Executable Schema Contracts: From Automatic Ingestion to Multi-Source Retrieval
本論文は、生のマルチソースデータから実行可能なスキーマ契約を自動的に発見することで、ナレッジグラフの構築を導き、かつマルチツール・リトリーバル・エージェントを条件付けるシステムを提示するものであり、構造化され、追跡可能で、スキーマを意識したエビデンス統合を可能にすることにより、ベースラインの手法と比較して質問回答性能を大幅に向上させている。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、巨大なミステリーを解こうとしているところだと想像してください。しかし、手がかりは混沌とした部屋の中に散らばっています。ある手がかりは整然とした台帳（テーブル）に書かれ、あるものは付箋（PDF）に走り書きされ、またあるものは乱雑なデジタルログ（JSON）であり、さらにあるものはホワイトボード上のランダムなメモです。
現在、このミステリーを解こうとしているほとんどのAIシステムは、懐中電灯だけを手に取り、何も考えずにランダムに読み始める探偵のようなものです。彼らは手がかりを見つけることはできても、その手がかりがどのように結びついているのかを理解できないため、多くの場合、繋がりを見落としてしまいます。彼らは、台帳の名前が付箋の名前と一致していることや、あるメモが別のメモの「子」であるといったことを判別できません。
この論文は、探偵が捜査を開始する前に、まず部屋の「設計図」を作成する超組織的な建築家のような、新しいシステムを紹介しています。
その仕組みを、簡単なステップに分けて説明します。
1. 「自動設計図」（スキーマ発見）
人間が数週間かけて物の配置図を描くよう求める代わりに、このシステムは生の乱雑なデータを見て、そのルールを自動的に導き出します。
- 問題点: AIはしばしば「ハルシネーション（幻覚）」を起こします（事実を捏造すること）。例えば、データには「売上（Revenue）」しかないのに、勝手に「利益（Profit）」という列を捏造してしまうことがあります。
- 解決策: システムは**「クローズド・ワールド・カタログ（閉じた世界の目録）」**を作成します。これは、「データ内に実際に存在する物についてのみ話してよい」という厳格なルールブックのようなものです。もしAIが新しい項目を捏造しようとすると、システムは「いいえ、それはカタログに存在しません」と拒否し、実在するものに固執させます。
- 結果: これにより、**「スキーマ契約（Schema Contract）」**が構築されます。これは、「『製品』とはどのようなものか」「『取引』とはどのようなものか」、そして「それらがどのように接続されているか」という共通の合意事項です。
2. 「知識グラフ」の構築（整理されたライブラリ）
設計図の準備ができたら、システムはその設計図を用いて、乱雑なデータを「知識グラフ」と呼ばれる、整理され、相互に接続されたライブラリへと整理します。
- 魔法の仕組み: 単にデータを放り込むのではありません。設計図を使用して、関係性を特定します。
- 識別キー（Identity Keys）: あるファイル内の「ID: 123」が、別のファイル内の「ID: 123」と同じ人物であることを理解します。
- 外部キー（Foreign Keys）: 売上テーブルの「注文番号#55」が、顧客テーブルの「顧客番号#99」に属していることを認識します。
- プロベナンス（由来）: すべての情報には、それがどの元の文書から来たのかを示す「レシート（領収書）」が付随しています。これにより、AIが回答を提示する場合、その証拠がどのページのどの行にあるのかを正確に指し示すことができます。
3. 「スマートな探偵」（クエリ実行時の検索）
あなたが質問をしたとき（例：「2018年の合併後、どの製品が最も利益を上げたか？」）、システムは単に推測するのではありません。答えを見つけるために**「設計図」**を使用します。
- ルーティング（経路選択）: システムは自問します。「スプレッドシートにある整然とした数字を見る必要があるか？ PDFにある長い文章を読む必要があるか？ それとも、異なるファイル間の接続の連鎖を辿る必要があるか？」
- 契約: AIは設計図を持っているため、どのツールを使うべきかを正確に把握しています。目的もなく彷徨うのではなく、設計図が接続されていると示している場合にのみ、スプレッドシートからPDFへと直接的な経路を辿ります。
- セーフティネット: もし質問が設計図の知らないこと（例：まだ追加されていない新製品について）であった場合、システムは設計図を一時的に「拡張」して対応するか、あるいは作り話をせず、知らないと認めることができます。
なぜこれが現在の方法よりも優れているのか？
著者らは、標準的なAI検索や、設計図なしに接続関係を推測しようとするシステムと比較して、この手法をテストしました。
- 結果: 「設計図システム」は、異なる情報源を組み合わせる必要がある複雑な質問に答える能力において、他の手法よりも大幅に優れていました。
- 比喩:
- 従来の方法（RAG）: 図書館司書に向かってキーワードを叫んで本を探してもらうようなものです。彼らは「利益」という言葉を含む本は見つけるかもしれませんが、それは間違った本かもしれません。
- 今回の方法: すでに完璧なインデックスカード・システムを構築した司書がいるようなものです。彼らは、どのカードが利益の数字を指し、どのカードが合併の日付を指し、それらをどのように繋ぎ合わせて正確な答えを出すかを正確に知っています。
まとめ
この論文は、乱雑なデータの**厳格で実行可能なマップ（スキーマ）**を、質問に答える「前」に自動的に作成することで、AIシステムはより正確で信頼性が高く、かつ「どこからその答えを見つけたのか」を説明できる能力を持つようになる、と主張しています。これは、混沌とした手がかりの部屋を、よく整理されたライブラリへと変え、探偵の仕事をより容易にし、結果をより信頼できるものにするのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。