0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Google Cloudで作るAIエージェントを実際に作ってみた

0
Posted at

対象読者

  • 前回の「Google Cloudで作るAIエージェントを検討してみた」の続きが気になる人
  • Gemini, Google ADK,Cloud Runを使ってAIエージェントを実装してみたい人
  • AIエージェントを「チャットボット」で終わらせず、実際の業務フローに組み込みたい人
  • AIエージェントを考えてみたものの、「実装すると何が難しいの?」が気になる人

TL;DR

  • 前回検討した、企業の暗黙知を継続的に集めて「企業の記憶」にしていくAIエージェントを、Knowledge Farmer として実際に作ってみた
  • 検討時は多数の専門Agentを想定していたが、実装ではまず Orchestrator, Research, Knowledge の3体まで削った
  • 「AIが次に何を見るべきかを自律的に変える」の最終形はまだ未完成。まずは 企業理解 → 追加質問 → ナレッジ形成 のループをMVPとして実装
  • BigQuery Graphも、node, edgeやKnowledge Graph UIの土台までは作ったものの、GQLを使った高度な関係探索やAgentからの自律利用は今後
  • 実装して一番困ったのは、AIが「完了しました!」と言っても、本当にToolが成功したとは限らないこと
  • そこで、AIの返答ではなく BigQueryやCloud Storageに本当に成果物ができたか をBackend側で確認するようにした
  • Google Cloud上でAIエージェントを作っているのに、開発中はOllamaとBigQuery Emulatorをかなり使った。これは裏切りではなくコスト最適化です。

はじめに:検討したので、今度は本当に作ってみる

前回、

「AIエージェントに向けたGoogle Cloudで検討してみた」

という形で、

Google Cloud上でAIエージェントを作るなら、何をAIに任せると面白いだろう?

というところから構成を考えました。

そこでたどり着いたのが、

観測
 ↓
知識化
 ↓
変化を発見
 ↓
仮説
 ↓
次に見るべきものを変える
 ↓
また観測

という、

企業が継続的に学習するためのAIエージェント

です。

単なるAIコンサルタントではなく、

「この会社はこうすべきです」

と結論を出すのではなく、

「最近ここが変わっていませんか?」

「この仮説を確認するために、
 次はここを見た方がよさそうです」

と、人間がまだ気づいていない変化を継続的に拾う。

そんなものを作ろうと考えました。

そして今回、

実際に作ってみました。

名前は、

Knowledge Farmer

です。

ProtoPediaでも現在、**「企業の暗黙知を資産につなげるエージェント」**として開発中の状態で公開しています。

Knowledge Farmerは、主に中小企業の現場に散らばる暗黙知、会話、経験、顧客の声、経営者の仮説を、AIエージェントが継続的に引き出し、整理し、改善に使える知識資産へ育てるサービスです。

ただし。

前回考えたものを、

設計書
 ↓
実装
 ↓
完成!

と、そのまま作れたわけではありません。

実際にコードを書き始めると、

色々変わりました。

今回はそのあたりも含めて紹介します。


1. 前回考えていた理想形

まず、検討時に目指していたのは、

情報収集
 ↓
ナレッジ形成
 ↓
検索可能化
 ↓
関係性可視化
 ↓
変化発見
 ↓
仮説
 ↓
追加観測
 ↓
組織学習

というループでした。

AIエージェントもかなり細かく分けていました。

例えば、

Discovery Setup Agent

Research Agent

Competitive Intelligence Agent

Knowledge Curator Agent

Knowledge Formation Agent

Observation Agent

Discovery Agent

Strategy Copilot Agent

Execution Tracking Agent

など。

さらにデータ側も、

Cloud Storage
Elasticsearch
BigQuery
BigQuery Graph
LLM Wiki
Vertex AI

と役割分担する構想でした。

考えているときは非常に楽しいです。

構成図も強そうになります。

Agentもたくさんいます。

Google Cloudのサービスもたくさんあります。

非常にAIエージェントっぽい。

問題は、

これを全部作る必要がある

ということでした。


2. 最初の変更:Agentを減らした

ということで、

最初にやったのが、

Agentを減らすこと

でした。

最終的なMVPでは、

の3体です。

Agent 役割
Orchestrator Agent 全体フローの制御
Research Agent 不足情報の追加調査
Knowledge Agent 企業ナレッジの形成

検討段階では、

Knowledge Curator
Knowledge Formation
Observation
Discovery
...

