Meta、ドメイン専門家の知識を吸収する「組織の第二脳」型 AI エージェント

Meta は、ドメインの専門家のロジックや専門知識を単なる文書の保存や関連情報の検索ではなく、AI エージェントがその本質を捉えるように設計する方法について説明しています。このシステムは「組織のセカンド・ブレイン」と名付けられ、特定のコンプライアンス分野向けに構築されましたが、Meta はこのアーキテクチャがセキュリティ、財務、エンジニアリング、調達などの他の領域にも一般化できると主張しています。

我々は、特定のドメインにおける二次的な専門家として機能する AI エージェントを構築しました。これにより、組織内の誰もが深く専門的な知識に容易にアクセスし、共有し、それを基盤として発展させることができます。

Meta によると、このアプローチは従来のドメイン特化型エージェントとは異なり、「構造化され監査可能な知識アーキテクチャ」と、「モデルの再学習を行わずに専門家のフィードバックを検証済みで回帰テスト済みの更新へとコンパイルする自己改善ループ」を組み合わせる点にあります。このアーキテクチャは 4 つの層から構成されています。すべての組織的知見を集約する知識システム、エージェントが何を知らずどのように推論するかを分離する推論パイプライン、自動ベンチマークを提供する評価フレームワーク、そして前述した自己改善ループです。

この知識システムは、厳格な分類体系に整理された 200 件以上の構造化ファイルから抽出した専門知を基盤としています。具体的には、権威あるノウハウを記録する「ポジションファイル」、組織全体で使われるエンティティタイプやアクティビティカテゴリ、分類階層などの用語集として機能する「タクソノミーと語彙ファイル」、埋め込みの類似性だけに頼らず入力を関連ファイルにマッピングする「ルーティングインデックス」、そしてエージェントが専門知を安全に適用できるかを判定するテストを定義する「ゲートウェイファイル」が含まれます。

推論層では、「レシピ」と呼ばれる仕組みを用いて、問題分析におけるエージェントの行動指針を定義します。レシピは組み合わせ可能で、まず何を調査すべきか、各ステップでどの知識を読み込むべきか、どの意思決定手順に従うべきか、そして分析が完了したとどう判断するかを明確に示します。また、この仕組みにより、失敗の原因が知識不足なのか、推論手順の欠陥なのかを切り分けることも可能になります。

Meta のアプローチにおける重要な特徴は、分析プロセスに事前に設定されたチェックポイントを用意し、人間の介入が必要なケースや曖昧な事案をドメインエキスパートへエスカレーションする点です。エキスパートがミスを指摘した場合、その修正内容は知識不足、推論手順の欠陥、あるいは専門家間での真の意見相違のいずれに起因するものでも、永続的に記録されます。

この「自己改善のフライングホイール」を可能にする鍵となる考え方は、組織的な知識をモデルの重みの中に閉じ込めるのではなく、バージョン管理されたテキストファイルに保存し、明示的な推論手順によってアクセスされ、厳密にテストされるようにすることです。

専門家の修正は根本原因まで診断され、最小限の検証済み編集としてまとめられ、再実行および回帰テストに対して評価された上でレビューと採用が行われます。各修正はその後回帰スイートに統合されるため、その改善効果は永続的なものとなります。

Meta 自身の評価によると、エージェントを用いて組織の専門家を構築するこのアプローチにより、個別の評価に要する時間が数日から数分に短縮されました。ドメインの専門家たちは、その結果をほぼ常に有用であると判断しています。さらに、システムは以前にはエンジニアリングのスプリントを必要としていた知識の改善を自動化し、改善サイクル全体で回帰現象をゼロに抑えることに成功しました。

組織の専門家として機能するエージェントを創出するための Meta のアプローチには、ここで紹介できる以上の詳細があります。完全な内容は必ずオリジナルの記事をご覧ください。

著者について

セルジオ・デ・シモーネ

セルジオ・デ・シモーネはソフトウェアエンジニアです。彼は過去25年以上にわたり、シーメンスやHP、スタートアップ企業など多様な環境でプロジェクトに従事してきました。ここ10年以上はモバイルプラットフォームおよび関連技術の開発に注力しており、現在はBigML, Inc.でiOSとmacOSの開発を統括しています。

詳細を表示 非表示