LLMを外部の記憶層として用いたハイブリッド知的システムのための、自動オントロジー構築（検証・計画を含む）

Abstract

本論文は、大規模言語モデル（LLM）を外部のオントロジー・メモリ層で拡張する、知的システムのためのハイブリッド・アーキテクチャを提示する。提案手法は、パラメトリックな知識とベクトルベースの検索（RAG）のみに依存するのではなく、RDF/OWL表現を用いて構造化された知識グラフを構築・維持し、それによって持続性があり、検証可能で、意味的に裏付けられた推論を可能にする。 主たる貢献は、ドキュメント、API、対話ログといった異種データソースからオントロジーを自動構築するためのパイプラインである。システムは、エンティティ認識、関係抽出、正規化、トリプル生成を行い、その後、SHACLおよびOWLの制約による検証と、継続的なグラフ更新を実施する。推論時には、LLMは、ベクトルベースの検索とグラフベースの推論、外部ツールとの相互作用を統合した結合コンテキスト上で動作する。 タワー・オブ・ハノイのベンチマークを含む計画タスクに関する実験観察では、オントロジーの拡張が、ベースラインのLLMシステムと比べて、多段階の推論シナリオにおける性能を向上させることが示された。加えて、オントロジー層は生成された出力の形式的な検証を可能にし、システムを「生成—検証—修正」のパイプラインへと変える。 提案アーキテクチャは、長期メモリの欠如、構造理解の弱さ、推論能力の限定といった、現在のLLMベースのシステムにおける主要な制約に対処する。これは、持続的な知識、説明可能性、信頼できる意思決定を必要とする、エージェントベースのシステム、ロボティクス応用、エンタープライズAIソリューションを構築するための基盤を提供する。