専門用語辞書の整備で回答精度を高めた、電気設備工事の社内文書AI検索の技術検証

検証の軸を、いま社内で使っているキーワード検索システムとの比較に置いた点が、この進め方の骨格です。キーワード検索は入力した語で文書を引き当てるのに対し、RAGは質問に関連する情報を集めて一つの回答としてまとめる。同じ社内資料を土台に両者を並べれば、生成AIで何ができるようになったのかが、技術の一般論ではなく自社の業務の言葉で見えてきます。実力を測る物差しを先に用意したことが、期待だけが先行しがちな生成AI検証を実務判断に着地させたと考えられます。

回答精度をモデル任せにせず、資料をRAGに登録する前の加工で稼ぎにいった設計も効いています。キーワードやトピックの抽出、要約文の生成といった前処理と構造化を挟むことで、検索段階で引き当てる情報の質そのものを底上げする狙いです。生成AIの弱点は多くの場合、生成ではなく参照する材料の側に現れます。その勘所を押さえた工程配置だったと読み解けます。

もう一つの柱が、電気設備工事業界の専門用語辞書を作り、質問文と文書内の用語をAIが理解できる状態にしたことです。同社は生成AI登場前にも自然言語処理を用いた検索を検証しており、専門用語や類義語の整備に人手と研究開発を要する点が壁になっていました。今回はその整備を、言語モデルの理解力を前提に据え直したうえで再挑戦した形になります。さらに、生成AIのレクチャーや社内向け勉強会を検証と並走させ、複数の大規模言語モデルを比較しながら発注側も中身を理解して判断できる体制を取った点は、外部に一任しきらない進め方として押さえておきたいところです。