社内DXを加速するAIチャット
amieとは

本来のAIとは
人の補助をするツール。

現在のAIができること。それは、統計的な傾向を計算し、近いものが何かを推論して、人が一つ一つ判定するには難しい何千、何万ものデータを瞬時にさらうこと。そして、指定したものに近いデータをピックアップして抽出することです。

• 

  既存の資産を有効活用

  チャットボットを作成するために必要なデータは、ドキュメントやWebサイトとなります。 チャットボット導入に必須だったFAQやシナリオ作成の必要がありません。

• 

  最短最速での利用開始

  お手持ちのドキュメントのアップロード、学習させたいWebサイトのURLの設定を行うだけで、チャットボット作成の作業は完了です。 自動学習が完了したあとはすぐにチャットボットがご利用可能です。

• 

  メンテナンスの効率化

  チャットボットの精度を上げるためには、定期的にFAQの見直しやFAQの更新が必要となります。 amieであればドキュメントなどの更新版を再アップロードするだけなので、メンテナンスにかかる時間を最小限に抑えることが可能です。

• あいまい検索

  キーワード検索とは異なるため、チャットボットでの質問内容がドキュメントに記載されている内容と一致していなくても、特徴量による抽出により回答として表示されます。
  固有名詞を間違って覚えていたり、情報が少なかったりといった従来の一問一答形式のみのチャットボットでは拾えなかった質問にもamieでは回答候補をサムネイル付きで複数表示して探しやすくサポートすることが可能です。

• Q&Aの事前準備が不要

  質問との一致度ではなく回答との一致度により検索を行うため、回答にたどり着くまでのステップが少なくサイトとファイルの学習を併せてできます。
  従来のチャットボットのようなスクリプトを用意したり、整備したりする手間がいらずに学習を終えたらすぐに質問に回答できるようになります。

• 独自の言い回しも学習可能

  社内で使用している「プロジェクト名」や「サービス名」など一般的な辞書には載っていない単語は、辞書登録機能に登録することでより検索の精度を高めることができます。

• サムネイルによりピックアップしたものをより見つけやすくする

  通常のファイル検索では、ファイル名は確認できても該当ページまでは検索できませんでしたが、見つけたかったページのサムネイルで対象のページを確認できることで効率的に探し物が見つかります。
  単語だけでなく、検索結果をサムネイルでピックアップすることによって挿絵や写真などで欲しい情報を判別することもできます。文字だけのやり取りよりも直感的に欲しい情報を手にすることができます。

amieを思いつくきっかけとなったのはWatson

悔しさから、Watsonを本格的に調査。

amieはPOLのCTOである宮下の思い付きから始まりました。
2011年、Watsonがクイズ番組で歴代チャンピオン2人に圧勝するという快挙を達成します。

「Watsonが発表された当初はただの統計情報を使った検索システムだと思っていたが、その数年後にでてきた深層学習を使った特徴量、推論の応用方法(特にYOLO)を目の当たりにしたときに、IBMの天才たちはあの時から特徴量をピックアップすることにより現在普及しているAIにつながることまでをイメージしていた！」

2011年のニュース自体を認識していたにも関わらず、応用的な使い方に気付くことができなかったことに大きなショック(悔しさ)を受け、まずは何ができるかを正しく理解する必要があると考えを改めて調査を始めました。

個人の秘書となれるものを作れたらきっと便利なのではないか

インターフェースは会話や行動になると予測。

AIについて理解していくにつれ、一問一答よりも複雑な課題を解決できるようなAIを作りたいという思いがでてきました。

個人の仕事の補助として、打ち合わせ時間の前になったら電車の時間を教えてくれたり、対象の会社の最近の情報を渡してくれる、打ち合わせ後に打ち合わせの状況を確認してくれるなど、人の仕事のサポート、ちょっとした代わりをしてくれる秘書的なものを作れたらきっと便利なのではないかという考えに行き着きます。

