グラウンディングの基本を学ぶ
学習の目的
この単元を完了すると、次のことができるようになります。
- エージェントのグラウンディングの概念とそれが役に立つ理由を理解する。
- グラウンディングと検索拡張生成 (RAG) の関連性を明確にする。
- Agentforce のデータソースとして使用できるさまざまなデータの種類を説明する。
- Agentforce 内で使用できるデータセキュリティの方法とツールを確認する。
始める前に
Salesforce は、新しい生成人工知能 (AI) ツールのロールアウトにあたって、お客様がエージェントについてやエージェントをデータでグラウンディングする方法について学びたいと思っていることを理解しています。始める前に、次の推奨コンテンツを完了することを検討してください。
「Einstein 生成 AI 用語集」に、大規模言語モデル (LLM)、プロンプト、グラウンディング、ハルシネーション、有害な言葉など、このバッジで使用する多数の用語も記載されています。
関連性の高いコンテンツを使用して AI エージェントを調整する
Salesforce はお客様が正確で関連性の高い AI エージェントを迅速に展開できるようにするために Agentforce を開発しました。Agentforce には包括的なツールのスイートが含まれており、エージェントを使用した AI ベースのオートメーションを実装できます。エージェントは、エンタープライズデータやシステムでグラウンディングすることで最適化できます。その結果、エージェントは常に最新情報にアクセスでき、グラウンディングされていないエージェントよりも正確さと関連性が向上します。エージェントをグラウンディングすることは、的確な意思決定と効果的なアクションにつながります。
グラウンディングは、ドメイン固有の知識や顧客情報を LLM に与えます。検証可能なデータソースへのアクセス権をモデルに付与して AI をグラウンディングすると、モデルはより正確な出力を生成し、ハルシネーションのリスクを軽減できます。グラウンディングのデータソースには、Excel スプレッドシートや CRM データといった構造化データのほかに、PDF、チャットログ、メールメッセージ、ブログ投稿などの非構造化データも使用できます。
LLM についての詳細は、「大規模データモデル」Trailhead モジュールを参照してください。
接続する必要があるのは構造化データか、非構造化データか?
データをエージェントに接続する前に、構造化データと非構造化データの違いについて知っておく必要があります。
構造化データは、あらかじめ定義された形式で整理され、メタデータが明確にわかっています。構造化データは検索、分析、統合が容易です。例として、取引先、取引先責任者、ケースのような Salesforce オブジェクトのデータが挙げられます。
非構造化データには、あらかじめ定義された形式がなく、メタデータが不明です。例として、メール、チャットログ、ソーシャルメディア投稿、ドキュメントが挙げられます。処理するのは容易ではありませんが、非構造化データから貴重なインサイトを得られる可能性があります。このデータを Agentforce に接続するには、構造化形式に変換するために、自然言語処理 (NLP) ツールやデータ抽出サービスを使用することができます。
構造化データは、API やインテグレーションを使用してエージェントとよりシームレスに連携し、自動分析が可能です。一方、非構造化データは、エージェントをグラウンディングする前に事前処理が必要です。構造化データと非構造化データの両方の接続をマスターすると、豊富な情報を活用してエージェントのパフォーマンスやカスタマーサービスを向上させることができるようになります。
次は、非構造化データで最も役立つ検索拡張生成 (RAG) を見てみましょう。
検索拡張生成を使用したグラウンディング
グラウンディングと RAG は LLM のパフォーマンスを向上させるために重ねて活用されますが、そのしくみは異なります。では、詳しく見ていきましょう。
グラウンディング
一般に、グラウンディングとは、モデルが要求を処理するときに考慮する必要がある情報を LLM プロンプトに注入するという考え方です。グラウンディングは、構造化データやドキュメントの固定セットに基づいてモデルに指示を与え、その応答を正確で関連性の高いものにします。これが役に立つ理由は、エージェントと一緒に使用されることが多い LLM が、コンテキスト固有の知識や機密情報ではなく、一般的な知識でトレーニングされるからです。グラウンディングは、LLM の応答を特定の信頼できるデータソースに結び付ける情報を LLM に提供します。これは、LLM が不正確な応答や最新ではない応答を生成しないようにするために役立ちます。これは、信頼と正確性を維持していくうえで極めて重要なことです。
グラウンディングは、構造化データやドキュメントの定義されたセットに基づいてモデルに指示を与え、正確で関連性の高い応答を促します。このアプローチは、履歴アーカイブや法律または規制に関するドキュメントなど、情報が明確に定義され、頻繁に変更されないシナリオにおいて理想的です。たとえば、特定の法律や規制からの正確な引用を提供する必要があるリーガルアシスタントエージェントは、グラウンディングの恩恵を受けられます。
検索拡張生成
RAG は、リアルタイムの情報検索と応答生成を組み合わせたグラウンディングの一形態です。RAG は、情報が絶えず更新される環境に適してします。このアプローチでは、LLM はドキュメントコレクションなどの信頼できるソースから関連性の高い最新の情報を検索し、その取得されたデータに基づいて応答を生成します。この 2 ステッププロセスによって、エージェントの応答が十分な情報に基づき、かつ適切であることが保証されます。たとえば、顧客が製品機能について質問した場合、RAG は知識ベースから最新の機能情報を見つけ出し、正確で詳細な応答を生成できます。RAG は複雑なクエリを処理し、データに基づいた包括的な回答を提供する場合に特に効果的です。
どちらの手法にも長所があります。グラウンディングは、主に構造化データを対象とし、正確性と関連性の確保に適しています。一方、RAG は非構造化データに強く、エージェントのコンテキストやガードレール内で詳細かつ豊かな応答を提供できるグラウンディングの一形態です。
セキュリティと信頼性を確保した AI エージェントを設定する
データのセキュリティと整合性は、AI エージェントの基盤に組み込まれています。Agentforce のセキュリティは後付けされたものではありません。開発プロセス中に使用できる堅牢で柔軟なセキュリティツールがあります。AI エージェントのセキュリティ管理についての詳細は、「信頼できるエージェント型 AI」と「Maintain Trust with Agentforce Actions (Agentforce アクションによる信頼の維持)」を参照してください。
セキュリティを強化するには、最小権限の原則、強力な認証方法、ID およびアクセス制御の確認ツールを使用します。エージェントの状況を把握するには、Agentforce でアクセスログの監視と監査が可能です。もう 1 つのセキュリティ対策として、特定の境界を設定したアクションの設計があります。最後に、Agentforce では未承認ユーザーに機密データを非表示にするデータマスキング手法がサポートされており、データ保護規制を確実に遵守できます。
データによるグラウンディングを実務で効果的に活用するには、Agentforce で使用するための方法を理解する必要があります。次は、その 2 つのアイデアについて詳しく見ていきます。