ナレッジ資産の棚卸し
対象文書の形式、品質、更新頻度と重複の有無を調べ、RAGに適した範囲を決めます。
回答より先に、信頼して探せるナレッジの構造をつくります。
RAGは、言語モデルが組織の文書から関連する根拠を探し、回答に結びつけられるようにする仕組みです。文書をただ集めるだけで終わらせず、誰がどの情報を見られるのか、回答の根拠をどう確認するのかまで、業務フローの中で設計します。
LLMとRAGは、KPSが導入をご提案する領域です。実際に適用できるかどうかとモデルの構成は、限られたデータで進めるPoC（概念実証）でまず検証します。
文書の整理から、権限・確認のポリシーまで設計します。
収集・クレンジングのパイプライン
文書とデータベースを収集して一定の単位に分割し、検索に必要なメタデータを構成します。
検索・回答の体験
業務の質問に合った検索方式、出典の表示、追加の質問とフィードバックの流れを、画面とあわせて設計します。
権限と確認のポリシー
ユーザーごとの閲覧範囲、機微な情報の取り扱い、回答の制限や担当者の確認が必要なポイントを定義します。
資料が散らばるほど、答えを探す時間は長くなります。
こんなときに
資料は多いのに、探すのに時間がかかるとき
部署やシステムごとに散らばった規程、マニュアル、報告書を、質問を起点に探せるように整理します。
最新の文書と過去の資料が混在しているとき
文書のバージョン、作成時期、所管部署をメタデータとして管理し、検索の優先順位に反映します。
回答の根拠と閲覧権限が重要なとき
回答に参照文書を示す方法や、既存の権限体系とつなぐ方法を一緒に検討します。
小さな質問セットで検証し、運用へ広げます。
質問と資料を絞り込みます
頻度が高く結果を確かめやすい業務上の質問と代表的な文書を、まず選定します。
検索品質を検証します
正解となる文書が見つかるか、根拠は十分か、回答を制限すべきなのはどのような状況かを評価します。
業務画面につなぎます
質問、出典の確認、フィードバック、担当者による確認を、実際の利用の流れに合わせて実装します。
更新と運用の基準を決めます
新しい文書の反映、品質点検、利用記録のレビュー、改善のサイクルを、運用項目として具体化します。
プロジェクトでまとめる成果物
- ナレッジ資産とユーザーの質問タイプの分析
- 文書の収集・クレンジング・更新の仕組み
- 検索品質と回答根拠の評価基準
- 権限・制限・人による確認のポリシー
- PoC画面と本番移行のご提案
具体的な範囲と成果物は、初期の打ち合わせで確定します。
当社の実績ではなく、導入をご提案する領域です。実際に手がけた映像・データ分析のプロジェクトは、「映像AI・データ分析」のページでご覧いただけます。
映像AI・データ分析を見るご相談前によくある質問
よくある質問をすべて見るRAGの回答は、何を根拠に作られますか？
RAGは、質問に関連する社内文書を検索し、その内容を言語モデルが回答する際の文脈として渡します。
回答をすべて見る：RAGの回答は、何を根拠に作られますか？AIの検証には、実際の業務データを使う必要がありますか？
業務への適合性を確かめるには代表性のあるサンプルが必要ですが、最初からすべてのデータをご提供いただく必要はありません。
回答をすべて見る：AIの検証には、実際の業務データを使う必要がありますか？AIが誤った結果を出した場合は、どうしますか？
AIの結果をそのまま確定値として使うのではなく、出典、信頼できる条件、例外の表示、人による確認の段階を業務の重要度に合わせて設けます。
回答をすべて見る：AIが誤った結果を出した場合は、どうしますか？
繰り返し寄せられる質問と、代表的な文書が数件あれば始められます。
現在の運用環境と改善したい業務を伺い、始める範囲を一緒に整理します。