• ツイート
• 

生成AIには社内データを活用するためのデータ基盤が必要

データ分析の民主化が進んでいる。以前は経営企画部門やデータサイエンティストなどの専門人材が社内のデータを分析していた。現在は、業務部門自らが分析するようになった。特に、生成AIによるデータ分析は、人事やマーケティングなど複数の業務領域で、業務の効率化など様々な用途で利用が進んでいる。

セゾンテクノロジー
川田 容志 氏

生成AIを全社で活用する上では、渡したデータを基に回答を生成するRAG（検索拡張生成）構成のシステムが必要になる。また、RAG構成においては、情報ソースとなる業務システムから信頼できるデータを取得する仕組みが重要である。「基幹システムからデータをどのように持ってくるかがポイントになります」と、セゾンテクノロジーの川田容志氏は指摘する。

セゾンテクノロジーは、社内に「データドリブンプラットフォーム」と呼ぶデータ基盤を構築済みである。基幹システムのデータを、まずはデータレイク（クラウドストレージ）にため、DWH（データウエアハウス）で管理し、目的別のデータマートを構築して可視化している。このデータ基盤を、BI（ビジネスインテリジェンス）用途や生成AI用途で使っている。

生成AIの具体的な利用シーンは、将来の予測である。例えば、「特定の社員が今後3カ月間でどれだけ残業するかを予測する」といったユースケースがある。「過去の実績を可視化するだけならBIツールでもできます。生成AIを使うことで未来の予測も容易になりました」と川田氏は言う。

残業時間を予測するユースケースでは、データソースとして、人事情報（人事システム）、勤怠情報（勤怠システム）、進捗情報（プロジェクト管理システム）、就業規則（人事システム）などを利用する。システム間でデータをやり取りするデータ連携ツールとして、ETL（抽出/加工/登録）ツールやiPaaS（クラウド型のデータ統合サービス）を使う。

生成AIで活用しやすい形でデータを整備する

「AIを活用する上では、まずは生成AIに渡すデータの品質が重要です」と川田氏は説く。生成AIの中核を成す大規模言語モデル（LLM）は、DWHに置いてある正規化済みのデータを理解できないので、LLMで使えるように加工したデータをデータマートに置く必要があるという。これに加えて、「どのテーブルに何のデータがあるのか」をカタログ化することも大切である。

例えば、LLMにテーブル形式のデータ（複数の項目を持つ複数行のデータ）を渡したい場合、リレーショナルデータベース（RDB）のように複数のテーブル（部門テーブル、社員情報テーブル、勤務情報テーブルなど）に分かれたものは相性が悪い。

これらから必要な項目を抽出して1つのテーブルにまとめることで、生成AIでも扱いやすくなる。さらに、テーブル名と項目名（列名）だけでなく、テーブル名の説明や項目名の説明も付与しておくことで、どのテーブルにどんなデータが含まれているのかが分かる。これにより、生成AIで扱いやすくなる。

また、「どのようなデータを1つのテーブルにまとめておくべきか」については、生成AIの利用状況を分析して可視化することで明らかになるという。生成AIに対する問い合わせの内容や、検索したキーワードなどから、どんな項目を含めておけばいいのかが分かる。

利用者のリテラシーの向上も重要である。生成AIのガイドラインを整備してシェアしたり、プロンプトの便利な使い方をシェアしたり、全社向けのeラーニングを実施したりする。セゾンテクノロジーも、eラーニングは全社必修実習を40時間以上実施した。これらが実を結び、2023年6月にリリースしてから半年後の2023年12月時点で、利用量は開始当初の3.8倍に増えた。

• 1
• 2

▲PageTop