AIエージェント・生成AI開発
既存システムと連携し、業務フローの中で実際に機能する
AIエージェントと生成AIアプリケーションを開発
AIエージェントと生成AIアプリケーションを開発
01
// BEYOND CHAT
「答えるAI」から「業務を実行するAI」へ
生成AIの価値は、質問に答えることだけではありません。AIエージェントは、社内システムの参照、データの集計、書類の作成といった複数の手順を、ツールを使い分けながら実行します。
- 社内システム・データベースとの連携
- 複数の手順にまたがる業務の自動実行
- 人による確認・承認を組み込んだワークフロー
>> PLAN / ACT / OBSERVE
02
// RAG
社内ナレッジを根拠に回答する
社内規程、マニュアル、技術文書などを検索可能な形に整え、AIが根拠となる文書を参照しながら回答する仕組み（RAG）を構築します。回答には参照元を示し、内容を確認しやすくします。
context = search(docs, question);
answer = llm(question, context);
// 根拠のない回答を減らし、参照元を明示する
answer = llm(question, context);
// 根拠のない回答を減らし、参照元を明示する
- 文書の分割・ベクトル化と検索精度の調整
- キーワード検索とベクトル検索の組み合わせ
- 回答への参照元の明示
- 文書の更新に追随するデータ連携
>> RETRIEVAL AUGMENTED
03
// TOOL INTEGRATION
既存システムと安全につなぐ
エージェントが利用するツールやAPIは、権限と操作範囲を明確に定義したうえでエージェントに提供します。MCP（Model Context Protocol）などの標準的な仕組みを活用し、既存システムへの影響を抑えて連携します。
- 参照のみ・更新可などの操作権限の分離
- 重要な操作の前に人が確認する承認フロー
- 実行履歴のログ記録と追跡
>> TOOL CALLING
04
// MULTIMODAL
文書・音声・画像を業務データに
紙の帳票や音声、画像など、そのままでは扱いにくい情報をAIで読み取って構造化し、業務システムで使えるデータに変換します。
- AI-OCRによる帳票・請求書の読み取り
- 音声認識による議事録の作成・要約
- 画像認識による分類・検品
>> UNSTRUCTURED TO STRUCTURED
05
// EVALUATION
精度を測ってから本番へ
生成AIの出力は、毎回同じとは限りません。想定される質問と期待する回答を評価データとして用意し、回答精度を定量的に測定したうえで本番化を判断します。
- 評価データセットの作成
- 回答精度・処理時間・コストの測定
- プロンプト・検索設定の改善サイクル
>> MEASURE BEFORE RELEASE
// ADDITIONAL SPECS
06 / マルチエージェント構成
複雑な業務は、役割を分けた複数のエージェントで処理します。
- 調査・作成・確認などの役割分担
- エージェント間の受け渡しの設計
- 失敗時のリトライと停止条件の設定
07 / モデルの選定
特定のモデルに依存しない構成とします。
- 用途・精度・コストに応じたモデル選定
- クラウドLLMとローカルLLMの使い分け
- モデルの切り替えを前提とした設計
08 / 適したケース
定型的で、判断の手順が明確な業務から効果が出やすくなります。
- 社内問い合わせ・ヘルプデスク対応
- 契約書・社内文書の検索と要約
- 定型的な集計・入力・レポート作成
09 / DAIMUが提供する価値
AIを単体のツールではなく、システムの一部として実装します。
- システム開発の知見を活かした連携設計
- 権限・ログ・監視を含めた本番品質の実装
- 運用まで見据えた保守しやすい構成
10 / 導入後の運用へ
本番稼働後も、利用状況と回答品質をもとに改善を続けます。
- 利用ログに基づく継続的な改善
- 適用業務の段階的な拡大
- LLMOpsによる品質・コストの管理