コグニティブ検索とは何ですか?
コグニティブ検索は、人工知能 (AI) を使用して、さまざまな種類のクエリのために関連性のある正確な検索結果を迅速に見つける検索エンジンテクノロジーです。現代の企業は、マニュアル、よくある質問、調査レポート、カスタマーサービスに関するガイド、人事に関する書類など、膨大な情報をさまざまなシステムに保存しています。コグニティブ検索テクノロジーは、さまざまな情報の大規模データベースをスキャンし、データを相関させて、ユーザーの質問に対する回答を見つけます。例えば、ユーザーは、「昨年、機械の修理にどの程度の金額が支出されましたか?」などの質問をすることができます。 その後、コグニティブ検索は、関連するドキュメントに質問をマッピングし、特定の回答を返します。
コグニティブ検索にはどのような利点がありますか?
コグニティブ検索は、多くの利点を備えているため、有用な検索エンジンテクノロジーであると言えます。コグニティブ検索の主な利点の一部を次に示します。
自然言語を理解する
コグニティブ検索サービスは、ユーザーから詳細な情報が提供されなくても、非常に正確な結果を生成します。多くのソースを考慮し、構造化データと非構造化データをクローリングすることにより、正確な検索結果を生成できます。コグニティブ検索エンジンテクノロジーは、結果を返す際にコンテキストも理解します。自然言語処理 (NLP) を利用して、人間の言語から、コンテキスト、パターン、意味を判断します。
生産性を向上させる
コグニティブ検索は、複数のデータソースから得られた情報を組み合わせて、出力として包括的な応答を生成します。従来のキーワード検索では、複数のページにわたって必要な情報をすべて見つける必要があります。その後、その情報を自分自身で読み、分析し、要約します。
対照的に、包括的な検索機能を使用すると、多くのドキュメントから一度に回答を取得できます。必要なデータにより迅速にアクセスできるようになります。これにより、組織全体の生産性が向上し、データ関連のビジネスプロセスが合理化されます。
検索結果をパーソナライズする
コグニティブ検索は機械学習 (ML) を使用します。これにより、時間が経過するにつれて、ユーザーに合わせて結果がパーソナライズされます。同じ情報を繰り返し出力するのではなく、使用される際にデータと検索パターンを収集します。最初のクエリ後にユーザーがクリックする可能性が高い結果を記録することで、結果をより迅速に改善し、関連性の高い結果を生成します。 時間が経過するにつれて、スマートさ、正確性、有用性が増していきます。
コグニティブ検索のユースケースにはどのようなものがありますか?
コグニティブ検索は、自然言語処理や他の人工知能テクノロジーを使用して、正確な検索を実現します。コグニティブ検索が実行するステップの一部を次に示します。
データ取り込み
コグニティブ検索では、まず検索する際のソースとなる情報が必要です。使用したいドキュメント、ウェブサイト、E メール、内部リポジトリ、マニュアル、および他の情報からデータを取り込むことができます。光学文字認識 (OCR)、エンティティ認識、NLP 手法などの抽出手法を使用して、リソースから情報を抽出します。
抽出プロセスは、人間がコンテンツをカタログ化するのと同じように、コグニティブ検索が情報を理解できるようにすることを目的としています。
データのインデックス作成
データインジェスト後、コグニティブ検索は、指定されたすべての抽出情報の検索可能なインデックスを作成します。キーワードを使用してデータにタグを付けるだけでなく、メタデータ、データ間の関係、および補足情報を使用して、すべての情報を効果的にカタログ化します。
ユーザーが何かを検索する際に、コグニティブ検索は、関連する情報をより迅速に見つけるために、これらのインデックスを参照します。
ユーザー入力
ユーザーがコグニティブ検索に対してクエリを記述すると、コグニティブ検索は NLP を使用し、ユーザーが質問している内容を分解して理解します。従来のキーワード検索では、検索エンジンがキーワードを認識し、そのキーワードに一致するデータを生成します。
対照的に、コグニティブ検索は、クエリのコンテキスト全体だけでなく、ユーザーの個人的な要素 (好みなど) も理解しようとします。トークン分析やセマンティック分析などの NLP 手法を組み合わせて、ユーザーが検索から何を取得したいのかを理解します。
検索と取得
その後、コグニティブ検索はユーザーのクエリを使用して、データインデックスをスキャンし、リポジトリ内で関連情報を見つけます。インデックス内を移動して、最近傍を検索し、結果をレイヤーごとにフィルターで除外します。関連するすべての結果には関連性スコアが割り当てられます。コグニティブ検索は、スコアに従って結果を並べ替えることにより、最も関連性の高い情報を表示します。
継続的な改善
