需要駆動型コンテキスト: エージェントの失敗を通じて企業知識ベースを構築する方法論

概要: 大規模言語モデルのエージェントは専門家レベルの推論を示しますが、用語、運用手順、システム間の依存関係、そして部族的知識として存在する組織的な意思決定が欠如しているため、エンタープライズ特有のタスクで一貫して失敗します――
現在のアプローチは2つのカテゴリに分類されます。トップダウン知識工学はエージェントが使用する前にドメイン知識を文書化します。ボトムアップ自動化はタスク経験からエージェントが学習します。
どちらにも根本的な限界があります。トップダウンの取り組みは肥大化し検証されていない知識ベースを生み出し、ボトムアップのアプローチは人間の頭の中にしか存在しない知識を獲得できません。
私たちは需要駆動型コンテキスト（DDC）、問題を最初に扱う手法を提示します。エージェントの失敗を、どのドメイン知識を精査すべきかの主要なシグナルとして使用します。
テスト駆動開発に触発され、DDCは知識工学を反転させます。知識を蓄積してそれが有用であることを望むのではなく、DDCはエージェントに現実の問題を与え、彼らが必要とする文脈を要求させ、成功に必要な最小限の知識だけを精査します。
この手法、エンティティ・メタモデル、および20〜30の問題サイクルが特定のドメイン役割に対して十分な知識ベースを生み出すという収束仮説を説明します。
小売の受注処理の実例を通じてDDCを実証します。SRE（サイト信頼性エンジニアリング）のインシデント管理エージェントを対象とした9つのサイクルにより、46のエンティティからなる再利用可能な知識ベースが生成されました。
最後に、半自動化された精査と人間のガバナンスを組み合わせた企業導入向けのスケーリングアーキテクチャを提案します。