AI

富士通、改善案を検証して学ぶAIエージェントを開発

この記事のポイント

  1. 実現したこと

    業務特化型LLMのデータ選定から学習条件の調整、評価、改善までを、複数のAIエージェントが自律的に実行する。

  2. 実現の仕組み

    業務の成功・失敗から改善案を作り、品質と安全性を検証して有効なものだけを学習に取り込む。

  3. 得られた結果

    富士通の評価では、複数の業務領域向けに強化したLLM「Takane」の精度が、業務特化前より平均28ポイント向上した。

  4. 従来との違い

    設計仕様書検索では、人が調整していた検索ロジックの設計・改善を自動化し、過去の失敗や修正から探索戦略を改善する動作を確認した。

明るい文書保管室で、3体の小型エージェントが成功・失敗の検索資料と人の修正を確認し、改善案を審査。承認された案を使って、関連する周辺フォルダーへ検索範囲を広げる流れを描いたイラスト。
AI生成画像

業務の成功・失敗から改善案を作り、品質と安全性を確かめてから学ぶAIエージェント技術を富士通が開発した。複数のエージェントが役割を分担し、LLMの強化や設計仕様書検索の改善に取り組む。

業務経験を改善案に変え、検証して取り込む

富士通が開発した自己進化マルチAIエージェント技術は、複数のAIエージェントが役割を分担し、業務の実行結果や人のフィードバックを学習に使う。制度改定や仕様変更も取り込み、次回以降の行動の改善につなげる。

学習に先立ち、エージェントは成功・失敗の理由を整理し、次の業務で使う知識や行動のコツを改善案として生成する。その改善案は品質と安全性の検証を経て、有効と判断されたものだけが学習に反映される。

LLMの構築工程を自動化し、精度が平均28ポイント向上

富士通によると、この仕組みを業務特化型LLMの構築に適用すると、データ選定、学習条件の調整、評価、改善をエージェントが自律的に実行・最適化する。実行結果や評価結果から改善案を作り、検証を通過した内容を次の改善へ反映する。

評価には大規模言語モデル「Takane」を使い、製造、医療、金融、行政などの領域に向けて強化し、継続的に改善した。富士通の評価では、業務特化前と比べた精度の向上幅は平均28ポイントとなった。

診療記録から診断名や治療方針を同じ形式で抽出

医療分野では、診療記録や検査結果といった非構造データから情報を取り出すタスクに適用した。富士通は、診断名、進行度、治療方針などを一貫した形式で抽出し、業務に即した形へ構造化できたとしている。

検索の失敗と人の修正から探索範囲を改善

文書検索への適用対象は、大中規模病院向け電子カルテシステム「HOPE LifeMark-HX」と、地方公共団体向け業務ソリューション「MICJET住民記録」の設計仕様書群だ。富士通によると、エージェントは過去の検索結果や失敗事例、人の修正内容を学び、探索範囲の拡張や関連文書の抽出戦略を自律的に改善するようになった。

学んだ探索方法には、関連する周辺文書まで確認することや、一見対象外でも同じ業務領域の文書を候補に残すことが含まれる。これらを次の業務に活用し、富士通は検索ロジックの設計・改善の自動化によって、学習・改善工数の削減と精度向上を確認したとしている。