ユーザーは、コグニティブ検索を使用する際により多くのフィルターや詳細情報を追加して、さらに特定的な結果を生成できます。コグニティブ検索は、以前のやり取りに基づいてクエリに対するアプローチを改良します。
例えば、コグニティブ検索は、ユーザーが検索する内容と検索クエリの順序を記録します。通常、ユーザーがクエリの直後に特定の質問をする場合、コグニティブ検索は、フォローアップの質問に関する情報も先回りして含めます。
時間が経過するにつれて、コグニティブ検索は、ユーザーの検索クエリの背後にある感情や意味についても学習します。これにより、クエリに対する直接的な応答が改善されます。
例えば、誰かが特定の質問をすると、コグニティブ検索は特定の回答を返します。あるいは、より一般的な質問の場合、回答は長くなります。やり取りを常時記録してそこから学習することで、コグニティブ検索は、時間が経過するにつれて、より正確になり、より関連性の高い情報を提供するようになります。
コグニティブ検索はどのように機能しますか?
コグニティブ検索を利用して恩恵を受けることができる場面をいくつかご紹介します。
統合検索エクスペリエンス
コグニティブ検索を使用して、統合検索エクスペリエンスを作成できます。自然言語処理を使用するため、複数の非構造化データリポジトリおよび構造化データリポジトリから情報を取得することで、非常に詳細かつ正確な応答を得ることができます。複数のソースとデータ型を利用することで、データ駆動型の意思決定をより簡単に行うことができます。
例えば、バイオテクノロジー企業である Gilead Sciences, Inc. はコグニティブ検索に AWS を利用しています。同社はこのテクノロジーを利用して、構造化データと非構造化データの両方を整理します。情報は、最大 9 つのエンタープライズシステムとナレッジリポジトリのドキュメントから取得されます。
コグニティブ検索により、Gilead の手動データ管理タスクが大幅に削減されました。情報の検索にかかる時間が約 50% 短縮されます。これにより、価値のある研究、実験、製薬に関する画期的な進歩が促進されました。
セルフサービスボット
セルフサービスボットでコグニティブ検索ソリューションを利用できます。これは、オンサイトのカスタマーサポートの改善に役立ちます。特定のタスクや関数の実行方法を知りたいユーザーは、人間の言語で入力して、カスタマイズされた応答を得ることができます。コグニティブ検索は、さまざまなマニュアル、サポートドキュメント、リソースから情報を取得することで知識の発見をサポートします。
例えば、Citibot は AWS を利用して、市民、地方自治体、州政府のためにコミュニケーションツールを提供しています。同社は、有権者とのエンゲージメントのスケーラビリティと有効性を高めるために、チャットボットテクノロジーとコグニティブ検索を統合しています。市民はチャットボットを利用することで、求めている答えをすぐに見つけることができます。これにより、待ち時間が最大 90% 短縮されます。
データアーカイブの検索
多くの組織には、何百万ものドキュメント、画像、文字起こしされたテキストファイルを含む履歴データストアがあります。コグニティブ検索は、データストア内の情報を活用し、分析や研究のために要約することができます。
例えば、The Wall Street Journal はコグニティブ検索のために AWS を利用しています。コグニティブ検索は、Talk2020 の開発を加速するのに役立ちました。Talk2020 は、刊行物の読者が、過去 30 年間における大統領候補者による公に向けた声明を迅速に検索および分析するのに役立つインテリジェント検索ツールでした。このテクノロジーを利用して、音声パターンを詳しく調べて、テキスト分析を実行することで、一定期間にわたる問題を深く調査することがより容易になります。
従業員のオンボーディング
コグニティブ検索は、オンボーディングや新しいスキルの学習など、従業員が実行する必要があるセルフサービスタスクに役立ちます。従業員のためにクロスリファレンスとして機能します。マネージャーに問い合わせて、何かを行う方法を説明してもらう代わりに、コグニティブ検索にたずねることができます。この使用法は、セルフサービスタスクを合理化し、生産性を向上させるのに役立ちます。
例えば、Workgrid Software は AWS を利用して、従業員エクスペリエンスプラットフォームでソフトウェアソリューションを提供しています。これにより、仕事同士のつながりがより強化されるとともに、仕事がより効率的かつ生産的になります。コグニティブ検索を通じて、従業員は組織のデータベース内のデジタルコンテンツをクエリできます。これにより、業務の遂行中に生じた疑問に対する回答を得ることができます。
生成系 AI はコグニティブ検索をどのように改善しますか?
生成系人工知能 (生成系 AI) は、会話、ストーリー、画像、動画、音楽などの新しいコンテンツやアイデアを作成できる AI の一種です。生成系 AI は、コグニティブ検索を合理化し、ユーザーの意図をより深く理解して、全体的な応答を改善するのに役立ちます。次に、いくつかの例を示します。
コンテキスト分析
多くの生成系 AI ツールは、トランスフォーマーベースの機械学習モデルを使用します。これらのモデルは、テキストデータを分析してその意味を理解するためのニューラルネットワークを備えています。
トランスフォーマーベースの AI モデルは、自然言語の処理と理解に役立ちます。ユーザー、データのコンテキスト、およびユーザーの意図を考慮することで、クエリの背後にある真の目的をより深く理解できます。クエリの理解度が向上すると、コグニティブ検索は、より正確な情報を見つけて返すことができます。
結果の要約
生成系 AI は、大きなテキストを小さなセグメントに要約できます。コグニティブ検索は、さまざまなドキュメントの中で意味的に最も関連性のある部分を見つけることができます。その後、生成系 AI を使用してそれらを組み合わせ、ユーザーが求める内容を正確に返すことができます。生成系 AI は、返すテキストを理解し、冗長性を除去することで、結果の質を最大化することもできます。
コンテンツフィルタリング
生成系 AI は、ユーザーの承認、クエリの関連性、ユーザーの好みなどのさまざまなパラメータによってコグニティブ検索の結果をフィルタリングできます。結果テキストを生成する際に、ユーザーがアクセス権限を持つリソースのみを使用するようにできます。結果は、セキュリティを損なうことなく、関連性と有用性を維持します。
AWS はお客様のコグニティブエンタープライズ検索ソリューションをどのように改善できますか?
Amazon Web Services (AWS) は、コグニティブ検索ソリューションとして Amazon Kendra を提供しています。
Amazon Kendra は、機械学習を活用した、フルマネージド型の高精度で使いやすいコグニティブ検索サービスです。デベロッパーは Amazon Kendra を利用して、アプリケーションに検索機能を追加できます。これは、エンドユーザーが社内に散在する膨大な量のコンテンツ内に含まれている関連情報を発見できることを意味します。
Amazon Kendra の恩恵を享受する方法を次に示します。
- 構造化コンテンツリポジトリと非構造化コンテンツリポジトリの両方にわたって統合検索エクスペリエンスを実現する
- ML を利用したツールを使用してクエリ応答を提供する
- 回答の精度の向上に役立つ、フルマネージドの回答ランキング機能にアクセスする
- 独自の特定の基準に加えて、ユーザーの行動やコンテンツの鮮度などの他の属性に基づいて応答を微調整する
今すぐアカウントを作成して、AWS でコグニティブ検索の使用を開始しましょう。
