技術概要：非構造化金融データを探索するためのエージェント型 GraphRAG

問題定義

スイス公式商業公報（SHAB）などの公的商業登記簿には、法的にアクセス可能だが実用的には利用が困難な膨大な法的データが含まれています。これらのデータセットは、構造化メタデータ（例：企業 ID、日付）と、破産、経営陣の変更、清算などを記述する自由形式の通知といった大量の非構造化法的テキストを組み合わせています。このハイブリッドな性質により、「実用的なパラドックス」が生じます。つまり、データは公開されているものの、効果的な分析アクセスは限られているという状況です。

主にベクトルベースの意味的類似性に依存する従来の検索拡張生成（RAG）システムは、この分野において困難に直面します。これらは明示的な構造的関係、時間的依存関係、およびマルチホップのエンティティ接続を捉えるのに失敗することが多いです。さらに、標準的なベクトル RAG は、数値データとそのテキスト説明との間の本質的な論理的リンクを破壊する傾向があり、企業固有の洞察ではなく、一般的な応答をもたらします。課題は、複雑な企業ネットワークを横断し、表記のバリエーションを超えてエンティティの同一性を解決し、数百万の文書にわたる監査可能なマルチホップ推論を提供できる、専門家レベルの分析が可能なシステムを構築することです。

手法

著者らは、商業登記データに特化した協調型エージェント GraphRAG フレームワークを提案します。このシステムは、データ取り込みパイプライン、分析エージェント、探索型ダッシュボードという 3 つの主要コンポーネントで構成されます。

1. データ取り込みパイプライン（Neo4j 知識グラフ構築）

システムは、7 年間にわたる 700 万件以上のレコードからなる SHAB データセットを、Neo4j 知識グラフを構築するための 3 フェーズパイプラインを通じて処理します。

• フェーズ 1：強ノードの決定論的取り込み：スイス UID、法的形式、資本金などの構造化メタデータフィールドを解析し、検証済みエンティティ（企業、人物、イベント）を表す「強ノード」を作成します。
• フェーズ 2：LLM による弱ノードの抽出：大規模言語モデル（gpt-4o-mini）が、清算人、債権者、創業者などの潜在的なアクターである「弱ノード」を、非構造化の自由形式通知から抽出します。規模とコストを管理するため、抽出は高価値のイベントサブカテゴリ（例：破産、清算）に限定されます。LLM は、温度 0.0 で強制された JSON を返すように制約されます。
• フェーズ 3：決定論的アイデンティティ解決：表記のバリエーション（例：「John Doe」対「Doe, John」）や重複エントリに対処するため、システムは厳格なNameHubメカニズムを採用します。名前は、アルファベットトークン化（小文字化、非英数字文字の除去、トークンのソート）を通じて正規化され、決定論的なキーを生成します。重複排除ステップで重複する NameHub をマージし、「弱ノード吸収」ステップで、検証済みの強ノードと一致する重複する LLM 抽出ノードを削除します。
• プライバシー層：オプションのポストプロセッシングステップでは、HMAC-SHA256 ハッシュを使用して個人識別情報（PII）を隠蔽しつつ、分析のためのグラフトポロジーを保持します。

2. 分析エージェントアーキテクチャ

エージェントは、直接データベースをクエリするのではなく、制御された多層ワークフローを通じて知識グラフ上で動作します。

• ゼロショット意図ルーター：分類器がユーザーのクエリを 5 つのセマンティック意図（例：search_companies、explore_network、analytics）のいずれかにルーティングします。これにより、利用可能なツールのペイロードが動的に制限され、「認知的過負荷」を防ぎ、エージェントが正しいデータベース操作を使用することを保証します。
• 有界エージェントリフレクションループ：エージェントは反復的にツールを選択し、JSON 引数を生成し、Neo4j グラフに対してそれらを実行します。ループは最大 4 回実行されます。ツールが失敗するか空の結果を返す場合、システムは決定論的フィードバックを注入し、エージェントが幻覚を起こすのではなく、構造化検索からグローバルテキスト検索へなど、方向転換（ピボット）できるようにします。
• 状態認識応答合成：厳格な有限状態機械（SSM）が対話フロー（例：曖昧さ解消 → ドossier → ネットワーク/履歴 → 深層検索）を制御します。これにより、エージェントは手続き的コンテキストを維持し、冗長なツール呼び出しを回避し、応答（例：Markdown テーブル、ドossier）を一貫してフォーマットします。

