はじめに

みなさん、こんにちは！👑✨ 優雅にコードを書く、開発初心者エンジニアの私が、初めてAIを活用したシステムを開発しました！🌟 派手な色が大好きで、特に紫には目がありません💜 今回は、社内学習の一環としてAIを使った問い合わせチャットボットを作ったので、その成果と感想をシェアします！

このプロジェクトでは、以下の技術を使いました！👇

OpenAI API：AIの知能を活用して質問に答えてくれるGPTモデル。
PostgreSQL（pgvector 拡張）：AIの記憶として働くベクトル検索データベース。
Flask：アプリの脳みそ（APIバックエンド）。
tiktoken：AIとスムーズに会話するためのトークン制御ライブラリ。

「初学者でもこんなに楽しんで開発できるんだ！」ということを伝えたいと思います😊💜

🛠 使ったAI技術の詳細

1. OpenAI GPT モデル ✨

🧩 埋め込み生成（Embeddingって何！？）

AIが「この文章の意味ってこんな感じかな？」と理解するために、text-embedding-ada-002 モデルを使って文章を数値化（ベクトル化）しました！

Embeddingとは？
テキストを数値（ベクトル）に変換し、類似したテキスト同士を見つける技術です。
例えば、

「返品ポリシーを教えてください」
「返金のルールについて知りたい」

この2つの質問は単語は違いますが、意味が似ています。Embeddingを使うことで、この2つを同じような数値（ベクトル）に変換し、似た内容として認識できます！

ざっくり流れ：

ユーザーの質問やデータを入力
モデルが文章をベクトル（数値配列）に変換
AIがベクトルを比較して「似ている文章」を探す

embedding = openai.Embedding.create(
    model="text-embedding-ada-002",
    input="返品ポリシーを教えて"
)
vector = embedding["data"][0]["embedding"]

この vector をデータベースに保存し、類似検索に使います。

📝 AIが回答を生成する仕組み

質問を受け取ると、GPT-4に問い合わせて、適切な回答を生成します！

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "あなたは役に立つアシスタントです！"},
        {"role": "user", "content": "ユーザーの質問内容"},
    ]
)

GPTさん、天才ですね…！🤖✨

2. 🗂 ベクトル検索とコサイン類似度

従来の「キーワード検索」ではなく、文章の意味 を基に検索できるベクトル検索を採用！

PostgreSQL の pgvector 拡張 🌟

データを記憶するために pgvector を使いました！

検索の流れとコサイン類似度

🔹 ユーザーの質問：「返品ポリシーを教えてください」

ユーザーの質問をベクトルに変換 🧠
- text-embedding-ada-002 を使って、質問の意味を数値（ベクトル）に変換します。
  　
データベースのベクトルと比較して、最も似ている情報を探す 🔍
- 類似度の計算には コサイン類似度（cosine similarity） を使用。
- これは、2つのベクトルの角度を基に類似度を測る方法で、値が 1に近いほど類似している ことを示します。
  　
最も類似度が高いFAQを取得し、回答を生成 ✨
- 返品に関する情報が最も類似しているため、「返品は30日以内で可能です。」を取得。

🔹 コサイン類似度を用いた検索クエリ

SELECT content, (1 - (embedding <=> %s)) AS similarity
FROM embeddings
ORDER BY similarity DESC
LIMIT 5;

この方法を使うことで、単語が完全に一致しなくても 意味の近い回答 を見つけられるのが大きなメリットです！✨

3. 📏 AIのためのトークン制御（tiktoken とは？）

AIは一度に長い文章を処理できないので、適切に文章を分割する tiktoken を使いました！

トークンとは？
GPTは「トークン」という単位で文章を処理します。
例えば、

「こんにちは、今日はいい天気ですね。」 → 10トークン
「Hello, today is a nice day.」 → 7トークン

GPTにはトークンの制限があるので、長すぎる文章は分割して処理する必要があります。

💡 tiktoken の活用ポイント

テキストを短く分割し、512トークン以内に調整！
無駄な改行や空白を削除！

import tiktoken

enc = tiktoken.encoding_for_model("gpt-4")
text = "これは長い文章です...（省略）"
tokens = enc.encode(text)
if len(tokens) > 512:
    tokens = tokens[:512]  # 512トークン以内にカット

これを使えば、AIがスムーズに処理できます！

🎮 システム全体の動き

ユーザーが質問を送る 📨
質問をベクトル化して類似情報を検索 🔍
AIが回答を生成し、返答！ 🤖
回答を保存して、未来の問い合わせにも対応！ 📂
　
開発中、AIがどんどん賢くなっていく感じがして、まるで育ててるようでした…！💜
このシステムの詳細な設計や実装については、次回の投稿で解説します！

🚀 今後の改善ポイント

キャッシュ導入で高速化！⚡️
多言語対応をしてみたい！🌍
もっと見た目も紫でオシャレにしたい💜！
スマホ対応のUI

💡 まとめ

初めてのAI開発、とっても楽しかったです！😆🎉

・AIが文章を理解する仕組みが学べた！
・ベクトル検索の凄さを実感！
・FlaskやDB操作も実践できた！

何より「コードを書く楽しさ」を再確認できました💜

「AIって面白い！」と思ってもらえたら嬉しいです！

また次の開発にも挑戦します！✨

📚 参考リンク