低コストで実現する社内文書RAG機能を搭載したAIチャットボット開発

2024/09/27に開催された、PyCon JP 2024で発表した資料です。
- 公式HP：https://2024.pycon.jp/ja
- 発表タイムテーブル：https://2024.pycon.jp/ja/talk/JYG9FT

#Python #LLM #RAG #LangChain #LlamaIndex

Transcript

1. 低コストで実現する社内文書RAG機能を搭載した AIチャットボット開発 Takanobo Nozawa 2024.09.27 PyCon JP 2024
2. 今日話すこと 2 • RAGを含むAIチャットボットを導入・開発する際のプロセスに おけるポイント • OpenAI APIとLangChainを用いたRAG機能搭載のSlack AI チャットボットを開発する方法（Slack以外でも流用できる内 容です） 話さないこと • RAGの精度検証方法・事例 • RAGの精度改善方法・事例 ※資料は公開します
3. 皆さんが一番気になっている（と思う）こと 3
4. 皆さんが一番気になっている（と思う）こと 4 気になる結果は最後のお楽しみ！
5. 自己紹介 5 名前：野澤 哲照（Nozawa Takanobu） 所属：コネヒト株式会社 ：たかぱい@takapy0210 PdM / ML Engineer, EngineeringManagerとして データ周辺の仕事+マネジメントをしています。 猫とマンションとラーメンが好きです。 PR：友人とPodcast配信してます。 wipfm
6. 6 01 会社・サービス紹介（3min） 02 AIチャットボットを作るその前に（5min） 03 AIチャットボットの開発（10min） 04 RAG機能の実装（10min） 05 より使いやすくするためのTips（2min） Contents
7. 01 会社・サービス紹介 01 会社・サービス紹介（3min） 02 AIチャットボットを作るその前に（5min） 03 AIチャットボットの開発（10min） 04 RAG機能の実装（10min） 05 より使いやすくするためのTips（2min）
8. コネヒトのVISION 8 ありとあらゆる価値観が見つめ直され、 それぞれに思い描く家族の姿はどんどん変わっている。 家族の数だけ形があって、つくりたい未来がある。 私たちコネヒトは、その「家族像」というテーマに 向き合う会社です。 すべての家族が思い描く姿を実現できるように。 家族を学んで、アクションし、時にパートナーと一緒に、 「あなたの家族像」が実現できる社会を みなさんとつくってまいります。 あなたの家族像が実現できる 社会をつくる
9. VISIONが目指す先 9 KGI：希望出生数と予定出生数のギャップの解消 日本における希望出生数と予定出生数の間には 約0.24人の差分が存在します。 コネヒトはこの差分の大きな要因となる4つの 課題を事業領域に定め、両者のギャップの解消 を目指します。 希 望 2.25人 ＝ 予定 2.01人 − 0.24人 差分 参考：国立社会保障・人口問題研究所　2022年・第16回出生動向基本調査（結婚と出産に関する全国調査） ※2022年・第16回出生動向基本調査（結婚と出産に関する全国調査）の内、夫婦調査を参考
10. コネヒトの事業 10 01 家計 の悩み 02 不妊 の悩み 03 育児 の悩み 04 社会 の意識 4つの課題を事業領域に定め、 事業開発・アライアンスなど様々な手法で解決を目指す
11. コネヒトTECH VISION コネヒトにおけるテクノロジーへの「態度」を表明した羅針盤 戦略の1つに「1to1 AI」を掲げているように、AIや機械学習を用いた ソリューション開発に意思を持ってチャレンジしていこうとしています https://tech-vision.connehito.com/
12. ママリについて 12 Q&Aコミュニティ メディア SNS ユーザーが悩みを投稿、相談しあうQ&A機能 専門家による回答も期間限定で提供 妊娠・育児などの記事を毎日配信 専門家監修の記事も多数 インスタのハッシュタグ #ママリ の投稿数が 1000万件超 #ママ（約670万件）よりも投稿されている
