AIに賢く動いてもらうためのコンテキスト〜Snowflake女子会 vol.8

コンテキストとは？を日常のわかりやすいシーンと共に解説

Transcript

1. AIに賢く働いてもらうための 「コンテキスト」 Snowflake女子会
2. なぜAIは期待と違う答えを出すの？ AIのモヤモヤ：情報不足が原因！ ・「売上が落ちた理由」を質問 ➔ 自社と無関係な業界ニュースが返ってきた… ・AIの性能不足ではなく、答えるための「前提情報」が足りないだけ！ 👉 キーワード「コンテキスト」＝前後の文脈・共通認識
3. コンテキスト ＝ AIへの引き継ぎ書 💬 LINEの会話で例えると： 突然「あれ、どうだった？」と送られても何のことか分か らないのと同じ！ 📋 新人の引き継ぎと同じ： 新しいスタッフが入った時に、会社の用語や業務ルールを 教えずに「あとよろしく」とは言えませんよね。 ✨ 結論： コンテキストの整備とは「AIへの丁寧な 引き継ぎ書を作る作業」です！
4. コンテキストの5つの層 ※諸説ありますが、今回の説明ではこのような分類とします 層（レイヤー） 一言で言うと AIコンテキスト AIが判断する文脈 ナレッジグラフ 関係をネットワーク化 オントロジー 概念とルールの体系 セマンティック 言葉・数字の意味統一 データモデリング データの設計図
5. コンテキストの5つの層 ※諸説ありますが、今回の説明ではこのような分類とします 層（レイヤー） 一言で言うと AIコンテキスト AIが判断する文脈 ナレッジグラフ 関係をネットワーク化 オントロジー 概念とルールの体系 セマンティック 言葉・数字の意味統一 データモデリング データの設計図
6. データモデリング ＝ クローゼットの整理ルール 服の整理ルール ＝ データ構造の設計 ・「このシャツはトップス」「このパンツはボトムス」と分類 ・「このアイテムはこのブランド」「シャツとパンツを組み合せる」 👉 データの形だけでなく、データの「つながりや組み合わせ方」を設 計する土台 ファッション例 データモデリングの実体 「このシャツはトップス、このパンツ はボトムス」 エンティティ定義・テーブル分割（顧客テーブル、商品テーブル …） 「このアイテムはこのブランド・素材 ・サイズ」 カラム定義・データ型（brand VARCHAR(100)、size ENUM、 price DECIMAL(10,2)…） 「このシャツとこのパンツは同じコー デに使える」 外部キー・JOIN条件（outfit_id で item テーブルと outfit テー ブルをJOIN） 「サイズはS/M/L/XLの4択」 データ型・桁数・制約（ENUM型、NOT NULL など）
7. コンテキストの5つの層 ※諸説ありますが、今回の説明ではこのような分類とします 層（レイヤー） 一言で言うと AIコンテキスト AIが判断する文脈 ナレッジグラフ 関係をネットワーク化 オントロジー 概念とルールの体系 セマンティック 言葉・数字の意味統一 データモデリング データの設計図
8. セマンティック ＝ タグ付け ＆ 計算定義 ディメンション（分類軸） メトリクス（計算指標） 「シーズン＝春夏」「用途＝オフィスカジュアル」「色＝ブルー系」 「コスパ＝購入金額÷着用回数」や 「売上＝税抜き・返品後・単体」のように全社で数値の計算ルールを 統一！ など、データの意味や分類ラベルを整理！ ファッション例 データの実態 タグ「シーズン＝春夏」「用途＝オ フィスカジュアル」「色＝ブルー 系」 ディメンション定義：season「春夏か秋冬か」、usage「フォーマル/カ ジュアルの分類」、color_category「ブルー系とは何色を指すか」のラ ベルの定義 「コスパ＝購入金額÷着用回数」と いう計算方法 メトリクス定義：cost_per_wear = SUM(price) / COUNT(wear_count) のように集計ロジックを定義 「売上＝税抜き・返品後・単体」 Semantic Viewの指標定義：net_revenue = SUM(amount) WHERE tax_excluded=true AND return_flag=false AND entity='standalone'
9. コンテキストの5つの層 ※諸説ありますが、今回の説明ではこのような分類とします 層（レイヤー） 一言で言うと AIコンテキスト AIが判断する文脈 ナレッジグラフ 関係をネットワーク化 オントロジー 概念とルールの体系 セマンティック 言葉・数字の意味統一 データモデリング データの設計図
10. オントロジー ＝ タグの「定義ルールブック」 「オフィスカジュアル」って具体的に何？ ・「スニーカーはNG？デニムはOK？」など、概念そのものの厳密なルールを定義 ・ビジネスでは「顧客とはどこまで指すか」「契約との正確な関係は何か」などの認識合わせ ファッション例 データの実態 「トップス」「ボトムス」というカテゴリ の階層と定義 クラス階層：ClothingItem > Top > Shirt, Blouse。「法人顧客は顧客の一種」「住宅ローンは融 資の一種」といった継承関係の定義 「オフィスカジュアル可」の定義ルール （スニーカーはNG、デニムはOK…） 制約・ルール：customer.status は [active, inactive, prospect] のいずれか、contract.amount は 0以上、など許容値や条件の定義 「乾燥肌→保湿系が必要→ヒアルロン酸か セラミドか」という関係の種類と方向 関係タイプの定義：「購入する」と「担当する」は違う種類の関係。「顧客→購入→商品」と 「顧客→担当される→営業担当」は別の関係タイプとして区別する 「このシャツが好きな人はこのパンツも好 き（逆も然り）」 逆関係の定義：「顧客Aが商品Xを購入」なら「商品Xは顧客Aに購入されている」——片方を定 義すれば逆が自動推論される
