ナレッジグラフ
Knowledge Graph
ナレッジグラフとは?
- 実体と関係をつなぐ知識ネットワーク
- 検索・推薦・AI理解を支援
- ハルシネーションの抑制にも活用
ナレッジグラフを導入すると、データを扱う単位が「文書」から「実体」に変わります。社内検索窓に「昨年リーダーシップ研修を担当した講師」と入力すると、従来のシステムはその文章を含むファイルを十数件ほど返します。ナレッジグラフがあれば「講師」という実体を直接見つけ、所属・経歴・講義評価まで付けて一行で答えます。探す対象がファイルから事実そのものへ移ることが実務で最初に実感され、誰が尋ねても同じ答えが返る一貫性が生まれます。
構築方式は大きく二つに分かれます。RDFトリプルは「主語-述語-目的語」の三つの欄で事実を書き、標準化と外部データ連携に強いです。プロパティグラフ(LPG)はノードと関係に属性を付けられるので、社内システムに接続しやすいです。どちらでも関係の種類をあらかじめ定義したスキーマがなければ、グラフではなく落書きになります。ベクトル検索とも区別すべきです。ベクトルは「似たもの」を探し、グラフは「つながったもの」をたどるため、「自社の本部長が全員受講した研修」のように条件が重なる質問はベクトルだけでは正確に解けません。
始めの規模は思ったより小さくても構いません。ノードの種類5〜10個、関係の種類15個前後あれば、社内の質疑応答の大部分は回ります。本当の負担は作る費用ではなく維持する費用です。組織改編が一度あれば「所属」関係が数百件まとめて狂うからです。HR・LMSのような元のシステムから自動で同期されるパイプラインを先に敷かなければ、半年後には誰も開かないグラフだけが残ります。
現場で最もよく食い違うのは同姓同名と類似した名称です。「キム・ミンス チーム長」が3人いて、「AI基礎」と「AI入門」が事実上同じ研修なのに別々のノードとして入ると、グラフはエラーメッセージもなく静かに誤った答えを出します。LLMにつないでおくと、その誤った事実が自然な文章に包まれて、そのまま役員報告書に載ります。ノードを多く入れるほど良いグラフだという考えが最も危険で、実際には重複した実体を統合する整理作業に構築工数の半分が入ります。
意味ウェブ研究に根を持ち、2012年にGoogleが「Knowledge Graph」を検索に導入したことで広く知られるようになりました。
仮の事例で見ていきます。役職員1,400名規模の自動車部品メーカーA社では、研修履歴がLMS、部署別のExcel、メールの決裁箱に散らばっていました。「昨年スマートファクトリー研修を修了した生産技術職の名簿」を抽出するだけで2日半かかり、昇進審査の時期になるたびに人事チームと現場が互いに異なる数字を持ち寄っていました。4か月かけて社内のナレッジグラフを作った記録です。
- 人事チームのイ次長が「人によってExcelが違うので、誰の話が正しいのか分からない」と言ったのが出発点でした。最初の2週間は、研修データの原本7種がどこにあるかを探し回るのに費やしました。
- ノードの種類を人・部署・研修・職務・資格の5つに絞り、関係は「受講する・必要とする・所属する」など12種類だけ残しました。初案では30個まで増やしてから戻した結果でした。
- 研修名の表記1,830件を420件に統合するのに6週間かかりました。「AI基礎」「AI入門」「Ai基礎(再)」がすべて同じ研修だと、教育運営の朴代理が一件ずつ照合しました。
- LMSと人事システムを夜間バッチで連動させ、毎日早朝3時に同期するようにしました。組織改編が確定すると「所属」関係が自動で更新されるように接続しました。
- これまで2日半かかっていた名簿抽出が30秒に短縮され、職務別の必修コース未修了者312名が初めて一画面に表示されるようになりました。昇進審査資料への異議申し立ては年27件から3件に減りました。
金鍾赫(キム・ジョンヒョク)
パク・ソリョン