13. ママリにおける主なデータの種類 13 Q&Aデータ 自然言語：投稿数はQA合わせて月間約110万件 画像：QAに添付される画像 ユーザーの属性データ ユーザーの年齢、子供の年齢、住んでいる地域 … 行動ログデータ クリック、検索 ... 記事データ webとアプリで配信しているコンテンツのデータ QAイメージ 検索イメージ
14. ママリにおける機械学習の活用事例（一部） 14 コミュニティ検閲 Trust&Safetyなコミュニティを維持するための 検閲モデル カテゴリ類推 質問投稿時のカテゴリを投稿内容から自動的に サジェストすることで、質問投稿率向上に寄与 レコメンド ユーザーの行動ログから興味のあるコンテンツを 予測し優先的に表示することで、UX向上に寄与
15. 02 AIチャットボットを作るその前に 目的と認識合わせを忘れずに 01 会社・サービス紹介（3min） 02 AIチャットボットを作るその前に（5min） 03 AIチャットボットの開発（10min） 04 RAG機能の実装（10min） 05 より使いやすくするためのTips（2min）
16. 16 とある日
17. 17 とある日 偉い人 AIチャットボットが流行っているらしいな！ウ チでもやりたいな〜 この「RAG」ってのを使うとAIが学習していな いことも回答できるのか！これで生産性も爆上 がりじゃ！俺くんあとは賢くていい感じの チャットボット作っておいて！
18. 18 とある日 偉い人 AIチャットボットが流行っているらしいな！ウ チでもやりたいな〜 この「RAG」ってのを使うとAIが学習していな いことも回答できるのか！これで生産性も爆上 がりじゃ！俺くんあとは賢くていい感じの チャットボット作っておいて！ 俺 分かりました！
19. 19 とある日 〜1ヶ月後〜
20. 20 とある日 〜1ヶ月後〜 AIチャットボットできました！ 俺
21. 21 とある日 〜1ヶ月後〜 偉い人 AIチャットボットできました！ 俺 ついに！どれどれ・・・ ん〜全然良い回答来ないし、微妙だな〜 これじゃ全然使えないよ。
22. 22 とある日 〜1ヶ月後〜 偉い人 AIチャットボットできました！ 工ｴｴｪｪ(´д｀)ｪｪｴｴ工 俺 ついに！どれどれ・・・ ん〜全然良い回答来ないし、微妙だな〜 これじゃ全然使えないよ。 俺
23. 23 とある日 〜1ヶ月後〜 偉い人 AIチャットボットできました！ 工ｴｴｪｪ(´д｀)ｪｪｴｴ工 俺 ついに！どれどれ・・・ ん〜全然良い回答来ないし、微妙だな〜 これじゃ全然使えないよ。 俺 …… ( ﾟдﾟ)ﾊｯ!、夢だったか・・・
24. 24 とある日 〜1ヶ月後〜 偉い人 AIチャットボットできました！ 工ｴｴｪｪ(´д｀)ｪｪｴｴ工 俺 ついに！どれどれ・・・ ん〜全然良い回答来ないし、微妙だな〜 これじゃ全然使えないよ。 俺 こうならないためにも 目的と認識合わせはしっかりやろう
25. 25 とある日 〜1ヶ月後〜 偉い人 AIチャットボットできました！ 工ｴｴｪｪ(´д｀)ｪｪｴｴ工 俺 ついに！どれどれ・・・ ん〜全然良い回答来ないし、微妙だな〜 これじゃ全然使えないよ。 俺 弊社の場合
26. 26 弊社の場合 • 全社のAI活用促進 & 技術検証の2点が目的 • RAGの実装に関しては様々なHowをPros/Cons並べて検 討した ◦ 本当にやりたいことはなんなのか？を言語化し、そ こから逆算してHowを決める • 方向性が固まったら動くものを作ってフィードバック をもらう
27. 27 実際にPros/Consを言語化したドキュメント
28. 28 実際にPros/Consを言語化したドキュメント 主な議論 • 本当にベクトル検索（≒RAG）は必要か？ ◦ 各種サービスの検索APIで代替できない？ • 最初から複数データソース（GoogleDriveやSlack等）の ドキュメントを参照して回答する機能は必要？ • 実装・運用コストは妥当？ → 目的や実現したい体験から逆算して方針を決定
29. 29 実際にPros/Consを言語化したドキュメント 一例）RAGに関して、最初はSlack, Notion, Google Driveの3つのソース を検索対象にしようと提案が出た →いきなりすべての文書を対象にする必要性はあるのか？という問い 以下2点の理由から最初はNotionのみを検索対象にするよう推進 • RAG機能を追加してもまったく使われないor使えない可能性がある。 なので、はじめは最小限の機能（= MVP）でいいからクイックに機能 を作ってユーザーの反応を見るべき • 社内制度やMTGの議事録等、検索してまで知りたいニーズがある社内 の情報は大半のNotionに集約されている
