概要
レストラン業界向け技術を提供するPAR Technology社が、自然言語で質問できる分析エージェント（テキスト→SQL変換）を、AWS上でセキュアに構築した事例を公開しました。複数の企業（テナント）が同じシステムを使っても、各ユーザーが見られるデータを「行レベル」で厳密に制御する仕組みが解説されています。
何が発表・更新されたのか
AWS Machine Learning Blogで、PAR社が「マルチテナント環境のLLM分析システム」を本番運用レベルで構築した方法が紹介されました。ポイントは、3層のセキュリティ構成です。
- AWS SigV4による暗号署名：リクエストの正当性を検証
- Amazon Bedrock上での意味的検証：クエリの内容をチェック
- Split-Plane SQLによるプログラム的なデータ分離：データ境界を強制
LLM（大規模言語モデル）には、Amazon Bedrock経由でAnthropicのClaude Sonnet 4を使用していると記載されています。
なぜ重要なのか
LLMは確率的に文章を生成する仕組みのため、毎回同じ正しい動作を保証できません。記事では「1万回正しくフィルタを適用しても、1万1回目に黙って外すかもしれない」と指摘し、LLM自身をセキュリティの境界として信頼するのは不十分だと説明しています。
そこで、モデルの動作に関係なくアーキテクチャ側でデータ境界を「決定論的に」強制する設計が重要になります。
誰に関係があるのか
複数の顧客（テナント）にまたがってデータを扱うSaaS事業者や、社内で自然言語分析ツールを導入したい企業の開発・コンプライアンス担当者に関係します。特に、機密性の高い業務データを多数のユーザーで共有するシステムを設計する人に参考になります。
仕事や業務でどう使えるのか
具体例として、同じ「先週の総売上は？」という質問でも、2店舗を持つフランチャイズオーナーには8.4万ドル、200店舗を統括するブランド管理者には920万ドルと、ユーザーごとに正しい答えを返す必要があると示されています。
業務担当者は専門知識がなくても英語（自然言語）で質問するだけで、自分が見るべきデータに限定した答えを数秒で得られる、という自助型分析（セルフサービス分析）の実現が狙いです。
注意点
この記事はPAR社の構築事例であり、汎用の製品やサービスとして提供されているものではありません。各社の環境にそのまま適用できるとは限らない点に注意が必要です。
なお、公式情報上では、日本での提供状況や対象プランの詳細は確認できませんでした。記事の後半部分は本文が省略されているため、実装の全詳細は元記事でご確認ください。
公式情報
関連キーワード
- Amazon Bedrock
- 行レベルセキュリティ（Row-Level Security）
- テキスト→SQL（Text-to-SQL）
- マルチテナント
- Claude Sonnet 4
- ゼロトラスト
