RAG、GraphRAG、LLM Wiki、オントロジー:4つの知識ベース技術の選び方
4つの技術は同じ問題を解きません。LLM Wiki は個人の資料を知識ページに整理し、RAG は企業文書から答えを検索し、GraphRAG は文書をまたぐ実体の関係をたどり、オントロジーは複数システムの業務語彙を統一します。プロジェクトAの例を通して原理、限界、組み合わせ方を整理し、2種類の「グラフ」の違いも説明します。
生成AI、AIエージェント、開発支援ツールなど、AIの最新動向を整理した記事。
4つの技術は同じ問題を解きません。LLM Wiki は個人の資料を知識ページに整理し、RAG は企業文書から答えを検索し、GraphRAG は文書をまたぐ実体の関係をたどり、オントロジーは複数システムの業務語彙を統一します。プロジェクトAの例を通して原理、限界、組み合わせ方を整理し、2種類の「グラフ」の違いも説明します。
記事を読む
4つの技術は同じ問題を解きません。LLM Wiki は個人の資料を知識ページに整理し、RAG は企業文書から答えを検索し、GraphRAG は文書をまたぐ実体の関係をたどり、オントロジーは複数システムの業務語彙を統一します。プロジェクトAの例を通して原理、限界、組み合わせ方を整理し、2種類の「グラフ」の違いも説明します。
AIエージェントが企業で信頼できる行動を取れない原因は、モデルの推論力ではなく業務知識の欠如にある。Neo4jが発表したContext Engineは、業務プロセス、ドメイン用語、データの所在、権限、過去の意思決定を六層のオントロジーとしてグラフにまとめ、GraphRAGによる検索と記憶・学習を提供する。private preview段階にある意義と検証課題を整理する。
企業AIの導入で頻繁に登場するオントロジー、知識グラフ、ナレッジベース、データ中台。前世紀からある概念が、なぜLLMの登場で再び注目されたのか。著者が自作した知識グラフを例に四つの違いを整理し、取り込み、検索、追跡可能性、エージェント実行という四つの変化から、その理由を説明する。
個人ではAIを強く使えても、会社全体の仕事の進め方は変わらない。YCは1年かけ、データ、ツール、skill、毎晩の振り返り、会話の公開という5層の仕組みでこのギャップを埋めた。Peteが初めて公開した構成を、自社に導入する順番とともに解説する。
「オントロジー」は企業ITで二つの潮流に分かれた。指標定義を統一し分析とLLMの文脈接地を支える分析型セマンティック層と、状態変更・事前検証・外部書き戻し・型安全なSDK生成を一体化し業務アプリの実行基盤となる操作型オントロジーである。クラウド各社は前者の延長上にあり、PalantirはCQRSと意思決定の永続化まで含めて後者を実装する。両者の構造差と選定指針を整理する。
データサイエンティストとマーケティングの分断を、Knowledge Catalog と Gemini の統合で解消する流れを、リテールバンクのローン借り換えを例に解説。自然言語でのデータ探索、PySpark 自動生成と Lightning Engine のゼロコピー結合、XGBoost によるモデル構築(精度90%・適合率85%)、カタログへワンクリック公開、ゼロトークンの BI 分析まで、数か月の作業を数分に短縮する。
TypeSafe AI の新モデル Jev は文章を生成せず、判断とその確率だけを返す。汎用 LLM より最大 193.6 倍速く、コストは約 444.6 分の 1、入力 100 万トークン 0.042 ドル、出力は無料。state と question を渡し、Noul・Choice・Score の 3 形式で答える。RLCD で較正された確率は、そのまま分流の閾値に使える。判断・生成・実行の分業を担う System 1 モデル。
a16zの第7版レポートは、米国でAIを使う人がほぼ半数に達する一方、毎日使う人は約4分の1、課金者は4.5%にとどまり、上位1%の月平均支出は903ドルという矛盾を示す。過去3年、AIは時間を節約する生産性ツールとして理解されてきたが、数十億人を集めた消費プロダクトは時間を費やしたくなるものだった。個人エージェントの登場と課金構造をたどり、消費者のAIが効率から体験へと価値を移す必要を論じる。
DeepSeek Harness公式Desktop版のリリースに伴い、CLI版からの設定継承や新機能の音声入力プラグインについてレビューします。さらに音声入力のバックエンドに使われているSenseVoiceをきっかけに見つけた「M5Stack AI-8850」と、そこで活用される5つのAI音声モデル(Whisper、MeloTTS、CosyVoice2、3D-Speaker-MTなど)の機能と特徴を解説します。
Xiaomiが開発した「AI演算ベースステーション」であるAI Cubeを通じて、単なるLLMチャットボットから、生活の基盤となる「ローカルインテリジェンス」への移行を考察する。高性能なハードウェアスペックとローカル処理によるプライバシー保護、そして真の「Voice to Action」実現の可能性をエンジニア視点で解説し、クラウドAI依存からの脱却と人間中心のAI体験の未来について論じる。