拓海さん、最近部下から「知識グラフを使えばAIはもっと賢くなる」って言われたんですが、正直ピンと来ないんです。うちの現場で何が変わるんでしょうか？
素晴らしい着眼点ですね！大丈夫、田中専務、要点を3つで説明しますよ。一つ目は「AIが外部の事実を使って答えられるようになる」こと、二つ目は「問いに応じた情報だけを選んで使えるようになる」こと、三つ目は「選択肢間の関連を使って足りない情報を補えるようになる」ことです。
うーん、外部の事実っていうのは例えば製品のスペック表や過去の故障履歴みたいなものですか。それをAIが全部読んでくれるってことですか？
良い例えですよ。知識グラフ（Knowledge Graph、KG）は表のように要素と関係をつなげたデータの地図です。それをうまく使うと、AIは単に文章を真似るだけでなく、事実に基づいて検討して答えを出せるんですよ。
ただ、それなら何でもかんでも入れればいいんじゃないですか。コストがかかりませんか。そして、うちのようにデジタルが苦手な現場で導入できるんでしょうか。
そこがまさに今回の研究の肝なんです。全部を詰め込むとノイズが増えて逆に精度が落ちることが多いんですよ。だから「問いに合わせて必要な部分だけを取り出す」仕組みが重要になるんです。イメージとしては、図面の中から該当箇所だけを赤で囲って渡す感じです。
これって要するに、質問に関係ある部分だけをAIに渡すことで、無駄な情報で迷わなくさせるということ？
その通りです！さらに今回の手法は、複数の選択肢があるときに、選択肢同士の関係も見て足りない情報を推測できるようにするんです。ですから、たとえデータベースに直接該当の事実がなくても、類似性から補完できる場合があるんですよ。
なるほど、それは現場の判断に近いですね。現場では完璧なデータがない中で類推して判断することが多いですから。費用対効果をどう見ればいいですか。
投資対効果は現場の負担を減らす率、誤答や手戻りが減る率、そして導入時の運用コストの三点で評価できます。小さな領域で試して効果が出るなら段階的に拡張していくのがよいです。まずは頻繁に起きる質問やミスが多い作業から着手するとリスクが低いですよ。
分かりました、最後に確認ですが、うちが短期間で試すならどんな手順を踏めばよいですか。別に難しいプログラミングはできませんが運用できるでしょうか。
安心してください。手順は三ステップです。第一に業務上よくある質問や失敗が起きるシチュエーションを数十件集めること、第二にその問いに関連する社内資料や仕様を整理して小さな知識グラフを作ること、第三に問いに合わせて必要な情報だけをAIに渡す簡単な画面を用意して運用を始めることです。一緒にやれば必ずできますよ。
なるほど、要するに「質問に関係ある情報だけを抜き出してAIに渡し、選択肢同士の関係も見て足りない情報を補わせる」ことで精度を上げるということですね。自分の言葉で言うと、まず小さく試して答えが安定したら段階的に広げる、という方針で進めればよい、という理解で間違いありませんか。
