【設計書】

1. 処理パイプライン:
   入力: レビューデータ（テキスト/画像/動画）→ S3に格納
   ステップ1: モダリティルーターで振り分け
   ステップ2: 各モダリティを並行処理
     - テキスト → 感情分析 + エンティティ抽出
     - 画像 → 商品状態分析 + テキスト読み取り（OCR）
     - 動画 → フレーム抽出 + 音声分離 → 画像分析 + STT
   ステップ3: 全結果をLLMで統合分析
   統合: 商品別にインサイトを集約、スコアリング
   出力: 商品別ダッシュボード、アラート、週次レポート

2. モダリティ別処理の詳細:
   テキスト: GPT-4o / 感情分析(5段階)、キーワード抽出、カテゴリ分類
   画像: GPT-4o Vision / 商品状態(良/不良)判定、画像内テキスト読取
   動画: Whisper + GPT-4o / 音声書起→要約、キーフレーム5枚を画像分析

3. オーケストレーションパターン:
   パターン: ファンアウト/ファンインの並行処理
   理由: テキスト/画像/動画の処理は独立しており、並行実行でレイテンシを削減。
         動画内部は音声・映像をさらにファンアウト。

4. 品質管理:
   品質指標: 感情分析の正解率(人手ラベルと比較)、信頼度スコアの分布
   監視方法: 日次で100件をサンプリングレビュー、週次で精度評価
   アラート条件: ネガティブレビュー急増(前日比200%)、精度低下(5%以上)

【設計書】

1. 入力統一層の設計:
   各チャネル → Webhook/API → SQSキュー → 統一スキーマに変換
   統一スキーマ: {channel, customer_id, text, attachments[], timestamp, metadata}
   メール: IMAPポーリング、電話: CTI連携(通話録音→S3)、チャット: WebSocket、SNS: API

2. 処理フロー:
   [受信] → [統一スキーマ変換] → [顧客ID照合]
     → [テキスト分析] ── 並行 ── [添付ファイル分析]
                                    ├→ 画像 → Vision分析
                                    ├→ 音声 → STT → NLP
                                    └→ PDF → Document AI
     → [統合コンテキスト生成]
     → [優先度判定] → [HIGH: 即時エスカレーション]
                    → [MEDIUM: 担当者キュー]
                    → [LOW: 自動回答候補生成]

3. 優先度判定ロジック:
   判定基準: HIGH/MEDIUM/LOWの3段階
   使用するシグナル:
   - 感情スコア（怒り検知 → HIGH）
   - キーワード（「返金」「解約」「法的」 → HIGH）
   - 顧客ランク（VIP顧客 → 1段階引き上げ）
   - 問い合わせ回数（同一件で3回目 → HIGH）

4. SLA遵守の設計:
   リアルタイム: チャット応答（3秒以内に受付確認）、優先度判定（10秒以内）
   バッチ: 音声の詳細分析、週次レポート
   レイテンシ目標: 統合分析完了まで60秒以内（P95）

5. フォールバック戦略:
   - Vision APIダウン → 画像分析スキップ、テキストのみで対応
   - STT失敗 → 通話録音を担当者に転送
   - 全API障害 → 従来の手動対応フローにフォールバック、キューに蓄積

【品質管理フレームワーク設計書】

1. メトリクス定義:
   共通: 処理成功率、レイテンシ(P50/P95/P99)、信頼度スコア平均、エラー率
   画像: 分類正解率、物体検出IoU
   音声: WER(単語誤り率)、話者分離精度
   文書: フィールド抽出F1スコア、テーブル構造認識精度
   統合: エンドツーエンド正解率、ユーザー満足度(CSAT)

2. 監視・アラート設計:
   リアルタイム: エラー率、レイテンシ、APIレートリミット
   日次: 各モダリティの精度トレンド、信頼度分布の変化
   アラートレベル:
   - INFO: 軽微な変動 → ログ記録のみ
   - WARNING: 精度5%低下 → Slackチーム通知
   - CRITICAL: 精度10%低下 or エラー率10%超 → PagerDutyでオンコール呼出

3. Human-in-the-Loop設計:
   自動処理: 信頼度90%以上かつ過去に同タイプ処理実績あり
   人的レビュー: 信頼度90%未満、初見パターン、高額取引関連
   サンプリング: 自動処理分から日次100件をランダムレビュー（品質維持確認）

4. フィードバックループ:
   データ収集: 人的レビュー結果をラベル付きデータとして蓄積
   改善サイクル: 月次でプロンプト調整、四半期でモデル評価・切替判断
   KPI: 月次の自動処理率(目標: 80%→90%)、人的レビュー指摘率(目標: 5%以下)