AI & RAG

AIとRAG

AIが回答を組み立てる前にRAGが社内ナレッジから根拠を提供します。

RAG(検索拡張生成)は、AIが回答する前に社内の資料を検索し、見つかった内容を根拠としてAIに提供する仕組みです。Kanataでは、会議の議事録や研修の教材など、業務で生まれた社内ナレッジをライブラリに保存し、フォルダと閲覧権限で管理します。AIエージェントは、ライブラリの資料を根拠に、回答や業務の実行を行います。

AIとRAGの紹介動画

RAGの仕組みと、社内RAGがうまくいかない原因、Kanataでの構築の流れを紹介します。

登場する会社と人物は架空です。

Roles

AIとRAGの関係

生成AIは、学習時点までの一般的な知識で回答します。社内規程や、先週の会議での決定事項は把握していません。RAG(Retrieval-Augmented Generation/検索拡張生成)は、AIが回答する前に社内の資料を検索し、見つかった内容を根拠としてAIに提供する仕組みです。AIとRAGの役割と、Kanataでの対応は次のとおりです。

要素役割Kanataでの対応
AIモデル(生成AI)質問を理解し、回答や文章を組み立てるGPT・Claude・Geminiから選択
RAG(検索拡張生成)社内の資料を検索し、見つかった内容を根拠としてAIに提供するライブラリに蓄積した社内ナレッジを、権限の範囲内で参照
社内ナレッジ回答と業務の根拠になる情報会議の議事録、研修の教材、社内規程、資料をライブラリに蓄積

生成AIのみの場合とRAGを組み合わせた場合の違い

項目生成AIのみで回答する場合RAGと組み合わせて回答する場合
回答の根拠学習時点までの一般的な知識社内の資料と一般的な知識
社内の最新情報反映されない資料を更新すると、モデルの再学習なしで反映される
根拠の提示難しい参照した資料の名前の提示が可能
モデルの再学習—不要

Why it fails

社内RAGの3つの失敗要因

資料の分散と古いバージョンの混在

AIが古い情報を根拠に回答するおそれがあります。

閲覧権限の設計不足

閲覧権限のない資料の内容が、回答に含まれるおそれがあります。

改善の仕組みの不在

回答の品質が向上せず、利用されにくくなります。

Kanataでは、ライブラリでのバージョンと作成元の管理、プロジェクトとフォルダ単位の権限設定、議事録やAIエージェントが作成した資料をライブラリに蓄積する仕組みによって、これらの課題に対応します。

How it works

KanataでのRAG構築の流れ

社内ナレッジが自動的にAIと連動するデータベースに。

会議の議事録や研修の教材など、業務で生まれた社内ナレッジをライブラリに蓄積し、AIエージェントごとに参照するフォルダと利用するAIモデルを設定します。回答や実行の結果を確認し、資料を更新・追加します。

01

データ蓄積・整理

Collect & Organize

AIレコーディングの議事録やeラーニングの教材、AppStudioのアプリのデータは、業務の中でライブラリに保存されます。社内規程や手順書はドキュメントとして作成し、フォルダごとの閲覧権限とバージョンで管理します。

会議の録画と議事録研修動画と教材ドキュメント・PDFフォルダの閲覧権限とバージョン

02

アプリ・AI連携

Connect Apps & AI

AIエージェントごとに参照するフォルダを設定すると、フォルダの中のコンテンツが根拠の候補になります。AIエージェントは閲覧権限の範囲で資料を参照して回答し、実行権限で許可したアプリやスタジオの機能を、自律レベルに応じて計画を確認してから操作します。

AIが参照するフォルダアプリ・スタジオの操作GPT・Claude・Geminiからの選択閲覧権限の範囲に限った根拠

03

データ改善

Improve

社内でよく寄せられる質問で回答と根拠を確認し、古い資料の更新や不足している資料の追加を行います。議事録やAIエージェントが作成した資料も、ライブラリに蓄積されます。

回答と根拠の確認古い資料の更新・不足資料の追加議事録・AIが作成した資料の蓄積

利用の結果を次の回答の根拠に

How to build

Kanataでの構築手順

AIエージェントで、社内ナレッジを根拠に回答する相談相手を作成するまでの手順です。画面上の設定で構築可能です。データベースの設計やプログラミングは必要ありません。

  1. 資料の登録
    ライブラリでドキュメントを作成し、資料を登録します。会議の記録はAIレコーディング、研修の内容はeラーニングから登録されます。
  2. 整理と権限設定
    資料をフォルダで整理し、閲覧可能なユーザーを設定します。社内規程は、表紙・カテゴリー・ページで構成したドキュメントとして、バージョンの管理が可能です。
  3. AIエージェントの作成
    AIエージェントを作成し、名前・アイコンと、立場や回答方法を記述したカスタム指示を設定します。
  4. 参照範囲と実行権限の設定
    参照するフォルダ、実行権限(調査専用・資料の作成まで・アプリの操作まで)、自律レベル、利用するモデルを設定します。
  5. 回答の確認と改善
    社内でよく寄せられる質問をチャットで依頼し、回答を確認します。古い資料を更新し、議事録やAIエージェントが作成した資料をライブラリに蓄積していきます。