3. 探索型ダッシュボード

Next.js と React で構築された人間とループのインターフェースにより、ユーザーはグラフ（2 次元の力指向ネットワーク）を可視化し、エンティティプロファイルを検査し、チャットインターフェースを介してエージェントと対話できます。重要なのは、ダッシュボードが実行トレースを公開し、ユーザーがエージェントの推論ステップ、ツール呼び出し、および生データ取得をリアルタイムで検証できる点です。

主要な貢献

1. 新規アーキテクチャ：決定論的構造化取り込みと LLM ベースの非構造化抽出を統合するモジュール式のエンドツーエンド GraphRAG システムであり、生登記データと専門家分析の間のギャップを埋めます。
2. 評価フレームワーク：エージェントシステム評価に関する文献のギャップに対処する多段階評価プロトコル。フレームワークは以下の側面を測定します。
   • ティア 1：エンティティ解決精度（決定論的重複排除）。
   • ティア 2：エージェントの軌跡（ツール選択精度、フォールバック率、推論ステップ）。
   • ティア 3：LLM-as-a-Judge を使用した回答品質（正しさ、関連性、情報想起）。
   • ティア 4：対話の堅牢性（ターン成功、コンテキストの引き継ぎ）。
3. プライバシー保護設計：暗号化抽象化層の統合により、分析有用性を維持しながら、銀行や医療などの機密環境でフレームワークをデプロイ可能にします。
4. オープンソース：データ収集、グラフ構築、エージェント実装、およびダッシュボードのためのコードとデータを提供し、完全な再現性を保証します。

結果

システムは、SHAB データセットを使用して、標準的なエージェント型ベクトル RAG ベースラインと比較評価されました。

• エンティティ解決：決定論的重複排除層は、表記バリエーションのマージにおいて97.15% の精度を達成しました。
• エージェント軌跡：エージェントは高い**ツール選択精度（88%）を示し、非構造化テキスト検索よりも構造化グラフルックアップを適切に優先しました。クエリ成功率は100%**で、クエリあたりの平均推論ステップ数は 1.7 でした。
• 回答品質：Agentic GraphRAG は、すべての品質指標においてベクトルベースラインを大幅に上回りました。
  • 正しさ：手動キュレーションベンチマークにおいて、GraphRAG は 0.828、ベースラインは 0.143。
  • 情報想起：0.837 対 0.118。
  • 回答関連性：0.887 対 0.246。
• 対話パフォーマンス：マルチターンシナリオにおいて、GraphRAG システムは優れた**コンテキスト引き継ぎ精度（0.683 対 0.433）とターン成功率（0.750 対 0.333）**を示し、分析スレッドを維持し、共参照を効果的に解決する能力を実証しました。
• レイテンシのトレードオフ：ベクトルベースラインは、GraphRAG システムの多段階推論プロセスにより、より高速でした（約 4.3 秒対 12.5 秒）が、著者らはこのレイテンシが金融分析に必要な精度と監査可能性にとって不可欠であると主張しています。

意義と主張

本論文は、提案されたアーキテクチャが公的登記データの「実用的なパラドックス」を効果的に解決し、形式的にはアクセス可能だが断片化された記録を、探索可能で監査可能、かつ分析的に強力なリソースに変換すると主張しています。

著者らは、彼らの貢献がスイスの文脈に限定されるものではなく、法的および企業情報が構造化形式と非構造化形式の間に散在するあらゆる商業公報や公的登記システムに対する汎用可能なフレームワークを提供すると強調しています。彼らは、制御されたエージェント推論、グラフベースの検索、および透明性のあるインターフェースの組み合わせが、高リスクの金融および規制分野で信頼性の高い AI を構築するために不可欠であると述べています。この研究は、標準的なベクトル RAG がグローバル集約やマルチホップ推論において失敗するのに対し、GraphRAG アプローチは、厳格なコンプライアンス監査性を維持しながら、複雑で専門家レベルの調査を可能にすることを浮き彫りにしています。

論文は控えめに結論付け、データセットの規模によるフルコーパス想起の計算 inability や、フォーマットに敏感になり得る LLM ベースのジャッジによる評価への依存など、限界を認めています。しかし、このシステムは、公益分析および民間部門コンプライアンスにおける将来の作業のための堅牢な基盤を提供すると提唱しています。