Pinecone Nexus が一般公開プレビューを開始

7 週間前、私たちは AI エージェントに知識を提供するために Pinecone Nexus の早期アクセスを発表しました。以来、膨大なデータ、高い複雑さ、そして厳格な精度・レイテンシ・コスト要件を満たす広範なユーザー層とパートナーシップを築いてきました。本日、私たちはパブリックプレビューを開始します。 分散型企業知識を、エージェントが信頼できる形に統合しました。 最先端モデルを中心に構築されたエージェントは、世界に関する知識、複雑な推論、そして学問分野を超えた情報の合成において卓越しています。ファイルの奥深くに埋もれた特定の情報を見つけることは検索問題であり、ベクトルデータベース（vector databases）はこの問題を数年にわたり解決し続けてきました。 しかし、それらいずれにも触れられない第三の知識があります。それがビジネスコンテキストです。入社 3 年目の社員が検索せずに知っていること、現在の実際の業務プロセスを反映する内部プロセス文書、四半期目標の実践的な意味合い、ある部門の方針が他部門の意思決定とどのように結びついているかといったものです。これは契約書、ウィキ、人事文書、会議議事録、サポートチケット、財務記録など、企業内に分散して存在しています。その多くはどこかに記述されており、しばしば何度も書き込まれていますが、「記述されていること」と「統合されたもの」は同じではありません。タスクに取り組むエージェントには後者が必要です。 エージェントがタスクを開始するたびに、これらすべてについてゼロから始めなければなりません。即座に情報を組み立てることは可能ですが、そのコストはトークン数、時間、そして半ば正しい回答という形で現れます。 Pinecone Nexus は、そのギャップを埋める知識エンジンです。企業の分散した知識を集約し、エージェントが直接照会できる構造化レイヤーへと変換することで、トークン使用量をクエリごとの検索ループから、一度きりのキュレーションステップへとシフトさせます。 本日、ビジネスユースケースを持つすべての人に向けて公開します。Pinecone Nexus は現在、Public Preview（一般公開プレビュー）を開始しました。 ## 準備完了 *本日より、Pinecone Nexus のアクセスをリクエストし、コスト、速度、精度という重要な次元において、キュレーションされた知識がエージェントワークロードにどのような効果をもたらすかをご覧ください。 Nexus は、ドキュメント間で推論を行う必要がある限定されたコーパス向けに設計されています。単一の質問で数十件のファイルにまたがるような、標準的な検索手法では機能しなくなりがちなコーパスにおいて、その真価を発揮します。 利用方法は以下の 2 つです： **Preview Playground**: 今日アクセスをリクエストして、データを接続し、Context（文脈）を設計し、実際のクエリを実行できるライブ環境を取得できます。これは、本格的な導入を行う前に、実データを用いてアプローチの有効性を検証するのに十分なものです。 **BYOC Deployment**: 本番ワークロード向けには、専用デプロイメントのリクエストが可能です。クラスターはお客様の VPC（仮想プライベートクラウド）内で実行され、共有インフラは使用しません。Pinecone はお客様のデータにアクセスできず、ドキュメントもお客様のインフラから外部へ流出することはありません。また、他のテナントとの計算リソースの共有もありません。このデプロイモデルに意図的に注力しているのは、データの所在地、セキュリティ、コンプライアンスが妥協できない企業ニーズに合致させるためです。 ## See Nexus in Action The demo above uses a synthetic financial services corpus of a household's complete set of financial records including their goals, plans, meeting notes, and portfolio documents. It’s the kind of corpus where a question like, "*How are the Chens tracking against their retirement goals?