30. 30 実際にPros/Consを言語化したドキュメント 一例）RAGに関して、最初はSlack, Notion, Google Driveの3つのソース を検索対象にしようと提案が出た →いきなりすべての文書を対象にする必要性はあるのか？という問い 以下2点の理由から最初はNotionのみを検索対象にするよう推進 • RAG機能を追加してもまったく使われないor使えない可能性がある。 なので、はじめは最小限の機能（= MVP）でいいからクイックに機能 を作ってユーザーの反応を見るべき • 社内制度やMTGの議事録等、検索してまで知りたいニーズがある社内 の情報は大半のNotionに集約されている このようなプロセスを経ながら 推進していきました
31. 31 実際にPros/Consを言語化したドキュメント 一例）RAGに関して、最初はSlack, Notion, Google Driveの3つのソース を検索対象にしようと提案が出た →いきなりすべての文書を対象にする必要性はあるのか？という問い 以下2点の理由から最初はNotionのみを検索対象にするよう推進 • RAG機能を追加してもまったく使われないor使えない可能性がある。 なので、はじめは最小限の機能（= MVP）でいいからクイックに機能 を作ってユーザーの反応を見るべき • 社内制度やMTGの議事録等、検索してまで知りたいニーズがある社内 の情報は大半のNotionに集約されている ここから実装部分の話をしていきます！
32. 03 AIチャットボットの開発 Python × Slack Botで、まずはシンプルなチャットボットを作成する 01 会社・サービス紹介（3min） 02 AIチャットボットを作るその前に（5min） 03 AIチャットボットの開発（10min） 04 RAG機能の実装（10min） 05 より使いやすくするためのTips（2min）
33. 33 Slack Botを利用したシンプルなチャットボット • Slack Botを使って実現 • Slack上で特定メンションに反応し て回答してくれる • 回答はスレッドに送られる • スレッド内では過去の会話を考慮 しながら会話できる
34. 34 Slack Botを利用したシンプルなチャットボット アーキテクチャと構成要素も非常にシンプル
35. 35 Slack Botの事前準備 事前準備で必要なもの • OpenAI API Key • Slack Bot tokens & App-level tokens Slack周りのtoken取得が結構面倒だが、手順は会社のブログ に載せているので、詳細はこちらを参照してください LangChainとOpenAI APIを組み合わせて、文脈を考慮して会話できるSlack Botを作った話
36. 36 Slack Botの開発方法 SlackのBoltフレームワークを使えば、WebSocketの実装も 数行で可能 https://github.com/slackapi/bolt-python
37. 37 LangChainについて
38. 38 LangChainとは？ 大規模言語モデル（LLM）を利用したアプリケーション開発 を支援してくれるフレームワーク LangChainの様々なコンポーネントを組み合わせることで、 複雑なLLMアプリケーションを作成するプロセスをいい感じ にラップし、簡易化してくれる Introduction | 🦜🔗 LangChain
39. 39 LangChainの提供コンポーネント 代表的なものを紹介 • Model I/O：共通のインターフェースを通じて各LLM API を使うことができる • Prompt Template：モデルへの入力を組み立てることがで きる • Memory：LLMとのやり取りを保持することができる • Chain：各モジュールを連結し実行することができる https://python.langchain.com/docs/how_to/#components
40. 40 Prompt Templateのサンプルコード https://python.langchain.com/docs/how_to/#prompt-templates ユーザー入力からプロンプトを生成するためのテンプレート
