RAG
今必要な根拠を探します。
新しい文書をモデルに学習させ直すことなく、ユーザーが閲覧できる原文から関連する文章と場所を検索します。
- 法令・判例・特許の原文
- マニュアル・業務規程
- 案件・顧客・プロジェクト資料
根拠は自分たちの資料から、
回答は自分たちの基準で。
必要な根拠は、設備データ・法令・特許・業務文書からその都度検索。検証済みの作成・分類・確認方法は AI が学習します。
AI が作った答えを、
人が毎回
直していませんか？
資料を渡すだけでは、組織の仕事の進め方までは伝わりません。
最新の文書を探し直し、
組織の文書形式に書き直し、
抜けた項目や表現を直し続けています
問題は資料の量ではありません。
探すべき根拠と、 学ぶべき基準を分けていないことが原因です。
AI が業務を学ぶには、
何から準備すればよいでしょうか？
業務資料と、検証済みの作成・確認事例を準備します。必要な根拠は RAG で探し、仕事の進め方は Fine-Tuning で学びます。
資料
発明の資料
発明届出書・明細書・図面・請求項
RAG
現在の特許情報
KIPRIS の候補、公開・登録情報、先行文献の原文
Fine-Tuning
組織の比較形式
請求項の要素分解と検討表の構成
確認する成果物
根拠につながる比較の下書き
専門家が確認する文献・要素・追加調査項目
新規性・進歩性・侵害の有無や最終提出の判断は、弁理士と担当専門家が行います。
検索する AI と、
学習する AI を分けます。
RAG と Fine-Tuning は解決する問題が異なります。一つの業務の流れで組み合わせて使います。
資料と仕事の進め方を、一つの下書きに→
Fine-Tuning
組織の成果物の基準を学びます。
検証済みの事例と修正履歴から、組織で繰り返し使う構成、分類基準、表現をモデルに反映します。
- 文書の構成と文体
- 項目の分類とステータス値
- 確認の順序と抜け漏れの点検
確認と承認までつなげます。
根拠と組織の基準を含む下書きが、確認と承認を経て保存されます。
- 資料収集
- 根拠の検索
- 組織の形式
- 専門家の確認
- 承認・保存
チャットを超えて、
組織の知識を学び、活用する AI。
ワークスペースで資料と権限を管理し、RAG のインデックス作成状況や、Fine-Tuning の学習・評価過程を画面で確認します。
RAG
どの資料を検索できるか確認します。
文書と埋め込みの処理状況を確認し、新しい資料をモデルの再学習なしで知識に反映します。
Fine-Tuning Plugin
業務の原資料を、学習に使えるデータに整えます。
XML・HTML・JSON・TXT の原資料を一か所で変換し、PT または SFT 用のデータセットを作ります。
組織に Fine-Tuning が必要か、
検討してみませんか
最新の文書を探して回答するなら、RAG から始めます。検証済みの成果物が十分に蓄積され、同じ基準を繰り返し適用する必要があるときに Fine-Tuning を検討します。
RAG から始める場合
- 資料が頻繁に変わる
- 原文と出典が重要
- 質問ごとに探すべき事実が異なる
Fine-Tuning を検討する場合
- 検証済みの優れた事例が繰り返される
- 決まった構成と分類基準がある
- 同じ誤りを直し続けている
人が担当すべき場面
- 法的・医学的な最終判断
- 根拠が不足している新しい例外
- 責任を伴う承認と実行
同じ AI 基盤に、
産業ごとの専門知識を積み重ねます。
産業によって必要な根拠や判断の仕方は異なります。RAG で探すものと Fine-Tuning で学ぶものを、業務ごとに分けます。
| 業種 | RAG で探すもの | Fine-Tuning で学ぶもの | 人が判断するもの |
|---|---|---|---|
法律・特許根拠を確認しながら作る専門文書 | 最新の法令・判例・特許の原文と案件資料 | 訴状の構成・請求項の比較表・検討文書の文体 | 法律戦略・特許性の判断・最終提出 |
製造・設備現場の記録を対応につながる報告に | マニュアル・点検履歴・エラーコード・設備文書 | 異常の分類・対応報告書・現場の用語 | 故障原因の確定・整備と稼働の判断 |
医療・研究原資料と研究の形式を一緒に維持 | 原資料・プロトコル・研究文書・根拠となる論文 | CRF の記述・分類基準・確認用の書式 | 医学的判断・対象者の安全・研究の承認 |
金融・保険規程と組織の審査基準を一つの流れに | 商品約款・規程・顧客の提出資料 | 審査項目・理由書・リスク分類の形式 | 承認・否認・例外とリスクの判断 |
教育・コンテンツ資料は最新に、成果物は組織らしく | 教材・講座資料・最新の参考コンテンツ | フィードバックの文体・評価表・コンテンツの構成 | 教育目標・評価・出版の判断 |
学習を始める前に、
よい成果物の基準を決めます。
- 代表的な業務を選ぶ
繰り返し発生し、評価できる業務を一つ選びます。
- 資料と基準を分ける
検索する最新の知識と、学習する優れた事例を分けます。
- 学習前の基準を測る
現在のモデルの誤りと、専門家が修正にかける時間を記録します。
- 小規模に学習・評価する
同じ評価セットで、形式・抜け漏れ・根拠を比較します。
- 範囲を絞って適用・改善する
専門家が承認した範囲から適用し、修正事例を蓄積します。
組織が得意とする一つの業務から、
AI が学べる形に整えます。
手元の文書と優れた事例を一緒に確認し、RAG で対応する業務、Fine-Tuning が必要な業務、専門家が承認する段階を分けます。