グラウンディング（AI）

AIにおけるグラウンディングとは？

グラウンディングとは、AIエージェントの回答を、検証済みで信頼できる情報源に基づかせる手法です。AIエージェントが適切にグラウンディングされていれば、その発言はすべて特定のドキュメント、データベースのレコード、ナレッジベース記事までたどることができます。これは、大規模言語モデルがもっともらしいものの捏造された情報を生成してしまうAIハルシネーションに対する、最も重要な防御策です。

カスタマーサービスにおいてグラウンディングは、AIエージェントが顧客に「この件は24か月間保証の対象です」と伝える際、その情報がモデルの一般的な学習データではなく、実際の保証ポリシーから直接得られたものであることを保証します。

グラウンディングの仕組み

グラウンディングは通常、検索拡張生成（RAG）によって実現されます。顧客が質問すると、システムはまずナレッジベースや連携システムから関連ドキュメントを検索します。検索したドキュメントは言語モデルにコンテキストとして渡され、モデルは一般的な学習データではなく、その検証済みの情報に基づいて回答を生成します。

高度なグラウンディングシステムでは、さらに次のような機能を備えています。

• 引用の追跡： 回答内の各記述を出典ドキュメントに紐付ける
• 信頼度スコアリング： 各記述が検索した根拠によってどの程度裏付けられているかを測定する
• 矛盾の検出： 情報源同士が矛盾している箇所を特定する
• 鮮度の検証： 情報源が最新であり、新しい情報に置き換えられていないことを確認する

業界の研究： Microsoft Researchは、ナレッジグラフ検索とRAGを組み合わせることで事実の正確性が約23%向上し、ユーザー満足度89%を達成したことを明らかにしました。グラウンディング手法の効果が測定可能であることを示す結果です。

エンタープライズAIにとってグラウンディングが重要な理由

エンタープライズのカスタマーサービスには正確さが求められます。返金ポリシー、薬の相互作用、金融商品に関してハルシネーションを含む回答をすれば、法的責任が生じ、顧客の信頼を損ない、規制要件に違反するおそれがあります。グラウンディングによって、AIは確率的なテキスト生成器から、企業が顧客対応を安心して任せられる信頼性の高い情報システムへと変わります。

Mavenの強み：完全なトレーサビリティを備えたグラウンディング済みの回答

Maven AGIのアーキテクチャは、グラウンディングを前提に構築されています。Agent Mavenが生成するすべての回答は、ナレッジグラフまたは連携された記録システム内の出典までたどることができます。MavenのInboxは、ナレッジベース内の不足、矛盾、重複、古いコンテンツを自動的に検出し、グラウンディングの根拠となる情報そのものの正確性を維持します。確信を持って回答できるだけの根拠が見つからない場合、エージェントは推測せずに有人担当者へエスカレーションします。

Mavenの実績： MastermindはMaven AGIを活用し、実際の製品ドキュメントとポリシーに基づく回答によって、ライブチャットの解決率93%を達成しました。グラウンディングされたAIでも、スピードや解決力が犠牲にならないことを示しています。

よくある質問

グラウンディングとRAGの違いは何ですか？

RAGは、グラウンディングを実現するための手法の1つです。グラウンディングは、AIの出力を検証済みの情報源に結び付けるという、より広い概念です。RAGは、クエリ時に関連ドキュメントを検索することでこれを実現します。その他のグラウンディング手法には、ナレッジグラフの探索、データベース検索、構造化データの連携などがあります。

グラウンディングでハルシネーションを完全になくせますか？

グラウンディングはハルシネーションを大幅に低減しますが、完全になくすことはできません。AIモデルが検索した情報を誤って解釈したり、誤って組み合わせたりすることがまれにあります。エンタープライズシステムでは、ガードレール、信頼度のしきい値、有人担当者へのエスカレーション経路によってこれに対処します。

リアルタイムデータではグラウンディングはどのように機能しますか？

注文状況や口座残高のような動的な情報の場合、グラウンディングは事前にインデックス化されたドキュメントではなく、リアルタイムのAPI呼び出しによって行われます。AIエージェントは稼働中のシステムに問い合わせ、その時点のデータを根拠として使用するため、回答には顧客アカウントの実際の状態が反映されます。