*" touches dozens of documents across multiple years, and unlike Nexus, a standard retrieval system would return chunks instead of fully-formed answers. ## The Knowledge Engine, Explained The results enterprises in Early Access are seeing aren’t a product of better prompting or a smarter model. They come from a different approach to how knowledge is organized before any query arrives. (See our previous blog, [Nexus in the Wild: Real Results from Our Early Access Customers](https://www.pinecone.io/blog/nexus-ea-benchmarks/)) ![image](https://www.pinecone.io/_next/image/?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2Fvr8gru94%2Fproduction%2F089b05f96882981acdaeeff3351b343ac75d1fb0-1110x1283.jpg&w=3840&q=75) **Connectors** handle ingestion: Local file upload, Box, and Microsoft OneLake are live today, with Google Drive, Slack, GitHub, Notion, Confluence, and S3 close behind. **ワークスペース**は最上位のコンテナであり、チームや事業部門を囲む境界線です。コネクタやその他の共有リソースはワークスペースレベルで管理されるため、自然な思考モデルは「各データソースとアクセス制御を独自に持つチームごとに 1 つのワークスペース」というものです：サポート組織、法務チーム、データサイエンスグループなどが該当します。 **ワークスペース**内では、データは**コンテキスト**として整理されます。これはデータセットまたは知識ドメインごとに 1 つずつです。ソースは Nexus のキュレーション層を流れ、**マニフェスト**によって導かれます。マニフェストは生文書をそのドメインに最適化された構造化された知識アーティファクトに変換する指針であり、コーパスがどのように理解されるべきかの設計図となります。 **タスク**は、隔離されたサンドボックス内で実際の作業を実行します：*import*（インポート）でソースの取り込みとクリーニングを行い、*curate*（キュレーション）でマニフェストに基づいてアーティファクトを構築し、*search*（検索）で KnowQL を通じてクエリを実行します。各ワークフローではアンサンブルモデルを採用でき、各ステップに最適なモデルが選択されます。これらすべては単一のインターフェースを通じて可視化されます：それが Nexus への問い合わせインターフェースである**KnowQL**です。エージェント、チャットボット、AI 検索アプリケーション、推薦システムは、すべてこの一貫した表面を通じて同じ知識レイヤーにアクセスします。 **ループ内の SMEs** 何を問うべきか、またどのような知識構造がそれに応えるかを理解しているのは、通常パイプラインを構築するエンジニアではありません。特許基準の整理方法を熟知した特許弁護士です。健全なデューデリジェンス回答のためにどの文書カテゴリを相互参照すべきかを知る M&A アナリストです。Gong のトランスクリプト内のどのシグナルが実際には顧客離れ（チャーン）を予測するかを知っている収益責任者です。 Manifest は、その専門家をプロセスに組み込むための手段です。ドメイン知識をキュレーション層にエンコードするアーティファクトの種類と関係性を定義するブループリントを、専門家がクエリ実行前に設計できます。エージェントはクエリ時にコパスの構造を自ら見つける必要はありません。SME（専門分野の専門家）によるその理解を引き継ぐのです。 これはプロンプトエンジニアリングとは異なるモデルです。クエリ時にコーチングされるのではなく、実際にドメインを理解している誰かが設計した知識層が手渡されます。最も関連性の高いチャンクを取得するエージェントと、その構造を理解した誰かによって既に構造化されたコパス上で推論を行うエージェントとの違いです。答えは精密かつ高速に導き出され、推論の方向性は最初から正しい方向へ向けられます。 知識は静的なものではありません。規制は変化し、製品は進化し、6 ヶ月前には正確だったコーパスに「ナレッジドリフト」と呼ばれる現象が生じます。Nexus は中小企業（SME）が再キュレーションを行えるようにします。新しい要件を反映するためにマニフェストを更新し、知識層を再構築して出荷するだけです。ドメインを理解している担当者が知識層の制御権を握り続けるため、エージェントは常に最新の状態を保ちます。 ## More Benchmarks Early Access 開始以来、ベンチマークの実施を続けています。業界もコーパスの形状も異なりますが、問いは同じです。「ナレッジ問題がより困難または複雑になった場合でも、マニフェスト駆動型キュレーションモデルは機能し続けるのか？」