自社データでサポートエージェントを学習させる方法

「ChatGPTを自社データで学習させる方法は？」という質問をよく受けます。ただ、カスタマーサポートの用途ではモデルをファインチューニングしたいケースはほとんどありません。AIに自社コンテンツから回答を検索・取得させ、そのコンテンツに基づいた回答を返させる仕組みが求められます。その仕組みと設定方法をご説明します。

ファインチューニングと検索取得（RAG）の違い

ファインチューニングはパターンをモデルに直接焼き込む手法で、コストが高く、時間がかかり、失敗するリスクもあります。一方、検索取得（RAGと呼ばれることが多い）はコンテンツを検索可能なナレッジベースに保存し、回答生成時に関連箇所をモデルに渡す仕組みです。サポート用途にはRAGが適しています。回答の正確さが維持され、コンテンツが更新されれば即座に反映され、出典の引用も可能です。

1. 情報源を集める

優れたサポートエージェントは、すでに手元にあるあらゆるコンテンツから学習します。

• ウェブサイト - 製品・料金・ヘルプのページ
• ドキュメント - PDF・Wordファイル・Markdown（マニュアル・ポリシー・運用手順書）
• ヘルプセンターまたはナレッジベース

2. ファインチューニングではなく、インデックス化する

ChatixyではURLを入力してファイルをアップロードするだけで、それらをチャンク化して1つのプライベートなナレッジベースにインデックス化します。ラベル付けが必要な学習データも、自前でホストするモデルも不要です。インデックス化は数分で完了します。

3. 根拠のある、出典付きの回答を保つ

エージェントはインデックス化した特定のページやドキュメントから情報を取得するため、すべての回答で使用した出典をリンクできます。質問がナレッジベースの範囲外にある場合、優れたエージェントは回答をでっち上げるのではなく、その旨を伝えて担当者へ引き継ぎます。

4. 常に最新の状態を保つ

コンテンツは変化するので、エージェントもそれに合わせて更新される必要があります。Chatixyはスケジュールに沿ってサイトを自動再クロールし、新しいドキュメントを公開したり料金を変更したりした直後に手動で再クロールをかけることも可能です。これにより、エージェントが古い情報を答えることはありません。

機械学習のスキルは必要ですか？

必要ありません。RAGアプローチのポイントはまさに、モデルではなくコンテンツを用意するだけでよい点にあります。リンクを貼り付けてファイルをアップロードできれば、自社データでサポートエージェントを学習させることができます。