表や図を含む大量の非構造ドキュメントを自動的に構造化＆メタデータ付与、
高精度な回答生成が可能に
～ 低コストで本番同様の検証ができる試験運用版を11月6日より提供 ～

　
　当社は、表や図などを含む複雑な非構造ドキュメントを大量に取り込み、LLM（大規模言語モデル）による高精度な回答を生成可能にするマルチモーダル対応の独自生成AIプロダクト「Super RAG™（スーパーラグ）」を大型アップデートし、ドキュメントグラフ構築機能を含む、さまざまなAI機能を標準搭載したパッケージ版を2025年1月中旬より販売開始(予定)します。なお、同製品が低コストで本番同様の検証ができる試験運用版を11月6日より提供します。

　当社では今年3月より、一般的なRAGでは困難な、大量の複雑な形式の非構造ドキュメント（図表を含む営業パンフレットや事務手順書、社内規定など）を自動的に構造化することで、回答生成や文書生成等が可能となる「Super RAG」を、個社ごとにカスタマイズし提供してまいりました。「Super RAG」は3つの独自技術「ドキュメント構造解析」「独自検索システム」「プロンプト最適化」を、Azure OpenAI Serviceなど、既存のLLMサービスと組み合わせることで、正確かつ高度な回答を生成可能にします。膨大な自社データを活用できる生成AIをさまざまなビジネスシーンに取り入れることで、複雑な書類からの情報抽出や資料の自動生成など、本質的なDX・ハイパーオートメーションを推進します。

　今回発表の「Super RAG」パッケージ版では、複雑な非構造ドキュメントを自動的に構造化し取り込めるのはもちろんのこと、ノーコードによるAIアシスタントの作成、ドキュメントグラフを利用した高精度な検索、各種システムやアプリケーションとの接続をワンストップで提供します。

【お知らせ】 「Super RAG」の試験運用版について

2025年1月中旬の「Super RAG」パッケージ版販売に向けて、性能検証、仮運用できる試験運用版を11月6日より提供開始します。試験運用版は、企業が保有する既存のアプリケーション機能を活かしつつ、「Super RAG」の各種AIシステムを利用できる仕組みを低コストかつ短期間（1か月程度）で利用可能です。「Super RAG」の技術優位性を仮運用にて確認頂けますので、ぜひこの機会をご活用ください。

▼「Super RAG」資料ダウンロードは コチラ
▼「Super RAG」に関する企業からの問い合わせ先は コチラ

■低コストで汎用的なLLMのビジネス導入を実現する 「Super RAG」

　企業の実業務において、ChatGPTのような大規模言語モデル（LLM）の導入を促進する方法として、RAG（Retrieval Augmented Generation = 検索拡張生成）が注目されています。RAGは、LLMがテキストを生成する際に外部の情報を適切に組み合わせることで、回答精度を向上させる技術です。企業が保有する独自情報には、表やグラフなどの複雑な形式の書類（非構造ドキュメント）が多く含まれており、これらのデータをインプットして業務に活用可能な精度を実現するためには、高度なAI技術が必要とされます。

　現在、大手企業を中心にRAGを利用したシステムの試験導入が進んでいますが、回答精度の向上にはユースケースごとのデータ前処理や検索アルゴリズムなど、個別カスタマイズが求められます。そのため、回答精度やROIの観点から一部業務にのみ導入が限られ、少量多品種な業務（ロングテール業務）を含む全社導入には至っておらず、社内での利用率も低水準に留まっているのが現状です。また、特定ベンダーの技術に大きく依存したシステム導入の防止や、膨大なデータを移行する際のリスクといった問題により、現在利用中の内製RAGシステムの全面的なリプレースが難しいという課題があります。

　シナモンAIの「Super RAG」は、これらの課題に対し、既存の社内システムにセキュアかつ容易に連携可能な独自のAI技術（AIモジュール群）を用いることで、低コストで汎用的かつ高精度な回答を生成することができます。一般的なRAGを使用した場合、約40%の精度であったタスクについても、「Super RAG」では90%超の精度（当社テストデータ値）を達成しています。

▽ RAGにおけるプロセスの役割と課題を解決する 「Super RAG」

▽ 「Super RAG」 の技術例

　一般的なRAG技術では、テキスト間の意味的な類似性を利用したベクトル検索を行うが、文字列が類似した無関係なコンテンツまで検索してしまうケースが多いことが回答精度低下の要因となっています。（下図左）「Super RAG」では文書構造を解析した上で、コンテンツ単位に分割・分類し、その後各コンテンツ同士の関係をグラフ形式で構造化してデータベースに格納することにより、コンテンツ間の関係性を利用した検索を行うことで精度向上を実現します。（下図右）

▽ 「Super RAG」 が解析を得意とするドキュメント例

▽ 「Super RAG」 のユースケース例（カスタマイズを含む）

▼本件に関する企業からの問い合わせ先
https://contents.cinnamon.ai/contact/inquiry

※本プレスリリースに記載されている「Super RAG™」は、株式会社シナモンの商標です。