まで細分化していました。

でも実際に実装してみると、

Agentを増やすたびに、

誰がこのToolを持つ?

この処理はどちらが担当?

どこでAgentを切り替える?

状態は誰が持つ?

失敗した場合はどこへ戻す?

Agent間で同じことを始めたら?

という問題も増えます。(そもそも作業量的に無理だったのもありますが...)

そこでMVPでは、

「役割を分ける意味が明確なところだけ分ける」

ことにしました。

Multi-Agentだからといって、

Agentが8体いないと失格になるルールはありません。

多分。


3. まず作ったのは「企業理解を作るループ」

前回の最終構想は、

Observe
 ↓
Discover
 ↓
Hypothesize
 ↓
Change Observation
 ↓
Observe Again

でした。

ただ、いきなりここまでやるには、

そもそもAIが、

この会社は何をしているのか?

どんな顧客がいる?

何を売っている?

今何が課題?

何をKPIとして見ている?

を理解している必要があります。

そこで最初のMVPでは、

Continuous Discoveryの前段

に集中しました。

初期アンケート
 ↓
企業について理解
 ↓
AIが不足情報を判断
 ↓
追加質問
 ↓
追加回答
 ↓
Knowledge Formation
 ↓
KPI候補
 ↓
重点管理指標候補
 ↓
Knowledge Graph
 ↓
LLM Wiki

です。

つまり、

最初から、

企業を継続監視するAI

を作るのではなく、

まず、

企業についてちゃんと理解できるAI

を作ることにしました。

地味ですが、

ここを飛ばすと、

AIが何を観測すればよいかすら分かりません。


4. Research Agent:「入力してください」から「聞きに行く」へ

Knowledge Farmerでは、

最初に企業についてアンケートを入力してもらいます。

ただ、

アンケートだけでは情報が足りないケースがあります。

例えば、

最近、問い合わせが増えています。

という回答。

重要そうです。

でも、

何の問い合わせ?

どの顧客?

いつから?

商品は?

良い変化?悪い変化?

が分かりません。

そこで、

Research Agent

が追加質問します。

例えば、

どのような問い合わせが増えていますか?

特定の商品やサービスに偏っていますか?

問い合わせをする顧客層に変化はありますか?

という感じです。

ここは前回考えていた、

Push型情報収集

を実際に形にした部分です。

人間に、

詳細な日報を書いてください。

と要求するのではなく、

短い情報
 ↓
AIが不足箇所を判断
 ↓
AIから追加質問

にする。

ただし、

自由に質問させると、

AIが急に面接官になります。

なので、

1回最大3問

1問1論点

1分程度で回答可能

という制約を入れました。

経営者、現場、営業、バックオフィスなど、

回答者の役割によっても聞き方を変えています。

AIには、

たくさん質問する

のではなく、

次に必要な情報だけ質問する

ことを期待しています。


5. 実装して分かった難しさ①:Orchestratorが何でもやりたがる

Multi-Agentを実装していて、

かなり面白かった問題があります。

Orchestrator Agentに、

Wikiを書くTool

KPI候補を書くTool

Knowledge Graphを作るTool

などを全部渡してみると、

AIが、

わざわざKnowledge Agentに渡さなくても
自分でやればいいのでは?

という挙動をしやすくなります。

人間の組織でもありがちな、

「管理職が全部自分でやる問題」

です。

すると、

本来、

Orchestrator
 ↓
Knowledge Agentが分析
 ↓
成果物生成

としたかったのに、

Orchestrator
 ↓
いきなりTool
 ↓
とりあえず成果物

となる。

そこで、

Orchestratorには、

あえてToolを持たせすぎない

ことにしました。

Orchestrator
=
指揮・委譲

Knowledge Agent
=
分析・成果物生成

と責務を分離します。

AIエージェントでも、

権限を減らすことで役割分担を守らせる

というのは、実際に作ってみてかなり重要だと感じました。


6. Knowledge Agent:情報を「企業の知識」にする

Knowledge Agentは、

今回の中心的なAgentです。

Research Agentから得られた回答を使って、

企業プロフィール

KPI候補

重点管理指標候補

追加調査方針

Knowledge Graph用Node / Edge

LLM Wiki

などを作ります。

例えば、

最近、
Product Aについて、
小規模顧客から
価格が高いと言われることが増えた。

という回答。

単純に要約すると、

Product Aの価格への不満が増加している。

です。

Knowledge Farmerでは、

これを、

Customer Segment:
小規模顧客

Product:
Product A

Issue:
価格

Signal:
価格への懸念増加

のように構造化。

さらに、

小規模顧客
   ↓
価格への懸念
   ↓
Product A

というRelationも作ります。

つまり、

文章を保存するのではなく、企業の知識構造へ変換する

ことを狙っています。


7. BigQueryは「企業の知識」の構造部分

構造化したデータは、

BigQuery

に保存します。

例えば、

survey_responses

knowledge_nodes

knowledge_edges

kpi_candidates

focus_metric_candidates

research_followup_question_events

などです。

ここも検討時から少し考え方が変わりました。

AIエージェントを考えていると、

どうしても、

Embedding

Vector Search

RAG

に寄せたくなります。

でも実装してみると、

顧客

商品

KPI

課題

質問

候補

承認状態

など、

かなりの部分が普通に構造化データ

です。

なので、

構造化できるものはBigQueryへ。

数値を数えるならSQLへ。

AIになったからといって、

COUNT(*)

までGeminiに考えてもらう必要はありません。


8. BigQuery Graph:考えていたほど簡単ではなかった

検討時に、

かなり使ってみたかったものの一つが、

BigQuery Graph

でした。

例えば、

顧客
 ↓
課題
 ↓
商品
 ↓
KPI
 ↓
兆候

のような関係を、

単なるテーブルではなく、

Graphとして探索する。

これは、

企業の暗黙知を扱う

という今回のテーマとかなり相性が良いと思っています。

BigQuery GraphではBigQueryのテーブルからnode / edgeを定義し、GQLで関係をたどることができます。現在もGoogle Cloud公式上はPreview機能です。

ただ、

ここは現時点では、

まだ完全には作りきれていません。

現在実装しているのは主に、

knowledge_nodes

knowledge_edges

PROPERTY GRAPH用のDDL

Knowledge Graph表示用API

Graph UI

まで。

つまり、

Graphにするためのデータ構造と表示の土台

です。

一方、

検討時に考えていた、

Agent
 ↓
BigQuery Graphへ問い合わせ
 ↓
関係性を多段探索
 ↓
新しい兆候を発見
 ↓
Observation Agentへ渡す

というところまでは、

まだできていません。

またBigQuery Graph自体もPreviewのため、仕様や利用条件を見ながら実装する必要があります。Google Cloud公式でも、node / edgeによるProperty GraphとGQLによる関係探索を提供していますが、Pre-GAとして案内されています。

なので、

記事上でも、

BigQuery Graphを活用した

ではなく、

BigQuery Graphを活用するためのKnowledge Graph基盤を実装中

くらいが現在の正確な表現です。

ここは今後の宿題です。


9. 検討時のElasticsearchは一旦MVPから外した

前回は、

BigQuery
+
BigQuery Graph
+
Elasticsearch
+
LLM Wiki

の組み合わせをかなり真剣に考えていました。

Elasticsearchには、

商談メモ

日報

議事録

競合情報

などの全文検索やHybrid Searchを担当させる構成です。

考え方自体は今も有効だと思っています。

ただ、

MVPを実装する段階では、

一旦優先順位を下げました。

理由は単純で、

最初に確認したかった価値は、

検索できること

より、

短い企業情報
 ↓
AIが質問
 ↓
企業理解が深まる
 ↓
Knowledgeが形成される

という、

Knowledge Formation Loopそのもの

だったからです。

Elasticsearchまで入れると、

検索Index、

同期、

Embedding、

Mapping、

データの正本管理、

と考えることが一気に増えます。

なので今回は、

Cloud Storage
+
BigQuery

を中心にMVPを作りました。

作らなかったことも設計です。

これは実装段階でかなり意識しました。


10. LLM Wiki:人間とAIの共通知識

一方、

検討時から残したものが、

LLM Wiki

です。

Cloud Storage上に、

company_profile.md

kpi_definitions.yaml

focus_metrics.yaml

research_policy.yaml

manifest.json

などを生成します。

例えば、

tenants/{company_id}/wiki/current/

に現在版。

tenants/{company_id}/wiki/versions/{timestamp}/

に履歴。

という構成です。

BigQueryだけでも情報は保存できます。

ただ、

人間が、

AIはこの会社をどう理解している?

と確認したい場合、

BigQueryのテーブルを何個も見るのはつらい。

AI側も、

企業理解のたびに全データを再構成するのは効率がよくありません。

そこで、

BigQuery
=
構造化された事実

LLM Wiki
=
現在の企業理解

としました。

さらに、

Markdown
→ 人間

YAML / JSON
→ AI / Backend

の両方を作ります。

つまり、

人間とAIが同じ企業理解を共有する場所

として使います。


11. 実装して分かった難しさ②:「AIが成功した」と「処理が成功した」は違う

今回、

一番AIエージェントらしい問題だったのがこれです。

Agentが、

処理が完了しました。
Wikiを生成しました。

と返します。

こちらとしては、

お、成功した。

と思います。

Cloud Storageを見る。

ない。

これが起こります。

LLMにとって、

「完了しました」

という文章を生成することと、

Toolが実際に成功した

ことは別問題です。

そこで、

Backend側では、

Agentの最終メッセージを成功条件にしない

ことにしました。

例えばStage 1なら、

Agent実行
 ↓
「完了しました」
 ↓
BigQueryを確認
 ↓
追加質問が本当に作成されている?

Stage 2なら、

Agent実行
 ↓
Cloud Storage確認
 ↓
Wikiが本当に存在する?

今回の処理開始以降に更新されている?

まで確認します。

つまり、

AI:
「できました!」

Backend:
「では証拠を確認します。」

です。

AIには若干厳しい職場です。

でも、

ここは実際に作ってみて、

かなり重要だと思ったポイント

です。

AIエージェントの信頼性を、

AI自身の自己申告に任せない。

Side Effectを見る。

これはプロンプト改善より効く場面も多いと感じました。


12. 実装して分かった難しさ③:Human-in-the-loopを本当にコードにする

前回も、

AIに経営判断を任せすぎない、

という話をしていました。

今回、

それを実際に実装しました。

Knowledge Agentは、

KPI候補

重点管理指標候補

を作ります。

ただし、

すぐ正式採用はしません。

AI
 ↓
Candidate
 ↓
Human Review
 ↓
Approve
 ↓
Current Definition

です。

BigQueryでも、

kpi_candidates

と、

current_kpi_definitions

を分けています。

さらにTool側でも、

approved = true

がなければ正式定義へ昇格できないようにしました。

つまり、

System Prompt:
「勝手に変更しないでください」

だけではありません。

コードで止めます。

AIエージェントを実装してみると、

Human-in-the-loopは、

画面に「承認ボタン」を置くだけの話ではなく、

どの状態遷移をAIだけでは越えられないようにするか

というシステム設計の話なのだと分かりました。


13. 最終的なアプリケーション構成

最終的なMVPは、

こんな構成になりました。

主な技術は、

レイヤー 採用技術
Frontend Next.js / React / TypeScript
Backend FastAPI / Python
Agent Runtime Google ADK
LLM Gemini / Vertex AI
Local LLM Ollama
Data BigQuery
Graph BigQuery Graph ※一部開発中
Wiki Cloud Storage
Runtime Cloud Run
IaC Terraform
CI/CD GitHub Actions / Artifact Registry
Secret Secret Manager

14. Cloud Runは「3サービス」ではなく「3コンテナ」にした

検討時は、

Frontend

Backend

Agent Runtime

くらいの単位で考えていました。

実装では、

1つのCloud Run Serviceに3コンテナ

を同居させました。(コスト面的に複数サービスを立てたくなかったので...)

Cloud Runのmulti-containerでは、

1つのIngress Containerが外部リクエストを受け、

sidecarとはlocalhost経由で通信できます。

Google Cloud公式でも、

NginxをIngressとして別のWebコンテナへproxyする構成が案内されています。

今回も、

nginx
→ localhost:8000
→ FastAPI

と、

nginx
→ localhost:8081
→ ADK

です。

Cloud Runを3つ管理するより、

MVPでは一体として扱った方がシンプル。

一方で、

将来的にAgent処理が長時間化したり、

独立スケールが必要になれば、

分離も検討する必要があります。

この辺は、

設計段階では見えづらく、実装して初めて具体化したところ

でした。

Cloud Runのmulti-containerは、現在も公式に1つのIngress ContainerとSidecar間のlocalhost通信をサポートしています。


15. 実装して分かった難しさ④:開発中に毎回Geminiを使いたくない

AIエージェント開発では、

とにかく実行回数が増えます。

Prompt修正

↓

実行

↓

Toolがおかしい

↓

修正

↓

実行

↓

出力Schemaがおかしい

↓

修正

↓

実行

これを毎回クラウドLLMでやると、

当然コストもかかります。

そこで、

モデルは切り替え可能にしました。

ローカル
 ↓
Ollama

本番 / 品質確認
 ↓
Gemini / Vertex AI

です。

Agentの最終品質確認はGemini。

でも、

Agent Routing

Tool Call

Backendとの連携

BigQuery保存

Wiki生成

など、

システム部分の検証はOllamaでもかなりできます。

つまり、

LLM品質のテスト

と、

システムのテスト

を分けました。

この分離は実際かなり便利でした。


16. BigQueryもローカルにした

同じ理由で、

BigQueryについても、

開発時は、

BigQuery Emulator

を利用します。

Next.js

FastAPI

ADK

Ollama

BigQuery Emulator

までDocker Composeで起動します。

これによって、

Dataset作成

Table作成

アンケート保存

Node / Edge生成

API確認

をローカルで実施できます。

つまり、

Google Cloud上のAIエージェントを、
なるべくGoogle Cloudを使わずに開発する。

という構成になりました。

若干語弊があります。

もちろん本番はGoogle Cloudです。

クラウドを使わないためではなく、クラウドを効率よく使うためです。


17. 本番構成までDocker Composeで再現する

さらにDocker Composeには、

dev

sidecar

の2profileを作りました。

devは、

frontend
backend
agent
BigQuery Emulator
Ollama

などを起動する通常開発用。

一方、

sidecarでは、

nginx

back-sidecar

agent-sidecar

を起動します。

つまり、

Cloud Run本番の、

/
→ frontend

/api
→ FastAPI

/agent
→ ADK

という構成までローカル再現します。

これは、

実装していて、

Agent自体は動く

でもnginx経由だと動かない

といった、

AIとは一切関係ない問題

が普通に出てくるためです。

AIエージェントを作っている時間のすべてが、

AIを作っている時間ではありません。

現実です。


18. AIエージェントより先に必要だったもの:ハーネス

今回かなり意識したのが、

Harness Engineering

です。

最初は、

AgentのPromptをどうする?

どのModelを使う?

Agentをどう分ける?

に注目していました。

実装すると、

それ以上に、

失敗をどう検出する?

再現できる?

Toolが本当に動いた?

モデルを変えても検証できる?

本番構成をローカル再現できる?

が重要になります。

そこで、

ローカル検証ハーネス

Ollama

BigQuery Emulator

Filesystem fallback

Docker Compose

Cloud Run再現ハーネス

nginx

FastAPI

ADK

localhost通信

Agent Reliability Harness

AIの最終発言
      ×

実際のSide Effect
      ○

Test Harness

Backend Test

Agent Tool Test

Frontend Test

Golden Cases

Rubrics

を用意しました。

最初は、

AIを賢くすればなんとかなる

と思いがちです。

実装してみると、

AIが多少失敗しても、周囲の仕組みで検出できる方が強い

と感じました。


19. CI/CD側にもAI開発の仕組みを入れた

今回、

プロダクトの中でAIを使うだけでなく、

開発自体にもAIをかなり使っています。

そこで、

.ai-common

という共通基盤を用意しました。

例えば、

AI Review

Security Check

AGENTS Operating Standard

Cost Guard

Release Gate

PR Template

など。

PRでは、

AI Review
 ↓
Security Check
 ↓
Frontend Test
 ↓
Backend Test
 ↓
Agent Test

を実行。

デプロイは、

GitHub Actions
 ↓
Workload Identity Federation
 ↓
Artifact Registry
 ↓
Cloud Run

です。

GitHub ActionsからGoogle Cloudへの認証には、

Workload Identity Federationを利用し、

長期サービスアカウントキーを置かない構成にしました。

AIを使うことで、

開発のアクセルはかなり踏めます。

だからこそ、

ブレーキやガードレールもコードにしておく

ことを意識しました。


20. 検討時と実装後を比べるとこうなった

ここまでをまとめると、

こんな感じです。

検討時 実装後
多数の専門Agent Orchestrator / Research / Knowledgeの3体から開始
Continuous Discovery全体を実装 まず企業理解・追加質問・Knowledge Formationに集中
Elasticsearchも検索基盤として利用 MVPでは一旦見送り
BigQuery Graphで関係探索 node / edge・Graph UIの土台まで。高度なGQL探索は今後
AIが継続観測項目を自律変更 将来構想。一部のデータ構造・候補生成まで
Agentの回答で処理結果を判断 Side EffectをBackendが検証
Human-in-the-loopを設計思想として採用 Candidate / Approval / Currentをコードで分離
Google Cloud中心の実行 開発時はOllama / BigQuery Emulatorを積極利用
Cloud Runでホスト nginx / backend / agentのmulti-containerまで具体化

こうして見ると、

結構変わりました。

ただ、

これは、

最初の設計が間違っていた

というより、

大きな理想構成から、
MVPで価値を確認するために必要な部分を切り出した

という感じです。


21. 現時点で「できていること」と「まだできていないこと」

ここは正直に整理しておきます。

ProtoPediaでも現在のステータスは開発中です。Knowledge Farmerは暗黙知・会話・経験などをAIエージェントで継続的に引き出し知識資産へ育てるサービスとして公開していますが、最終構想のすべてが完成しているわけではありません。

現在できていること

初期アンケート

↓

ADK Agent起動

↓

Research Agentによる追加質問

↓

追加回答

↓

Knowledge Agentによるナレッジ形成

↓

BigQueryへの構造化保存

↓

KPI / 重点指標候補

↓

LLM Wiki生成

↓

Knowledge Node / Edge生成

↓

Human Approval

までが現在の中心です。

一部実装・検証中

Knowledge Graph UI

BigQuery Graph用PROPERTY GRAPH

AI品質評価

月次Report / Copilot

など。

まだ今後の部分

特に、

日々の内部・外部情報を継続収集

↓

Discovery Agentが変化を検知

↓

仮説を生成

↓

Observation Agentが
重点観測項目を変更

↓

Research Agentが再調査

という、

本来のContinuous Discovery Loop

はまだ完成していません。

BigQuery Graphも同様で、

現状はKnowledge Graphのデータを持つところが中心です。

今後、

GQLを利用して、

特定のKPI
 ↓
関連する課題
 ↓
顧客層
 ↓
現場発言
 ↓
兆候

といった多段探索をAgentから利用したいと考えています。

BigQuery Graphは現在もPreviewで、BigQueryのテーブルからnode / edgeを定義し、GQLによって関係パターンや経路を探索できます。


22. 実際に作って一番変わった認識

前回の検討段階では、

AIエージェントで重要なのは、

Multi-Agent

Autonomy

Tool Use

Memory

だと思っていました。

もちろん重要です。

でも、

実装して一番感じたのは、

それだけではシステムにならない

ということでした。

実際には、

Agentは本当にToolを呼んだ?

DBには入った?

途中で失敗したら?

同じ処理をもう一度実行したら?

AIの判断をどこまで信用する?

人間の承認はどこで入る?

モデルを変更したら?

どうテストする?

どうデプロイする?

という問題があります。

なので、

最終的には、

LLM

+

Agent

+

Tool

+

State

+

Data

+

Validation

+

Human Approval

+

Observability

+

Test

+

CI/CD

まで含めて、

AIエージェントシステム

なのだと感じました。

AIエージェントも、

ちゃんとソフトウェアとして作る必要があります。

ものすごく普通の結論です。

でも、

実際に作ってみるまで、

この「普通の部分」がどれくらい重要なのかは、

あまり見えていませんでした。


23. これから:Knowledge FormationからContinuous Discoveryへ

現時点では、

企業理解
 ↓
追加質問
 ↓
Knowledge Formation

までが中心です。

次にやりたいのは、

ここから、

Knowledge Formation
 ↓
Observation
 ↓
Discovery
 ↓
Hypothesis
 ↓
Next Observation
 ↓
Learning

へ伸ばすことです。

例えば、

価格関連の発言が増えた

というObservationから、

BigQuery / BigQuery Graphを使って、

小規模顧客
 ↓
Product A
 ↓
価格関連発言
 ↓
失注増加

のような関係を見つける。

するとAIが、

次は、

・競合への言及
・失注理由
・顧客属性別の成約率

を重点的に見た方がよさそうです。

と観測項目を変える。

そして、

また情報を集める。

ここまでつながると、

前回考えていた、

Continuous Discovery Agent

にかなり近づきます。


おわりに

前回、

「AIエージェントに向けたGoogle Cloudで検討してみた」

という形で、

観測
 ↓
知識化
 ↓
発見
 ↓
仮説
 ↓
追加観測
 ↓
組織学習

というAIエージェントを考えました。

そして今回、

実際に作ってみました。

結果、

当初の構成からは、

かなり削りました。

Agentも減らしました。

Elasticsearchも一旦外しました。

BigQuery Graphもまだ途中です。

Continuous Discoveryもまだ完成していません。

でも、

企業情報
 ↓
AIが追加質問
 ↓
企業理解を深める
 ↓
Knowledgeを構造化
 ↓
人間とAIが再利用できる形で残す

という、

最初のループは実際のWebアプリケーションとして動かすところまで持っていけました。

そして、

実際に作って一番学んだのは、

AIエージェントを作るということは、
賢いAIを作ることだけではなく、
AIが安全に仕事をできる環境を作ること

だということでした。

AIの返答を信用しすぎない。

権限を与えすぎない。

人間が決めるところを残す。

実際に処理されたことを検証する。

ローカルで再現できるようにする。

テストする。

CI/CDする。

結局、

かなりソフトウェアエンジニアリングです。

その上に、

自分で質問する

↓

情報を整理する

↓

次の問いを考える

というAIならではの挙動を載せていく。

この組み合わせが、

AIエージェントを実際に作る面白さなのかもしれません。

今のKnowledge Farmerは、

まだ、

「企業の記憶を作り始めた」

くらいの段階です。

ここから、

企業の変化を継続的に発見するAI

まで育てていきたいと思います。


参考

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?