41. 41 Memoryについて • LangGraphを用いる方法とLCEL（LangChain Expression Language） と呼ばれる表現言語を使う方法がある ◦ LangGraphを用いる方法 ：https://python.langchain.com/docs/versions/migrating_memory/conversation_buffer_ memory/#langgraph ◦ LCELを用いる方法 ：https://python.langchain.com/docs/versions/migrating_chains/conversation_chain/#lcel • 今回はLCELを用いた ◦ AIとの過去のやりとりはSlackのスレッドに残っているので、そこ からデータを取得すれば履歴は追えるため、プログラム側でキャッ シュしておく必要もない
42. 42 Memoryのサンプルコード https://python.langchain.com/docs/tutorials/chatbot/#message-history
43. 43 Chainについて • 基本的にはLCELのpipe operatorを使って処理を繋げるだけ で実装可能 • pipe()メソッドもあるので、これを用いての実装もできる ※LLMChainはv0.3（2024/09/27時点の最新バージョン）ではremoveされている https://python.langchain.com/docs/versions/v0_2/deprecations/#llmchain
44. 44 Chainのサンプルコード https://python.langchain.com/docs/how_to/sequence/ pipe operator
45. 45 今回実際に開発したAIチャットボット
46. 46 今回実装したAIチャットボット 基本的に今まで説明したコンポーネントを組み合わせて実装
47. 47 今回実装したAIチャットボット 基本的に今まで説明したコンポーネントを組み合わせて実装 Memory
48. 48 今回実装したAIチャットボット 基本的に今まで説明したコンポーネントを組み合わせて実装 Prompt Template
49. 49 今回実装したAIチャットボット 基本的に今まで説明したコンポーネントを組み合わせて実装 Model I/O & Chain
50. 50 今回実装したAIチャットボット 基本的に今まで説明したコンポーネントを組み合わせて実装 Memory Prompt Template Model I/O & Chain
51. 04 RAG機能の実装 RAGとは？それをLlamaIndexで実現する方法 01 会社・サービス紹介（3min） 02 AIチャットボットを作るその前に（5min） 03 AIチャットボットの開発（10min） 04 RAG機能の実装（10min） 05 より使いやすくするためのTips（2min）
52. 52 そもそもRAGとは • Retrieval Augmented Generationの略称 • プライベートデータなど、モデルの学習に使われていないデータについ て推論できるようにするために、モデルに必要な情報をLLMに渡し知識 を補う手法の1つ • 基本的に以下2つのコンポーネントから構成される ◦ インデックス作成：ソースからデータを取り込み、インデックスを 作成する処理（基本的にはオフライン処理） ◦ 検索&生成：関連するデータをインデックスから検索し、LLMに投 げるプロンプトに渡し、回答を生成する処理（基本的にはオンライ ン処理）
53. 53 インデックス作成のイメージ https://python.langchain.com/docs/tutorials/rag/#indexing
54. 54 検索&生成のイメージ https://python.langchain.com/docs/tutorials/rag/#retrieval-and-generation
55. 55 LlamaIndexとは 大規模言語モデル（LLM）と外部データを接続するための インターフェースを提供している https://www.llamaindex.ai/
56. 56 今回実装したアーキテクチャについて
57. 57 おさらい RAG機能実装前はこんな感じのアーキテクチャ
58. 58 RAGを取り入れた全体像
59. 59 RAGを取り入れた全体像 インデックス 作成処理
