現代の企業における知識の進化: Pryonリトリーバルエンジンの導入
今日の大規模言語モデル（LLM）はますます高度になっています。しかし、これらのモデルが使用するデータは静的であることが多く、数週間から数ヶ月も古くなっていることがあります。この課題は、更新された企業特有の出力を生成するために、リトリーバル拡張生成（RAG）の重要性を高めています。しかし、リトリーバルプロセスは、特に複雑な企業コンテンツを扱う際に、正確性、スケーラビリティ、セキュリティの面で課題があります。
Pryonリトリーバルエンジンのメリット
Pryonは、複雑で分散したコンテンツから情報を安全に抽出できる先進的なプラットフォームであるPryonリトリーバルエンジンを導入しました。このエンジンにより、企業は現代のAIツールの潜在能力を最大限に活用可能です。「生成されたコンテンツの信頼性には疑問があり、バイアスは大きな問題です。」とPryonの社長兼COOであるクリス・マールは述べています。「多くのモデルは時間に凍結されています。鋭い質問をしても、得られる回答は時代遅れの情報から来るため、大きな問題を引き起こします。」
一貫した知識基盤の構築
現在のデータ取り込み方法は、複雑な文書ベースのコンテンツでは正確性に欠けることが多く、コンテンツがさまざまなシステムやフォーマットに散在しています。Pryonリトリーバルエンジンは、数百万の企業データを統合して一貫した知識基盤「コレクション」を構築します。システムは、セマンティックニューラルネットワーク、文書分析、独自の光学文字認識（OCR）を使用して、画像、グラフィック、表、手書きメモからテキストを抽出します。また、ビデオセグメンテーションを使用して重要な要素を特定し、コンテンツを正規化して文書をカテゴライズします。
ユーザーはさまざまな形式で質問をすると、わずか数ミリ秒で回答を受け取ります。マールは、この多層の情報システムを「知識ファブリック」と表現し、単なるリトリーバルを超えた複雑性を強調しています。
機密性と柔軟性の確保
Pryonは、アクセスコントロールリスト（ACL）を組み込み、ユーザーのアクセス権を定義してセキュリティを確保しています。このシステムは、オンプレミス、公的および私的クラウド環境、エアギャップ構成へのデプロイが可能です。さらに、事前構築されたコンポーネントにより、企業はわずか2週間で生産準備が整った生成AIアプリケーションを実装できます。ノーコードインターフェースを使用すれば、リアルタイムでコンテンツの更新も可能です。
このエンジンはAPI対応でカスタムデプロイが可能であり、Microsoft SharePoint、Confluence、AWS S3、Google Drive、Zendesk、ServiceNow、Salesforceなどのプラットフォームとシームレスに統合できます。「すべての機密情報は、安全にモデルに取り込まれ、ユーザーは会話形式で正確かつ信頼性のある回答を得られます。」とマールは述べています。
さまざまな業界でのアプリケーション
あるクライアントは、Pryonを使用して、5,000人のユーザーがアクセスする400,000の技術文書を統合し、数ミリ秒で正確な回答を提供しました。別のケースでは、消費者向けゲーム技術会社がPryonを活用し、サポートサイトで数百万の顧客の複雑な技術的な質問に対応しました。このポータルでは、ユーザーは自然言語を使用して質問でき、1日に何度も更新されています。
同様に、Pryonはエンジニアリング会社の迅速な情報アクセスを支援し、重要なシステムを維持するための数百万の文書を提供しました。また、保険会社はPryonを統合し、引受プロセスの向上に役立てています。複雑な製品を扱う企業は、このエンジンを使用して営業チームへの即時の知識を提供しています。「リトリーバルデータレイヤー、つまりRAG対応データレイヤーは、企業にとって最も重要な資産です。」とマールは語りました。「したがって、この情報を管理するための安全でスケーラブルなインフラを持つことが不可欠です。」
企業におけるデータの断片化
データは企業における価値の基盤ですが、その理解はしばしば限られています。データは、映像、長文、メール、財務文書、さらにはマイクロフィシュの形式で存在し、重要な情報を特定するのが難しいのです。企業は、製品開発を加速するための膨大で価値の高いデータを保有していますが、特定のプロジェクトに関連するデータを見つけるのはほとんど不可能です。例えば、半導体設計会社は、複数の研究部門に分散した何百万もの文書を保有しているかもしれません。
「名門企業と協力する中で、彼らの情報がどれほど断片化しているかを知ることは啓発的でした。」とマールは述べています。「生成AIは現在の潮流ですが、企業内のデータの断片化により、かなりの課題に直面しています。」彼は、生成AIに対する期待の中でも、プライバシーとデータセキュリティに関する懸念の重要性を強調しました。
AIにおける質問理解の向上
AIが正確な回答を提供するためには、質問のニュアンスを理解する必要があります。Pryonのシステムは、ヘッダーからデザインレイアウトまで、問い合わせの複雑さを理解できるように設計されています。エンジンは、クエリの拡張、ドメイン外解析、クエリ埋め込みを用いて自然言語のクエリを解釈し、3つの独自モデルを利用して関連するコンテンツを特定し、ランキングします。
マールは、ユーザーが同じトピックについて異なる方法で質問することに触れ、「今年の収益は昨年に比べてどれくらい上がっていますか？」と「昨年の収益はどれくらいでしたか？」の違いを例示しました。「整理されたインテリジェンスを持つことで、さまざまな方法で投げかけられた質問に正確に応じる準備が重要になります。」とマールは説明しました。このプロセスでは、根底にある質問の検討、コンテンツの評価、様々な質問の多様なセット生成が含まれます。
AI応答の正確な属性付けの確保
属性付けは、モデルが「幻覚を起こす」—つまり、間違った情報を提供するのを防ぐために重要です。「私たちの多くがChatGPTや他のモデルを使用していますが、答えがどこから来ているかが不明なことがあります。」とマールは認めています。
Pryonは、生成されるすべての回答が信頼できる情報の確立されたソースから生じることを保証することで、この問題を解決しています。これにより、ユーザーは複数の部分から成る質問を投げかけることができ、すべての回答は明確に参照されます。「PryonのプラットフォームはCIO、CTO、技術者を力づけ、未構造化データや半構造化データを管理し、パフォーマンスの向上をサポートします。」とマールは結論づけました。
ランキング
