企業が求める汎用AIの次

事例から見る「ChatGPTの次に企業が求めるAIとは」～RAGの限界と推論プラットフォームという考え方～

ChatGPTは間違いなく世界を変えた

2022年末にChatGPTが登場してから、私たちの情報の探し方は大きく変わりました。
以前は、知らない言葉が出てくるとGoogle検索を行い、複数のWebサイトを読み比べながら理解していました。
例えば、

といった疑問に対して、検索キーワードを工夫しながら情報を探していました。
しかし今は違います。
ChatGPTに、

と聞けば、流暢な日本語で答えてくれます。
検索の技術がなくても、「知りたいことを自然な言葉で伝えること」が重要になりました。
これは大きな変化です。
新人エンジニアでも、経験の浅い営業でも、専門用語が分からなくても、まずAIに聞けばよくなりました。
実際、多くの企業で

などに活用されています。
ChatGPTは間違いなく個人の生産性を大きく変えました。

それでも現場は変わらない

ところが企業の現場へ行くと、こんな声も聞こえてきます。

知識を調べることと、業務を行うことは違います。例えばネットワークの世界を考えてみます。
新人エンジニアであれば、VLANとは何か？を調べるだけでも大きな価値があります。
ChatGPTは最高の先生です。
しかし、ある程度経験を積んだエンジニアや実務担当者が本当に知りたいのは、
VLANとは何か？ではありません。本当に知りたいのは、
このネットワーク構成で障害は起きないか？
です。
さらに言えば、接続漏れはないか？設計ミスはないか？将来ボトルネックになりそうな箇所はないか？
です。これは単なる検索ではありません。ネットワークそのものを理解しなければ答えられません。
製造業でも同じです。新人設計者なら、この記号は何を意味するのか？を調べるだけでも価値があります。しかし実務担当者が本当に知りたいのは、
この設計に問題はないのか？
品質トラブルにつながるリスクはないのか？
です。これは、単純な知識の検索ではなく、業務全体の理解が必要な問いです。

RAGは優秀な司書

最近よく使われるのがRAG（Retrieval-Augmented Generation）です。
仕組みは非常にシンプルです。

社内マニュアルや設計書を検索できるため非常に便利です。
しかし本質的には、
「質問されたことに答える」
仕組みです。言い換えると、RAGは優秀な司書です。
必要な本を探してくれます。しかし、その本を読んで
この設計にはリスクがあります
このネットワーク構成は危険です
と判断してくれるわけではありません。

Articul8が目指しているもの

ここで興味深いのがArticul8です。
Articul8は自社を
「Domain-Specific Reasoning Platform」
つまり
「業界特化型の推論プラットフォーム」
と表現しています。
重要なのは、「検索ではなく推論」という考え方です。

実際の事例で見ていきましょう。

事例① 自動車メーカーの品質分析

Articul8が公開している事例では、ある欧州の大手自動車メーカーが、1日約1,300台の車両を生産する工場で品質分析にAIを活用しています。

参考：ZenML – Domain-specific AI platform for manufacturing

このメーカーでは、長年にわたり蓄積された30万件以上の不具合データを分析するために、熟練技術者が毎朝膨大な時間を費やしていました。
Articul8は、以下の情報を関連付けたナレッジグラフを構築しました。

を関連付けたナレッジグラフを構築し、

まで推論できるようにしました。
ここで重要なのは、
AIが「不良とは何か」を説明しているのではなく、「なぜその不良が発生したのか」を推論していることです。

事例② サプライチェーン・調達業務

同様の考え方が、サプライチェーン領域でも活用されています。

従来は、

を担当者が個別に確認していました。
Articul8はこれらの情報を関連付け、このサプライヤーの納品遅延が続くと、どの製品に影響が出るのか
といった問いに答えられるようにしています。
これも、「契約書に何が書いてあるか」を教えるAIではありません。
業務全体を理解するAIです。

事例③ ネットワーク運用

Articul8が提供しているネットワーク業界での利用を想定したエージェントでは、以下の情報を統合して理解します。

参考：Articul8 Blog – Smarter Gen AI Agents Ready to Deploy

AIは、

を自動的に把握し、

を分析します。
ここでもAIは、「VLANとは何か」を説明しているのではありません。
ネットワーク全体を理解しています。

共通点は何か

ここまで読んでいただくと、ある共通点に気付くと思います。

この違いは非常に大きいものです。

Knowledge Graphという考え方

ではなぜ業務を理解できるのでしょうか。
その鍵となるのがKnowledge Graph（ナレッジグラフ）です。
従来のAIは、PDF・Excel・Wordを個別の文書として扱います。
しかしArticul8は、

というように、情報同士の関係性を理解します。
私たち人間も、実は文書そのものではなく関係性で世界を理解しています。
Articul8は企業の知識を検索するのではなく、企業そのものを理解しようとしているのです。

まとめ

これまでのAIは、「質問に答えるAI」でした。
しかし実際の業務では、人が気付いていない問題を発見し、複数の情報を関連付けながら判断することが求められます。
今回紹介した自動車メーカー、サプライチェーン、ネットワーク運用の事例に共通しているのは、AIが単に文書を検索しているのではなく、業務そのものを理解しようとしていることです。
その中心にあるのがKnowledge Graphという考え方です。
次回はさらに一歩踏み込み、Articul8がどのように企業の知識をデジタルツインとして再構築し、複数のAIを活用するModel Meshによって推論を行っているのかを解説します。