様共創 36 • エッジAIとの統合強化 • ⾃⼰最適化インフラスト ラクチャーの実現 • MLOpsやSRE中⼼運⽤ • 等々 ⽣成AIによる⾰命 ビジネス環境変化 （課題・ニーズ） 技術変化 （ソリューション） IT環境変化 • ⼈材育成 • プロセス改善 • ガバナンス構築 • 等々 技術課題だけでなく、 組織変⾰の課題も • 膨⼤な選択肢の中から、最適なツールや フレームワークを選定する知⾒の⽋如 • ⽣成AIワークロードの稼働基盤を短期間 で設計・構築するためのノウハウ 未解決のペインポイント ⻑きに渡る豊富な実績 エンドツーエンドのご⽀援 フルスタックソリューション
39. 37 キンドリルは、世界60カ国以上で、 約8万のエキスパートが活躍しています。 世の中に必要不可⽋なテクノロジーシステムを、 ⽇々デザイン、構築、運⽤し、モダナイズしていきます。 キンドリルのエキスパートは、 未来というブルーオーシャンにおいて、 お客様と共に新たな航路を切り開き、 持続可能な成功をご⽀援いたします。
40. 38 展⽰テーマ インフラストラクチャーモダナイゼーション 〜レガシーシステムからの脱却〜 ぜひ キンドリルのブースに お⽴ち寄りください︕ キンドリル 展⽰ブース DX変⾰を進めていくためには、多くのノウハウが蓄積された社内レガシーシステムの活⽤は 重要です。⼀⽅でオンプレミス由来のレガシーシステムの構成は複雑であり、クラウド移⾏ にも難易度が伴います。 キンドリルでは⻑年培ったインフラマネージドの知⾒を活⽤しながら、AWSへのシステムイ ンフラのモダナイゼーションをご⽀援する体制を⽤意しています。 セッション 会場 I
41. Appendix:デモンストレーション（Backup静⽌画）
61. End
62. © 2025, Amazon Web Services, Inc. or its affiliates. All rights reserved. Thank you!