ทันเอไอ

研究者らがISEEを開発、AIエージェントによる企業データベースの理解精度を向上

Purdue University、Adobe、UW–MadisonによるInteractive Semantic Enrichmentは、データフィールドの説明文に専門知識を補完し、AIエージェントのデータベース処理精度を高める

LLM(Large Language Model=大規模言語モデル)を搭載したAIエージェントが、データの理解・探索・クエリなどの業務に活用される機会が増える一方、特に企業規模のデータベースでは精度が低下する問題が頻繁に発生している。その原因は必ずしもモデル自体にあるわけではなく、フィールド説明文(field descriptions)が曖昧だったり不完全だったりすることにある。例えば、社内独自の名称が付けられたフィールドの場合、その真の意味は従業員の頭の中にあるドメイン知識(domain knowledge)の中に存在し、文書として記録・公開されることはほとんどない。

このギャップを解消するため、Yuan Tian氏、Yiru Chen氏、Rakesh R. Menon氏らを中心とするPurdue University、Adobe、University of Wisconsin—Madisonの研究チームは、arXivのcs.AI/cs.IRカテゴリでISEE(Interactive SEmantic Enrichment)を発表した。このシステムはインタラクティブに動作し、フィールドの説明文を受け取ると、スコアリングシステムでその品質を評価する。次にユーザーから知識を収集し、ユーザーと協力しながらフィールドの意味をより完全なものに改善していく。

研究チームによると、曖昧なフィールド説明文は、データを正しいエンティティに紐付けるentity linkingのような下流タスク(downstream tasks)に直接影響を与えるという。これは、各フィールドが実際に何を意味するのかをAIエージェントが理解していないと、簡単に失敗してしまうタイプの作業である。

ユーザー調査と質的評価の結果、ISEEはフィールド説明文の正確性を実際に向上させ、一般的な基本的な手法と比較してユーザーの認知的負荷(cognitive load)も低減することがわかった。つまり、ユーザーはゼロからすべてを自分で考え、記録する苦労から解放される。

ただし、この研究はarXivでプレプリントとして公開された初期段階の成果であり、正式な査読(peer review)はまだ受けていない。また、詳細な実験結果の数値も抄録では開示されていないため、産業レベルでの実用化は今後の進展を待つ必要がある。