【要約】AIに同じ質問をしたら、部署ごとに違う数字が返ってきた ― いま「オントロジー」と呼ばれているもの ― [Qiita_Trend] | Summary by TechDistill
> Source: Qiita_Trend
Execute Primary Source
// Problem
生成AIを導入した組織において、同じ質問への回答が部署ごとに食い違う問題が発生している。これはAIの精度不足ではなく、言葉の意味が定義されていない構造的問題である。
- ・部署ごとに参照するスキーマや前提条件が異なる。
- ・「アクティブ顧客」などの用語定義が明文化されていない。
- ・システム間でID体系が異なり、同一実体の紐付けが困難である。
// Approach
生データとAIアプリケーションの間に、実行可能なスキーマである「意味の層」を構築する。これにより、物理的なデータ構造を維持したまま、概念的な定義を統合できる。
- ・型システム、プロパティ制約、関係制約の三層で意味を定義する。
- ・LLMを活用して、オントロジーの記述コストを大幅に削減する。
- ・既存のDWHの上に、定義を束ねるセマンティックレイヤーを実装する。
// Result
用語の定義を用途に基づいて明示的に分離することで、組織内の混乱を解消できる。これにより、AIは定義に基づいた正確なクエリ生成が可能になる。
- ・「アクティブ顧客」を用途別に別名で定義し、曖昧さを排除する。
- ・AIが定義に反する経路を辿ることを防ぎ、回答の信頼性を高める。
- ・技術的な「器」の導入に加え、業務定義の運用体制が確立される。
Senior Engineer Insight
> 本件の本質は技術選定ではなく、業務定義の運用設計にある。LLMにより記述コストは下がった。しかし、定義の粒度決定や部門間の合意形成という政治的コストは依然として高い。実戦投入には、技術力に加え、業務をモデル化するFDE的な役割が不可欠だ。