Reference scope

参照範囲の設定

AIが何を根拠に回答してよいかを、AIエージェントごとに設定します。

設定内容設定する場所
参照するフォルダAIエージェントが根拠として参照するフォルダ。フォルダの中のコンテンツはすべて候補になり、ファイルを個別に選択する必要はないAIエージェントの設定
閲覧権限の範囲会話しているユーザーに閲覧権限がある資料だけを根拠にするフォルダの権限
Web検索外部のページを読み込む。利用するかどうかを、エージェントごとに選択するAIエージェントの実行権限
カスタム指示資料にない内容への回答方法や、回答させたくないこと(禁止事項)を指定する(8,000文字以内)AIエージェントの設定

Settings

AIエージェントの設定

AIエージェントごとに、立場と回答方法をカスタム指示に記述し、参照するフォルダと実行権限を設定します。「総務の相談窓口」「営業支援」のように部門ごとにエージェントを作成し、プロジェクトでの共有が可能です。

設定の項目設定可能な内容
名前とアイコンエージェントの名前と、アイコン(絵と背景色の組み合わせ)
カスタム指示立場・回答方法・守るルールを、1つの文章で記述する(8,000文字以内)。例:「社内研修の案内係として回答する」「根拠の資料を必ず示す」「人事評価の質問には回答しない」
参照するフォルダ根拠として参照するフォルダ。依頼したユーザーが閲覧可能なものだけを利用する
実行権限調査専用・資料の作成まで・アプリの操作まで、またはツールごとに詳しく設定
自律レベル提案のみ・計画を確認して実行・自動実行(自動実行はプロジェクトの管理者だけが選択可能)
モデルチャットで既定のモデルと、利用可能なモデル

よく利用する指示文は、ライブラリのプロンプトとして登録し、プロジェクトで共有します。

Data

取り込めるデータ

種類例ライブラリへの登録方法
文書社内規程、マニュアル、FAQドキュメントとして作成
会議Zoom・Google Meet・Microsoft Teamsの録画、議事録AIレコーディングで作成
研修研修動画、教材eラーニングで作成
アプリのデータ日報、案件管理などの記録AppStudioで作成したアプリで入力

ファイルの種類とサイズの上限は機能ごとに異なります(例:eラーニングの動画は2GBまで)。

Tips

RAGの精度を高める運用のポイント

  1. 1つの資料に1つのテーマ
    長い資料は章ごとに分けると、AIが必要な部分を見つけやすくなります。
  2. 古いバージョンの整理
    社内規程はドキュメントのバージョンで管理し、最新バージョンを明確にします。
  3. エージェントごとの参照フォルダの絞り込み
    関係のない資料が含まれるほど、回答がばらつきやすくなります。
  4. カスタム指示での回答方法の指定
    資料にない内容への回答方法や、回答の形式を、エージェントごとに設定します。
  5. よく寄せられる質問での検証
    実際の問い合わせで回答と根拠を確認し、不足している資料を追加していきます。
  6. 用途に応じたモデルの選択
    日常的な質問には軽量なモデル、重要な分析には高性能なモデルを使い分けます。選択時に、消費クレジットの倍率の確認が可能です。

Security

セキュリティと権限

Use cases

RAGの活用場面

総務・人事の問い合わせ

就業規則や社内規程を根拠に一次回答を行い、回答の根拠がない質問は、担当者が対応します。

情報システムの手順案内

システムごとの手順書に基づき、設定や申請の手順を案内します。

営業の提案準備

過去の提案資料と商談の議事録から、提案の骨子や確認事項を整理します。

カスタマーサポート

FAQと製品資料を根拠に回答の下書きを作成し、担当者が確認してから送信します。

FAQ

よくある質問

Q生成AIとRAGの違いは何ですか?

生成AI(大規模言語モデル)は、質問を理解して回答や文章を組み立てるAIです。RAGは、AIが回答する前に社内の資料を検索し、見つかった内容を根拠としてAIに提供する仕組みです。Kanataでは、RAGがライブラリに蓄積した社内ナレッジを権限の範囲内で検索し、GPT・Claude・Geminiから選択したAIモデルが、その内容を根拠に回答します。

QRAGとファインチューニングの違いは何ですか?

ファインチューニングは、AIモデルそのものに追加の学習を行う方法です。RAGは、モデルはそのままで、回答時に社内の資料を検索して根拠にする方法です。資料の更新がモデルの再学習なしで回答の根拠に反映されること、根拠として資料名を示せることから、社内ナレッジの活用にはRAGが適しています。Kanataは、RAGの考え方で社内ナレッジを活用します。

Q既存の議事録や資料の利用は可能ですか?

はい。既存の資料は、ドキュメントとして作成し、ライブラリへの登録が可能です。AIレコーディングで作成した議事録は、そのままAIエージェントの根拠になります。

Q部署ごとに参照する資料を分けられますか?

プロジェクトとフォルダの単位で権限を設定し、AIエージェントごとに参照するフォルダを設定します。人事のエージェントは人事の規程のみ、営業のエージェントは提案資料と議事録のみ、といった設定が可能です。

QどのAIモデルが利用可能ですか?

OpenAIのGPT、AnthropicのClaude、GoogleのGeminiから選択可能です。同じエージェントでも、DMの入力欄で、エージェントに許可したモデルの中から質問に応じて切り替えられます。

Q社外秘の資料を登録しても問題ありませんか?

Kanataは、利用者の入力データをAIモデルのトレーニング目的で使用しません。資料の閲覧権限と、AIが参照する範囲は、フォルダの権限とエージェントの設定で区分します。詳しくはセキュリティをご覧ください。

最終更新日: