RAGを用いた生成AI×自社データによる業務効率化の国内事例5選
はじめに
こんにちは。インターセクトの永澤です。
今回は、近年注目されている生成AI技術である「RAG」を紹介いたします。
RAGは、生成AIのサービスを理解するためにも、DXを推進するためにも重要な技術となります。
- 生成AIの導入を検討しており、解像度を高めるために技術的観点から活用事例を探している方
- RAG技術の導入を検討しているが、具体的な活用事例やメリットに悩んでいる方
- RAGを利用したプロジェクトの実績や成功事例について詳しく知りたい方
そんな皆様には必見の内容となっています！ぜひご一読お願いします。
RAGとは
RAG（Retrieval-Augmented Generation）とは、生成AIによる検索範囲を学習したデータ以外にも拡張する技術のことです。
従来の生成AIは、学習したデータの範囲内でしか回答を生成できませんでしたが、RAGは外部データを参照しながら回答を生成できるため、より網羅的で最新の情報に基づいた回答が可能になります。
特に効果を発揮するのは、インターネット上に公開されていない自社データベースと連携した生成AIの活用です。
例えば、
- 「社内の申請方法を教えて欲しい」
- 「勤怠システムの使い方がわからない」
- 「過去の社内事例に関して、情報をまとめて欲しい」
といった社内問い合わせに対して、RAGを活用することで生成AIがマニュアルやFAQ、過去事例などの社内文書から最適な情報を抽出し、回答として提供できます。
RAGの活用領域
RAGは生成 AI の検索範囲を拡張し、社内文書や蓄積ナレッジの活用を可能にする技術です。そのため、RAG の活用事例は、これらの情報を効果的に活用できる分野に多く見られます。以下は活用事例です。生成AIの回答を参考にさせてもらいました。
1. 企業内の情報検索・ナレッジマネジメント
- 社内文書検索・FAQ自動回答: 社内文書、マニュアル、過去のメールなどを学習させ、自然言語で質問に答えられるFAQシステムを構築。
- 専門知識の共有・活用: ベテラン社員のノウハウや暗黙知をRAGを用いて形式化し、若手社員への教育やトレーニングに活用。技術継承や人材育成を促進。
2. カスタマーサポート
- チャットボットの高度化: 従来のチャットボットでは対応できなかった複雑な質問やパーソナライズされた回答を、顧客情報や過去の対応履歴などを参照して生成。顧客満足度向上に貢献。
- 問い合わせ対応の効率化: 顧客からの問い合わせ内容を分析し、過去の類似事例や関連情報を自動で表示。オペレーターの負担軽減と対応時間の短縮を実現。
3. マーケティング・営業
- パーソナライズ化されたマーケティング: 顧客の購買履歴や興味関心に合わせて、最適な商品・サービスを提案。購買意欲の向上を促進。
- 営業資料の作成支援: 顧客情報や提案内容に基づいて、説得力のある提案資料を自動生成。
4. 研究開発
- 文献調査の効率化: 膨大な量の論文や研究データを必要な情報を学習させ、効率的に収集・分析。
- 新薬開発、材料開発: 過去の膨大な実験データや論文などを学習させ、新薬候補物質や新材料の探索を効率化。
事例①：LINEヤフー RAG活用の独自業務効率化ツール「SeekAI」を全従業員に本格導入開始
課題
LINEヤフー株式会社（以下、LINEヤフー）は生成AIの活用を積極的に推進しており、2024年7月11日現在、社内業務およびサービス開発において、合計22件のプロジェクトで生成AIが導入されています。特に、社内向け業務効率化ツール群の活用を通じて、年間70万時間から80万時間の業務時間削減を目指しています。
ソリューション
LINEヤフーは、社内情報アクセスを効率化する独自ツール「SeekAI」を開発しました。RAG技術を活用し、膨大な社内文書から最適な回答を従業員に提供することで、従来の情報検索時間を大幅に削減が可能になりました。先行導入では、エンジニアの技術情報検索やカスタマーサポート業務において、後者では約98%の正答率を達成するなど、大幅な効率化が確認されています。
（参考：LINEヤフー、RAG技術を活用した独自業務効率化ツール「SeekAI」を全従業員に本格導入。膨大な社内文書データベースから部門ごとに最適な回答を表示し、確認・問い合わせ時間を大幅に削減）
事例②：セゾンテクノロジー 生成AI活用しサポートエンジニアの回答作成時間を最大30%短縮
課題
株式会社セゾンテクノロジーのHULFT製品サポートセンターでは、サポートエンジニアはお客様からの問い合わせに対し、数万ページにも渡るマニュアルや FAQ、及び、膨大な過去の問い合わせ履歴から必要な情報を検索して回答を作成しており、若手のサポートエンジニアのスキル育成や、回答作成時の心理的負担を軽減したいことから、検索の効率化を検討していました。
ソリューション
これらの課題を解決するためにAmazon Bedrockにて、RAGを活用したAIチャットボットを開発し、過去の問い合わせやマニュアルから最適な情報を自動で抽出・回答する仕組みを構築しました。日本語の特性に最適化するため、複数の検索エンジンを組み合わせ、キーワード検索と意味検索を併用することで、高精度な情報抽出を実現。さらに、機密情報が含まれる場合は回答を制限するなど、セキュリティへの配慮も行われています。導入した結果、回答作成時間が最大30%短縮、業務効率が全体で約10%向上しました。
（参考：セゾンテクノロジー様の AWS 生成 AI 事例：Amazon Bedrock を活用してサポートエンジニアの回答作成時間を最大 30 % 短縮）
事例③：ゆめみ 新入社員向けのオンボーディング支援にRAGを活用した生成AIを導入
課題
株式会社ゆめみ（以下、ゆめみ）では、独自の制度や組織体制、変化の激しい環境に新入社員がスムーズに適応できるよう、社内情報などをまとめたハンドブックやセルフオンボーディングプログラムを提供していました。しかし、情報量の増加に伴い、新入社員が必要な情報にアクセスしづらかったり、メンターやバディもすべての情報を把握し切れていなかったりするなどの課題がありました。
ソリューション
これらの課題を解決するために、ゆめみはRAGを活用した生成AIベースのQAシステムをSlack上に構築しました。このシステムは、膨大な社内情報の中から、新入社員の質問に応じた適切な情報を自動で抽出し、分かりやすく回答することを可能にします。さらに、過去の会話履歴も踏まえることで、より的確な情報を提供します。これにより、新入社員は必要な情報を迅速に入手できるようになり、スムーズなオンボーディングを実現できるようになりました。
（参考：ゆめみ、新入社員のオンボーディング支援にRAGを活用した生成AIを導入）
事例④：ふくおかFG 融資業務向け生成AIで3割超の時間削減
(出典：https://xtech.nikkei.com/atcl/nxt/column/18/02825/050900001/)
課題
地方銀行は、少子高齢化や人口減少といった社会課題を抱える地域経済を支えるという重要な役割を担っています。しかし、限られた人員とリソースの中で、生産性向上や働き方改革への対応も求められています。特に、融資業務は銀行業務の中核を担う一方で、膨大な時間と手間を要する作業が多く、担当者の負担が大きい点が課題となっていました。
ソリューション
株式会社ふくおかフィナンシャルグループ（以下、ふくおかFG）は、IBMと連携し、生成AIを活用した「融資稟議書作成AI」の実証実験を行いました。過去の稟議書データなどを学習させた生成AIが、必要な情報を自動的に抽出し、稟議書のドラフトを作成することで、担当者の負担を軽減します。実証実験では、従来の手作業と比較して、稟議書作成時間を最大35%削減できるという結果が得られました。ふくおかFGは、今後も生成AIの活用範囲を拡大し、更なる業務効率化と顧客サービス向上を目指します。
（参考：基幹の融資業務で生成AIを活用｜ふくおかフィナンシャルグループのDX最前線 第一弾）
事例⑤：東洋建設 RAGを活用し、災害事例検索を進化
課題
東洋建設では、労働災害防止のため厚生労働省の労働災害データを格納し、災害傾向分析ができる危険予知ツールを導入していました。しかしながら、当社が独自に制定している「東洋建設災害防止基準」や「社内災害事例」等をあわせて参照するには、社内ポータルサイトを別途検索する必要がありました。また、文字情報のみの場合は検索時に欲しい情報を見つけづらい点や、職長に齟齬なく伝えることが難しい点が課題になっていました。加えて、調整会議時に「過去の成功・失敗事例等の施工関連資料があれば便利だ」という現場からの要望もありました
ソリューション
これらの課題に対し、東洋建設はRAG技術を用いた「K-SAFE東洋 RAG適用Version」を開発し、過去の災害事例や社内基準を統合データベース化し、ChatGPTに自然言語で質問できる機能を構築しました。RAGにより、質問に対する回答の根拠となる資料も提示されるため、説得力のある安全指導が可能となります。さらに、画像を用いることで、より直感的で分かりやすい情報共有を実現しました。
（参考：労働災害事例検索システム「K-SAFE 東洋 RAG適用Version」を導入）
RAGの課題
いかがでしたでしょうか。
ここまでRAGの活用事例を見てきたように、生成AIが独自の情報や最新の情報を踏まえて回答できるようになることで、利便性がかなり高まることは理解していただけたと思います。しかし、RAGはシステム構築や運用において、いくつかの課題も抱えています。
RAGシステム構築面
- 情報検索方法の最適化:
RAGの性能は、関連性の高い情報をいかに効率的に検索できるかに大きく依存します。そのため、大量の外部データソースの中から、ユーザーの意図を正確に捉え、最適な情報を迅速に取得できる検索アルゴリズムの選定が重要となります。しかし、現状では生成AIサービスの検索性能に課題を感じている企業が多く、精度向上は大きな課題となっています。
- 文書処理方法の最適化:
社内には、PDFやWordファイルなど、様々な形式の文書が存在します。RAGでこれらの文書を活用するには、テキスト抽出や構造化データへの変換といった処理が必須となります。特に、複雑なレイアウトや画像を含む文書の場合、高精度な処理は技術的に困難を極めます。
RAGシステム運用面
- トークン消費量:
RAGシステムは通常より多くのトークンを消費します。そのため、利用状況によっては、費用面での影響が大きくなる可能性があります。
- インフラとスケーラビリティ:
社内データの検索やデータベースへのアップロードなど、複数社員が同時にRAGシステムを利用する場合、膨大な負荷に耐えられるインフラが必要となります。
AIエージェントによるRAGの精度改善（Askhub）
インターセクトが開発したナレッジマネジメントAIツール「Askhub」は、従来のRAG技術の課題である回答精度の低さを克服するために、独自の（Exploration-Augmented Generation：XAG）と呼ばれる新しいアプローチを採用しています。Askhubでは独自開発したAIエージェントが、ユーザーの質問に対して、単に情報を検索するのではなく、その情報が本当に必要かどうかを判断しながら、データベース内を繰り返し探索します。そして、最適な情報源を見つけ出し、必要十分な情報のみを抽出することで、より高精度な回答を生成します。
また、Askhubでは、AIによる効率的な情報探索を可能にするために、データの抽出、加工、整理のそれぞれのプロセスでAI技術を活用し、データベースの最適化を行っております。営業資料などの複雑なレイアウトや画像を含む文書の場合でも、OCRによる情報抽出を行うことで、生成AIが読み取りやすい形でページのコンテキストを維持したままデータベースを構築することが可能です。
社内データを連携した生成AI活用なら「Askhub」。
インターセクトは、独自の情報探索AIを搭載した「Askhub」を提供しています。 Askhubは、社内に散在する非構造化データを整理し、誰でも簡単に必要な情報に生成AIを用いてアクセスできる環境を構築します。「どこに情報があるのかわからない」「特定の人しか情報を持っていない」といった課題を解消し、業務効率の大幅な改善を実現します。
Microsoft Azure・AWSの国内リージョンにも対応しており、安全な環境下で最新の生成Aモデルをご利用いただけます。さらに、個社ごとに管理しているクラウド環境へのデプロイプランもご用しており、セキュリティポリシーへの柔軟な対応が可能です。
Askhubを運用することで、セキュリティレベルを維持したまま、業務データを連携した生成AIの活用を可能にします。
詳細は下記リンクをご覧ください。
生成AIを活用した業務効率化の支援はインターセクトにおまかせ
インターセクトでは生成AIを活用した企業のDX化支援を行っております。実務での活用を視野に入れた素早いサイクルでのPoC検証を行い、最終の業務システムの構築まで一貫して支援させて頂いております。
生成AIやRAG構築に関するお悩みがございましたら、気軽にインターセクトまでご相談ください。