そのうち 3 つの結果を以下に示します。 ## Q2: Support Knowledge Base for Financial Services **Domain: Digital Banking / Financial Technology** Q2 は金融機関向けにデジタルインフラストラクチャを構築しています。彼らのサポートチームは、標準的なトリアージの一環として数千件の技術知識ベース記事を検索し、クライアントから問題が発生するたびにそれらを確認します。 記事自体を見つけることは容易です。しかし、実際のサポート質問の多くには、複数の記事にまたがる回答が存在するため、金融機関に対する誤った回答は重大なリスクを伴います。そのため、精度が最終的な判断基準となります。 Q2 はこのベンチマークを自社で実施しました。プレビュー環境への早期アクセスを取得し、ソースデータをインジェストし、事前構築されたテンプレートからマニフェストを設計し、アーティファクトをキュレーションして、Pinecone チームの介入なしに評価を実行しました。 **コーパス:** Q2 の内部技術サポートナレッジベースのサンプルで、同社のサポートチームが日常的に扱う質問の範囲を網羅しています。 **評価セット:** 単一記事参照、2 記事間の推論、複数記事の統合、ペルソナに基づくサポートシナリオ、顧客事例の 6 つのカテゴリにわたる 20 の質問。Q2 のサポートチームが日常的に直面する実際の質問タイプを模倣するように設計されています。 **結果:** メトリック 結果 F1 スコア 95% 平均再現率 (1–5) 4.70 平均適合率 (1–5) 4.70 Q2 にとって、精度はすべてであり、最も難しい質問で 95% を達成したことが決定的な要因となりました。Q2 のチーフデータサイエンティストであるジェシー・バーバー氏はこれを最もよく表現しています。 Q2 の引用 「ベクトルデータベースを簡単に構築し、ドキュメントコーパス上で RAG（およびエージェント検索）を実行することは容易です。難しいのは、本当に困難な質問に対して、エージェントが信頼性が高く効率的に適切な知識を組み立てることにあります。当社の評価では、Pinecone Nexus は複雑なサポートおよびコンプライアンスの質問セットに対し 95% の精度で回答しました。さらに、トークンコストを押し上げることなく抑制しながらこれを実現できる能力は、同製品をより魅力的なものにしています。」 — ジェシー・バーバー氏、Q2 チーフデータサイエンティスト ## EU 判例法における網羅性と信頼性を重視する法律研究 AI 企業 **ドメイン: 法律研究 / LegalTech** このベンチマークは、法的調査向け AI ツールを構築する企業によって実行され、Nexus が自社の製品の中心となるタスクである EU の判例法および法令に関する実質的な法的質問に答える能力を検証しました。Nexus は、エージェント型 RAG ベースラインとコーディングエージェントと比較されましたが、すべての回答を生成するモデルは同一です。変更されたのは検索アーキテクチャのみであり、結果の差異はすべてこれに起因します。 質問内容は、実際の法的調査者が抱く多様な問いを網羅しています：特定の条項が何を要求しているかの確認、ある法理が判例においてどのように適用されてきたかの追跡、特定トピックに関する関連する先例のすべてを集約すること、そして複数の法体系にまたがる推論です。これらのタスクは、市町村の記録やサポートチケットが標準的な検索では困難であるのと同じ理由で難易度が高いのです。なぜなら、回答は単一の文書の中に存在することは稀だからです。 **コーパス:** CJEU（欧州連合裁判所）および一般裁判所の判例法 30,000 ドキュメント（約 1.1 GB）と EU 法令から構成され、2021 年から 2026 年までの期間をカバーしています。 **評価セット:** 8 つのカテゴリーにわたる 35 の法的調査質問。これには条項の検索、法理の統合、判例間および法体系間の推論、網羅性と列挙に関する質問、先例チェーン、そしてコーパス外のネガティブコントロールが含まれます。 **結果:** Metric Nexus Agentic RAG Coding Agent Completion rate 100% 66% 6% Accuracy 87% 45% 4% Avg Tokens per query 9k 80k (~9x) 135k (~15x) 完了率のギャップが物語の大半を語っています。コーディングエージェントは 35 問中わずか 2 問しか完了できず、ファイルの一覧表示と読み込みによって 30,000 ドキュメントを検索するアプローチは、この規模のコーパスにはスケーラブルではありません。RAG ベースラインはそれよりマシでしたが、ドクトリンの合成、ケース間推論、およびカバレッジに関する質問において崩壊しました。これらは複数のソースを 1 つの回答に統合する必要のある形状の問題です。