11. コンテキストの5つの層 ※諸説ありますが、今回の説明ではこのような分類とします 層（レイヤー） 一言で言うと AIコンテキスト AIが判断する文脈 ナレッジグラフ 関係をネットワーク化 オントロジー 概念とルールの体系 セマンティック 言葉・数字の意味統一 データモデリング データの設計図
12. 相性ネットワーク ＆ パーソナルスタイリスト ナレッジグラフ＆AIコンテキスト ・ナレッジグラフ：「この白シャツ ⇔ 相性良し ⇔ ネイ ビーパンツ」という相性ネットワーク ・AIコンテキスト：商談・天気・好みを踏まえた専属スタイ リスト提案 今はさらっと書いてますが、あとでもう少し詳しく説明します！
13. コンテキストの5つの層 ※諸説ありますが、今回の説明ではこのような分類とします 層（レイヤー） 一言で言うと AIコンテキスト AIが判断する文脈 ナレッジグラフ 関係をネットワーク化 オントロジー 概念とルールの体系 セマンティック 言葉・数字の意味統一 データモデリング データの設計図 データの土台があ る会社はすでに有 利——やってきた ことが全部活き る！
14. 美容部員さんの頭の中（オントロジーの思考フロー） A：美容部員さんって、初めてのお客さんに「乾燥が気になる」って言われたとき、どうやっ てセラムかクリームかを絞り込むと思う？ B： そのお客さんのことを何も知らなくても絞り込めますよね。 A： そう！「乾燥→保湿が必要→セラムは浸透系、クリームはふたをする系→悩みが強いなら セラムから」みたいに、誰にでも当てはまる知識体系のルールで判断してるの。これがオント ロジー。「このお客さんがどんな人か」のデータじゃなくて、「乾燥肌にはこう対処する」と いうドメインの知識構造ね。 B： 個人のデータじゃなくて、専門知識のルール自体なんですね。 体系的な知識ネットワーク 👉 整理されたプロの知識体系＝オントロジー
15. ナレッジグラフがないとAIが勝手に勘違い！？ルールと実データは別 お客様Aさんの事実 AIの思い込み・誤解 ⚠ ・実は「脂性肌」 ・たまたまテクスチャーが好みで乾燥肌向 け「セラムX」を購入しただけ 「セラムXを買ったからAさんは乾燥肌 だ！」と誤解し、合わない高保湿商品をど んどんお勧めしてしまう…
16. オントロジー＆ナレッジグラフ 縦方向の繋がり（単一方向） 横方向の繋がり（双方向） 深掘り・購買・上下関係など一方向の流れ SNS・同僚・相互接続などお互い対等な関係 💄 美容部員の思考 ＆ 購買フロー 例えば・・・ ルール（オントロジー）と実データのつながり（ナレッジグラフ）、 両方揃って初めてAIが正確な判断ができる！
17. オントロジー vs ナレッジグラフ 徹底比較 比較項目 オントロジー ナレッジグラフ 一言で言うと 概念とルールの体系知識 実データ同士の関係性のネットワーク 美容の例え 美容部員の体系知識（乾燥→保湿→成分の関係） 「このセラム ⇔ 相性良し ⇔ 脂性肌向けクリーム」 ビジネスの例 「顧客・商品・契約の定義とルール」 「顧客A→購入→商品X」 「営業B ⇔ 担当 ⇔ 顧客A」 ないとどうなる？ AIが業務固有の概念や関係を正確・一貫して理解 しにくい AIが「文章の近さ」だけで関係を勝手に推測 Ontology (ルール) Knowledge Graph (実データのつながり) Employee (従業員) [has title] Job Title (役職) 「すべての従業員は1つの役職を持つ」と いうドメインの構造的定義 User A [is] 営業 「User Aは営業職である」という具体的 な関係性表現
18. コンテキストの5つの層 ※諸説ありますが、今回の説明ではこのような分類とします 層（レイヤー） 一言で言うと AIコンテキスト AIが判断する文脈 ナレッジグラフ 関係をネットワーク化 オントロジー 概念とルールの体系 セマンティック 言葉・数字の意味統一 データモデリング データの設計図
19. AIコンテキストで全ての情報を統合！ 4つの要素を1つに統合 1. データの定義・意味（データ構造、セマンティック） 2. モノ同士の関係（ナレッジグラフ、オントロジー） 3. 過去の記録・文書（ナレッジベース） 4. 会話の記憶（コンテキストメモリー） 自分の好みも最新のトレンドも知っている自分専用のBAさん❤ 全部を統合することでその人・その状況に合った、 欲しい答えに辿り着く
20. Snowflakeでのコンテキスト整備による驚きの効果 47% → 86% 回答の正確率が大幅アップ！ ✨ コンテキストなしでは約半分しか正解できませんが、Snowflake のSemantic View＋Cortex Sense活用で86%まで跳ね上がりま $1.76 → $0.59 1クエリのコストが約1/3！ 💰 AIが手当たり次第にテーブルを探し回らなくなるため、計算コ ストと通信量が削減され、圧倒的に経済的になります。 す！ ※出典: https://www.snowflake.com/en/blog/enterprise-ai-agents-grounded-context/
21. AI活用を成功させるには”コンテキスト”が重要！ 💡 成功の掛け算公式 AIの賢さ ＝ モデルの性能 × コンテキストの品質 IT部門だけでなく、「現場の業務知識」を知っているビジネス部門と手を取り 合って、AIを一番賢くする最高の「コンテキスト」を築いていきましょう！