コンテンツにスキップ

まとめ

これで Vector Search ハンズオンは完了です。お疲れ様でした 🍺

学んだこと

Building Blocks + IBM Bob の価値

  • 開発時間の大幅短縮: 数日〜数週間かかる開発を約 90 分で完了
  • 高品質な実装: ベストプラクティスに基づいたコード生成
  • 自然言語での指示: プログラミング知識がなくても機能追加が可能

実装した機能

  1. 商品画像の表示: 検索結果に画像を追加
  2. 価格フィルター: 価格帯で絞り込み
  3. レコメンド理由: なぜその商品がおすすめなのかを表示
  • 言葉の「意味」を理解して検索する
  • 従来の文字検索と違い、言い方が違っても似た意味なら見つかる
IBM 製品における活用例
  • watsonx Discovery: 大量の文書から関連情報を自動抽出し、ユーザーの質問に対して最適な回答を提示（商品画像の表示）
  • watsonx Assistant: 顧客からの問い合わせ内容を理解し、過去の類似事例から最適な回答を自動生成（価格フィルター）
  • watsonx Orchestrate: 業務プロセス全体を理解し、ユーザーの意図に応じて適切なワークフローを自動実行（レコメンド理由）
身近なサービスにおける活用例
  • Google 検索: 入力した言葉と完全一致しなくても、意味が近いページや質問への回答候補を見つける（レコメンド理由）
  • Amazon: 商品名が分からなくても、説明や用途が近い商品を探したり、似た商品をおすすめしたりする（商品画像の表示、価格フィルター、レコメンド理由）
  • YouTube: 視聴履歴や動画内容の近さから、次に見たい動画や関連動画を提案する（商品画像の表示、レコメンド理由）
  • Netflix: 見た作品のジャンル、雰囲気、視聴傾向に近い作品をおすすめする（商品画像の表示、レコメンド理由）
  • Spotify: 好きな曲やプレイリストに近い音楽を見つけ、レコメンドや自動プレイリストに反映する（商品画像の表示、レコメンド理由）
  • Instagram: 写真、動画、ハッシュタグ、興味関心の近さから投稿や広告を並べ替える（商品画像の表示、レコメンド理由）
  • Facebook: 投稿内容やユーザーの関心に近いフィード、グループ、広告を表示する（商品画像の表示、レコメンド理由）
  • TikTok: 視聴・スキップ・いいねなどの行動から、好みに近い短尺動画を次々に推薦する（商品画像の表示、レコメンド理由）
  • Google フォト / Apple 写真: 「海」「犬」「夕焼け」などの言葉で、画像の意味に近い写真を探す（商品画像の表示）
  • ChatGPT / AI チャット: 質問に近い社内文書やナレッジを探して、回答の根拠として利用する（レコメンド理由）

本番環境への展開

現在の構成（学習用）

  • Hugging Face + Milvus: 完全無料、オフライン対応、学習に最適

IBM 製品への移行

  • watsonx.ai: エンタープライズグレード、高度なモデル、商用サポート
  • watsonx.data: 大規模データ統合、ガバナンス機能、ペタバイト対応

選択ガイド

規模 推奨構成
学習・PoC Hugging Face + Milvus
小規模本番 Hugging Face + Milvus
中規模本番 watsonx.ai + Milvus
大規模本番 watsonx.ai + watsonx.data

顧客システムにおける価値

Vector Search を顧客の既存システムに組み込む場合、単に検索 API を作るだけでなく、データ連携、埋め込み生成、ベクトル DB、検索 API、画面表示、運用設計までをつなぐ必要があります。Vector Search Builder + IBM Bob を使うことで、技術選定と実装の土台を再利用しながら、顧客固有の要件に集中できます。

Vector Search Builder なしで顧客システムに組み込む場合:

Vector Search Builder なしで顧客システムに組み込む場合

Vector Search Builder + IBM Bob で顧客システムに組み込む場合:

Vector Search Builder + IBM Bob で顧客システムに組み込む場合

この違いにより、プロジェクトでは以下の価値を出しやすくなります。

  • 立ち上がりが速い: Vector Search の基本構成を短時間で用意できる
  • 顧客要件に集中できる: 業務データ、画面、検索条件、説明文などの差別化部分に時間を使える
  • 改善を回しやすい: IBM Bob に自然言語で依頼しながら、検索結果や UI を素早く調整できる

課題

発展課題: Agentic RAG における検索手法の比較

テーマ: Agentic RAG における Lexical Search と Vector Search の Harness Engineering による差異について調査してみましょう！

調査のポイント

  1. Lexical Search（語彙検索）

    • キーワードマッチング、BM25 などの従来型検索
    • 完全一致や部分一致による検索精度
    • Agentic RAG での活用シーン

  2. Vector Search（ベクトル検索）

    • 意味的類似性に基づく検索
    • 埋め込みモデルによる表現学習
    • Agentic RAG での活用シーン

  3. Harness Engineering（ハーネスエンジニアリング）

    • 両手法の組み合わせ方
    • ハイブリッド検索の実装パターン
    • スコアリングと再ランキング戦略

  4. Agentic RAG における差異

    • エージェントの意思決定への影響
    • 検索精度と応答品質の関係
    • コストとパフォーマンスのトレードオフ

推奨アプローチ

  • 実際のユースケースで両手法を比較実装
  • 検索精度、応答時間、コストを定量評価
  • Building Blocks の Agent Builder モードを活用
  • 評価結果をドキュメント化して共有

この課題を通じて、RAG システムの設計における重要な意思決定ポイントを理解できます。

参考資料