そのうち 12 問については、回答を構成することさえできませんでした。Nexus はセット内のすべての質問に完了し、両方のシステムが回答した質問においても、より正確でした。 米国証券法に関する制御質問（EU 法のみを含むコーパスに対して出題）において、Nexus はその質問が範囲外であることを認識してそう答えました。他の 2 つのシステムは捏造された回答を生成しました。 ## 主要なデータ保護およびセキュリティベンダー：市町村記録にわたるドキュメント間推論 **ドメイン: エンタープライズデータ管理** このベンチマークは、データ保護およびセキュリティベンダーと共同で実施され、Nexus をテストしました。対象となったコーパスの文書自体は技術的に複雑ではありませんが、構造化されており、ほぼすべての質問に単一の文書から回答することはできません。このコーパスには、主要都市の 13 の統治機関にわたる 2022 年から 2025 年までの市政会議議事録 598 文書が含まれています。評価セット内のほとんどすべての質問は、単一の文書からは回答できません。議員の出席回数を数えるには、約 40 の文書にわたる推論が必要です。プロジェクトの場所を特定するには、議題項目をその区画番号、申請者、所有者と結合する必要があります。動議の完全な投票結果を確認するには、物語的な段落から構造化された名簿を抽出する必要があります。 これらはまさに、標準的な検索（Retrieval）の問題を露呈させるクエリです。コーパスをチャンク化し、埋め込みを行っても、「2022 年から 2025 年の間にスミス市長が市政会議の議長を務めた回数は何回か？」という質問に回答するには、エージェントが部分的な回答を組み立てるために数十回ループバックせざるを得ません。 **コーパス:** 1 文書あたり 1 回の会議に対応する 598 文書。13 の統治機関。4 年分のデータ。繰り返し構造を持つ複数セッションの会議。 **評価セット:** 出席数、動議の投票結果、役員履歴、プロジェクト場所、期限など 13 カテゴリにわたる 100 の質問。すべて設計上、文書間を跨ぐものとなっています。 **マニフェスト:** 12 種類のアーティファクトタイプ。会議出席、動議ログ、期限ログ、プロジェクト場所に対応する SQLite ベースの専用テーブルを含む。 **結果:** Metric 結果 Accuracy 90% vs (RAG Baseline: 65%) Curation cost (one-time, 598 documents) $0.0038 per doc Query cost $0.0069 per question 598 ドキュメントを 12 の構造化アーティファクトタイプにキュレーションするには、コストは 2.31 ドルで所要時間は 34 分でした。その後のすべてのクエリは、このキュレーション済みインデックスに対して実行され、平均コストは低く抑えられ、トークンを蓄積するクエリごとの検索ループはありません。知識は一度だけコンパイルされます。 主要なデータ保護およびセキュリティベンダーである企業、デジタルバンキングインフラストラクチャプロバイダー、そして法務研究 AI 企業が共通点を持つことは多くありません。一つのユースケースは、何年にもわたる政府会議の議事録にわたる推論であり、もう一つは銀行向けの技術サポート質問への回答、三つ目は数万件の判例文書にわたる法務調査です。しかし、これら 3 つはいずれも標準的な検索において同じ壁にぶつかり、彼らのコーパス向けに構築された知識レイヤーへ切り替えた際にも同じ結果が見られました：精度が向上し、コストが低下し、完了率が上昇し、以前は複数の検索ループを必要としていた質問が単一の回答で済むようになったのです。 この転換は、知識をその場で再構成するのではなく、事前にコンパイルすることにあります。クエリが届く前に知識レイヤーが構造化されていれば、エージェントは毎回生データからの検索から理解を再構築するのではなく、コーパスの形状をすでに知っているレイヤーから読み込むことになります。 ## 構築を開始する エージェントのセットアップがコーパスに対して頭打ちになり、精度が向上せず、トークンコストがビジネスケースを成立させるに至らず、レイテンシが生きたワークフローに適合しない場合…その問題はほぼ常にモデルではなく、知識層にあります。 Pinecone Nexus はこれらの問題を解決します。そして本番環境への移行の準備ができたら、BYOC デプロイメントにより、データはあなたのインフラから決して離れることはありません。共有環境も、データの所在地に関する懸念も、セキュリティにおける妥協もありません。あなたのクラスター、あなたの VPC が完全に隔離されます。 Nexus パブリックプレビューで始める エージェントをより正確に、より高速に、より低コストに

Pinecone Nexus が一般公開プレビューを開始

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト