コンソールとビルダー
コンソール
•
STORMコンソールは、STORMが提供する各種ソリューションや製品の利用申請・設定管理を行うためのプラットフォームです。
•
アアカウントやチームの管理、ソリューション利用申請、利用料金の確認・精算などを、すべてコンソール上で一元的に操作していただけます。
エージェントビルダー
•
エージェントビルダーは、エージェントが対応すべきタスクの内容や挙動を細かく制御できる管理者向けツールです。
•
キュメントの登録・学習、プロンプトの設定、出力スタイルの調整など、エージェントの詳細な構成・チューニングを行う場としてご利用いただけます。
エージェントとは
STORMにおけるエージェントとは、特定の目的や機能を果たすために設計された、小規模かつ独立したAIユニットです。
それぞれのエージェントは、特定のタスクを処理したり、課題を解決する役割を持っています。
日常的なイメージとしては、エージェントは皆さまの業務を支援する**「デジタルアシスタント」や「バーチャルヘルパー」**のような存在です。
STORMプラットフォーム上では、各エージェントの担当タスクを柔軟にカスタマイズすることができます。
例えば、以下のようなエージェントを設計することが可能です：
メールの内容を分析し、返信案を提案するエージェント
ユーザーからのリクエストに応じてドキュメントを作成・要約するエージェント
メールの内容を分析し、返信案を提案するエージェント
ユーザーからのリクエストに応じてドキュメントを作成・要約するエージェントLLMとは
*LLM（Large Language Model／大規模言語モデル）**とは、大量のテキストデータを学習することで、人間のように言語を理解・生成できるAIモデルです。
簡単に言えば、「人間のように文章を読んで書けるAI」とお考えいただくとわかりやすいでしょう。
LLMの主な特徴
•
膨大なデータを学習:
→書籍、ニュース記事、Webページなど、数十億件規模のテキストデータから言語パターンを学習しています。
•
文脈の理解:
→質問や依頼の背景や意図を読み取り、適切な応答を生成します。
•
自然な文章の生成:
→短文から長文まで、読みやすく自然な文章を自動的に作成できます。
•
幅広いタスクに対応:
→質疑応答、要約、翻訳、文章作成、プログラミング支援など、多様な言語処理に活用できます。
LLMの活用例
•
情報の検索と要約: 例：「気候変動の主な原因は？」などの質問に対して、要点を整理して回答。
•
コンテンツ作成支援: 例：ブログ記事、社内メール、報告書のドラフト作成をサポート。
•
翻訳: 例：韓国語から日本語・英語など、複数言語間での翻訳作業を自動化。
•
プログラムコードの作成支援: 例：ソースコードの生成やエラー修正のアドバイス。
わかりやすい例え
LLMは、何百万冊もの本を読み込んだ優秀なデジタル専門家のような存在です。
さまざまなトピックに対して、自らが学習した知識をもとに回答や提案を行います。
ただし、通常の人間と異なり、リアルタイムのインターネット検索や最新情報にはアクセスできません。
そのため、STORMのようなプラットフォームと連携することで、
**最新情報との連動や文書ベースの応答（RAG）**といった機能を拡張することが可能です。
LLMトークン
トークンとは、AI言語モデルがテキストを処理する際の最小単位を指します。
たとえば英語では、1トークン＝4〜5文字程度に相当し、
韓国語のような言語では、さらに細かい単位で分割される傾向があります。
InputトークンとOutputトークン
•
Inputトークン：ユーザーがAIに入力するテキスト（質問・指示など）のトークン数
•
Outputトークン：AIが応答として生成するテキストのトークン数
AIは、これらのトークン単位で文章を理解・生成しています。
コストとの関係
多くのAIサービスでは、使用したトークン数に応じて料金が発生します。
特に、Outputトークン（生成される応答）の方が単価が高めに設定されているケースが多く、
そのため、無駄のないプロンプト設計や出力制御が、コスト管理の重要なポイントとなります。
RAGとは
RAG（Retrieval-Augmented Generation） とは、AIが回答を生成する前に、外部から情報を検索（Retrieval）し、その情報を活用して回答（Generation）を生成する技術です。
簡単に言えば、AIが「自身の知識だけでなく、必要な資料を参照しながら答える」ような仕組みです。
これにより、AIが事実と異なる情報を生成するリスク（ハルシネーション）を抑える効果があります。
RAGの主な特徴
1.
情報検索（Retrieval）
→質問に関連する社内文書やナレッジベースなどから、関連情報を検索します。
2.
情報活用（Augmentation）
→取得した情報をAIの入力に組み込み、背景知識として活用します。
3.
回答生成（Generation）
→AIは、取得した情報と自身の知識をもとに、正確かつ文脈に合った回答を生成します。
4.
出典提示
→回答の元となった文書を一緒に表示することで、信頼性や根拠の明示が可能になります。
RAGの利点
•
最新情報を取り入れられる
→モデルの学習後に更新された情報でも、検索を通じて反映可能です。
•
回答の正確性が向上
→数値や日付、手順などの具体的な情報を含んだ回答が可能です。
•
社内データの活用が可能
→社内マニュアルやFAQなどを検索対象にすることで、カスタマイズされた応答が実現します。
•
誤情報の抑制
→AIが独断で推測することを避け、信頼できる資料に基づく応答ができます。
RAGの活用例
•
社内ナレッジ検索
→「当社の休暇制度は？」という質問に対して、社内ガイドライン文書から情報を提示
•
技術サポート対応
→製品マニュアルやトラブルシューティング文書をもとに、的確な対応を提案
•
研究やレポート支援
→学術論文やホワイトペーパーを検索し、最新の研究動向に基づいた内容を提供
•
法務・医療系の応答支援
→関連法令や医学資料を参照した、専門的かつ信頼性の高い回答を生成
わかりやすい例え
RAGは、**「オープンブック試験」**のようなイメージです。
AIは自分の記憶（学習済み知識）だけに頼るのではなく、必要な情報を探しながら正確に答えることができます。
または、「ちょっと調べてから答える頼れる友人」のような存在とも言えるでしょう
ドキュメントとフィードバック
ドキュメントとは
ドキュメントは、組織内に蓄積された正式な知識や情報を体系的に整理した資料です。
企業の方針、業務手続き、製品情報、マニュアルなどが含まれ、AIエージェントが信頼できる情報源として参照します。
STORMのAIエージェントは、これらのドキュメントをもとに、社内特有の質問にも正確で一貫性のある回答を提供することができます。
社内文書をAIに接続することで、従業員が必要な情報にすばやくアクセスでき、業務効率の向上が期待されます。
フィードバック（Q-Aセット）
フィードバックは、AIエージェントの回答精度を継続的に高めるための重要な仕組みです。
AIが誤った回答や不十分な回答をした場合に、専門担当者が正しい模範回答（Q-Aセット）を登録します。
この情報は、次に類似した質問があった際に、AIがより適切に答えられるように活用されます。
このようなフィードバックの積み重ねによって、AIは時間とともに組織の知識に順応し、
ユーザー満足度や社内対応力の向上につながります。
フォルダ
フォルダは、大量のナレッジデータを論理的に整理・構造化し、AIエージェントの回答の精度と関連性を向上させるための重要な機能です。
フォルダ管理のメリット
•
ドキュメントが1万件以上にのぼるような大規模な運用では、
類似するカテゴリごとにフォルダを分けて管理することを強く推奨します。
•
例えば、「人事」「総務」「営業」など、カテゴリ別にフォルダを作成し、
代表的で分かりやすい名前を付けるだけでも、検索精度が大きく向上します。
•
フォルダごとに参照対象を設定することで、
不要な情報の混在を防ぎ、より的確な回答が可能になります。
DEVとLIVE
STORMでは、エージェントの開発と運用を安全かつ効率的に管理するために、**Dev環境（開発用）とLive環境（本番用）**の2つの環境を使い分ける仕組みを採用しています。
Dev環境（開発用）
•
エージェントの開発・調整作業を行うための環境です。
•
Answerビルダーで行ったドキュメントの登録やガイドラインの修正内容は、即時にDev環境へ反映されます。
•
テストページで「Dev環境」を選択することで、構築中のエージェントの挙動をその場で確認できます。
開発中の変更をすぐに試すことができるため、調整や検証に適しています。
Live環境（本番用）
•
実際にエージェントがユーザー対応などの業務に使用される本番環境です。
•
Answerビルダー上でのドキュメント追加やガイドライン変更は、Live環境には自動では反映されません。
→ 必ず**「デプロイ操作」**を実施して反映してください。
•
なお、以下の項目はLive環境に即時反映されますのでご注意ください：
・チャネル連携情報の変更
・ユーザー権限の設定変更 など
•
また、テストページで「Live環境」を選択すると、本番と同じ条件での動作確認も可能です。