60. 60 RAGを取り入れた全体像 検索&生成 (チャットボット部分)
61. 61 今回実装したインデックス作成処理について
62. 62 LlamaIndexを用いたインデックスの作成処理 1. Document Listを定義し、そこに RAGの対象としたいドキュメントの 情報を追加する 2. Embeddingモデルを使いベクトル化 し、保存する
63. 63 LlamaIndexを用いたインデックスの作成処理 • 弊社の場合は、Notion APIを用いてNotionのページ一覧を 取得しベクトル化している • 前回実行時から更新されたドキュメントのみをEmbedding 対象とすると効率的 ◦ Notionの場合は更新日時が取得できるので、それを条 件に判断している
64. 64 今回実装したRAGチャットボットについて
65. 65 LlamaIndexを用いたRAG（検索&生成部分） 1. API起動時にインデックスをメモリに展開 2. ユーザーのメッセージと意味が近いドキュ メントを検索（TOP K件） 3. プロンプトに取得したドキュメント内容を 追加し、LLMの回答を得る
66. 66 RAGチャットボットの全体の流れ
67. 67 低コストで実現させるポイント • 商用利用可能で公開されているEmbedding Modelを用いる ◦ 本当にミニマムでやるなら、モデルのサイズも小さい方がコスト的 にはお得（その分APIサーバのメモリも少なくて済むので） ◦ https://huggingface.co/spaces/mteb/leaderboard でモデルの サイズや性能が分かる • どうしても品質に納得がいかなかったら、大きいサイズのモデル or OpenAI Embedding などを検討する ◦ もちろん精度の良いモデルに切り替える以外にも、精度向上のHow はいくつかあるので、本当にベクトル検索（≒RAG）じゃなきゃダ メなの？などは要議論
68. 05 より使いやすくするためのTips 01 会社・サービス紹介（3min） 02 AIチャットボットを作るその前に（5min） 03 AIチャットボットの開発（10min） 04 RAG機能の実装（10min） 05 より使いやすくするためのTips（2min）
69. 69 元データへのアクセスを容易にする&どのリンクが最新なのか がパッと見で判断できるように Tips①：返信に参照文献リンクと更新日を追加 Notionのリンク 最終更新日
70. Tips②：RAGを行うかどうかをLLMに判断させる 70 • 特定の文字列に反応させてRAGを行っても良いが、その文 字列が含まれると絶対にRAGしてしまったりと、少し不便 だった • ユーザー入力文の冒頭N文字を使って、その質問が社内情 報についての回答を求められているのかどうかをLLMに判 断させ、その結果に基づいてRAGの実行有無を判定 ◦ 冒頭N文字にしている理由はコスト削減文脈が大きい
71. Tips③：会話ユーザーの投稿だけを考慮する 71 • Slackのスレッド内で複数人+AIが会話している場合、同一 ユーザーとの会話だけをAIのメモリに入れて過去の会話と して認識させる ◦ AIと人間の会話がシームレスに行えるようになる
72. 最後に
73. 73 お待たせしました！
74. 74 お待たせしました！ チャット利用回数にもよりますが 月数千円です！（安い？ですよね？汗） 内訳： • APIをホストするインスタンス料金（これが7〜8割） ◦ メモリに展開するindexデータの量が少なければもっと 削減できる ▪ 弊社の場合は3万ドキュメント弱 • OpenAI API利用料
75. 75 お待たせしました！ もっと低コストでやりたいんや...！ • インスタンスの起動時間を制御する ◦ 平日夜と休日は停止させる、など • RAG対象のドキュメントを絞る ◦ Garbage In, Garbage OutはRAGでも然り
76. 76 We’re Hiring! コネヒトでは各種エンジニアを絶賛募集中です！ • ライフイベントの課題解決をするサービスに 興味がある方 • MLプロダクト開発に興味のある方 機械学習への取り組み事例や、今後の展望などをまとめた資料も あるので、興味ある方はこちらもご覧いただけると嬉しいです！ コネヒト 機械学習 詳しくは で検索！ 採用関連 https://connehito.com/recruit/
77. 77 ご清聴ありがとうございました！