これからのインターフェースは会話や行動(どこにいたか、いついたかなど)になるだろうと考えました。ただ、会話や行動をトレースするには携帯端末などのデバイスが必要です。
その後に、システムと連携する場合はテキストに変換してやりとりを行うはずだと考えました。

アルゴリズムの開発に注力。

SiriやGoogleとの連携で、会話が可能になるか。

会話の中身のテキストでやり取りをする動きは、LINEなどのメッセージアプリと同じ、チャット側の動きをカバーすることで、実現可能なことは増えそうだ。
これらがうまくいけば、後で音声インターフェースなどはSiriやGoogleを利用するだけでカバーが可能になるのではないかと考えました。

そしてやりたいこと、必要そうなことを様々な Web API から最適なものを見つけて連携を可能とするハブとなるものを作ろうということからamie AI (チャットボット)の開発を始めました。

持っていたマニュアルデータを使うことで日本語の課題を解決。

秘書のようなAIにチャットで課題を解決して貰おうと試みたところ、「AIが日本語を正しく理解できない」「ちょっとした言葉の揺らぎからやりたいことを推論することが難しい」という課題に躓きました。

より優秀な秘書となるには日本語の理解が必須ということで、日本語の自然言語処理部分に注目しました。
自然言語処理部分での正しい理解方法について調査を進めていく中で、自社で持っているマニュアルを教師データ的に使ってみました。
このマニュアルデータの中身を学習させ、理解させることが出来ていると確認すると、これは検索に近い形で使えるんじゃないかという発想にたどり着きました。

この方法を活用すれば、ユーザーの質問に対する回答をヘルプとして活躍できる！ということに気付き、元々の秘書機能からの派生としてチャットで人が探している回答の候補に最短でたどり着くことができる機能、アルゴリズムの開発に注力した結果、amieの開発が開始されました。

急速に利用者を拡大しているChatGPTは、チャットボットとの連携でより自然な対話を実現し、ユーザーとの円滑なコミュニケーションや業務効率化に活用されています。
ハルシネーション(錯覚)などの問題点を意識しながら、ChatGPTの特性を理解し、適切な使い方をすることが重要です。

ビジネスシーンでの利用だからこそ、amieは正確性を重視しています。
学習した情報そのままを回答するため正確で信頼性が高く、要約によって生じる情報の欠落や誤解もありません。

生成AIのエラータイプ

• Confounding(混乱)

  AIが特定のプロパティを返答する際に、説明として別のプロパティの定義を使用することがあります。このような混乱した回答は、AIが文脈を正しく理解できないために生じることがあり、ユーザー側で認識する必要があります。混乱を防ぐには、AIへの入力内容を明確にし、プロンプトの工夫が求められます。

• Over-Generalizing(過度の一般化)

  AIが原因と結果の関係を正しく理解できない場合、過度に一般化された回答を生成することがあります。特定の質問に対して返答はしますが、その回答は提供された定義を使用せず、独自の定義を作りがちです。プロンプトで指定された定義やコンテキストを使用するよう指示されているにもかかわらず、文脈を外れた広範な回答をしてしまう場合があるのがこのエラーの特徴です。

• Hallucination(錯覚)

  AIが与えられた文に存在しない要素に基づいて説明を生成してしまうことがあります。このエラーはミスリードや誤解を誘発し、特に受け手の知識や主観によって認識に差が出ることがあるため、混乱を引き起こす可能性があります。

• Greedy answering（貪欲な回答）

  AIが十分な情報を収集しないまま早急に回答を生成する場合、適切な情報がないにもかかわらず、貪欲に回答を作り上げてしまうことがあります。この場合、AIは正しい情報を提供することなく、何かしらの回答を強引に返してしまうことが特徴です。

• Other errors（その他のエラー）

  質問があいまいな場合や適切なコンテキストが不足している場合、AIは適切でない回答を出すことがあります。このようなエラーは、質問内容が明確でないときに起こりやすいものです。