Hello there, ('ω')ノ
～「質問がはっきりしない」からこそ、AI設計がものを言う～
「それって、どういう意味で聞いてるの？」 人間同士でもよくあるこんな場面。AIにとってもこれは大きな壁です。
とくにRAGを活用するような業務AIでは、次のような質問がよく届きます：
- 「前のやつ、まだ？」
- 「経費、どうだっけ？」
- 「あれって、申請いる？」
- 「この前の資料、どこ？」
これらのあいまいな質問（＝不完全・指示語が多い・文脈不足）に対して、LLM＋RAGはどのように対応すればいいのでしょうか？
🧠 なぜ曖昧な質問が難しいのか？
| 理由 | 解説 |
|---|---|
| 主語・目的語がない | 「前のやつ」「あれ」など、具体的な指示が欠けている |
| 文脈依存が強い | 過去の会話や部署ごとのルールがないと意味が取れない |
| 意図が複数ある | 「経費どうだっけ？」→ ルール？申請状況？精算金額？など分岐が多い |
| 表現があいまい | 「これってやった方がいい？」など、主観的・評価的な言い方が多い |
➡ 人間なら“空気を読む”ことで補える部分ですが、AIは明示されていない情報には弱いのです。
✅ 解決策1：クエリ補完・言い換え
LLMの得意技を活かして、「あいまいな質問を意味のある検索クエリに変換」する手法です。
例：
ユーザー入力：「これって申請いる？」
変換後クエリ：「2024年4月以降の在宅勤務において、月1回のオフィス出社時に交通費申請が必要か？」
➡ 言い換え／補完に強い言語モデル（GPTなど）を活用して、曖昧な表現を整理できます。
✅ 解決策2：意図の解釈・分類（インテント推定）
「この質問は“何を聞きたい”のか？」をまず推定し、 そのカテゴリに合った検索・生成を行う設計です。
方法例：
- 「経費」というキーワードが出たら → 申請ルール／支給額／処理フローなどに分類
- 過去の質問と似ていれば → 過去の履歴を文脈として再利用
➡ 検索対象を狭めることで、誤解を防ぐ効果もあります。
✅ 解決策3：対話的確認（クラリフィケーション）
曖昧な質問には、一度“確認質問”を返すことで対応精度を上げる方法です。
例：
ユーザー：「経費どうだったっけ？」 AI：「ご確認されたいのは、（1）経費の申請方法（2）申請の承認状況（3）支給対象ルール、のどれに近いですか？」
➡ 「AIが聞き返す」ことを許容する設計にすることで、誤答リスクを減らせます。
✅ 解決策4：履歴や立場の活用（パーソナライズ）
- ユーザーが「営業部所属」なら → 営業向けの経費ルールを優先
- 直前に「在宅勤務ルール」の話をしていた → それを文脈として補う
➡ つまり「誰が・何の話をしていたか」をLLMのプロンプトやメモリに保持しながら回答を構築します。
🛠 実装に使える技術（概要）
| 技術名 | 用途 |
|---|---|
| クエリリライト | 曖昧な質問を、検索向けに明確化する（例：LangChainのtransform chain） |
| インテント分類モデル | ユーザーの意図カテゴリを特定（例：Zero-shot classification） |
| ユーザーメモリ | 会話履歴やユーザー属性を保持（例：LangChain Memory） |
| 多段階プロンプト | 「1段目：分類」「2段目：検索」「3段目：生成」という段階設計 |
💼 業務での適用イメージ
| シーン | あいまいさの例 | 解決アプローチ |
|---|---|---|
| 社内ヘルプデスク | 「あれ、申請しといた方がいい？」 | 質問の種類を分類して適切なガイドを提示 |
| 管理職からの相談 | 「部下の件でさ…」 | 部下の人事履歴＋部署ルールから候補を提示 |
| 営業からの問い合わせ | 「見積書、あれまだ？」 | 最近やり取りされた案件履歴から対象を推定 |
✅ まとめ：「あいまいさを解決するAI設計」はユーザー体験のカギ
- 曖昧な質問は避けられない → AIが“うまく補完して理解”する力が求められる
- クエリの補完・分類・確認質問などの多段階的な工夫で対応精度を向上
- 特に業務向けRAGでは、「文脈・立場・履歴」をうまく活用することで実用性が大幅アップ
- “聞かれてもいないことを補って考える”──それが次世代AIの要件になる
Best regards, (^^ゞ
