MongoDB と Dataworkz を使用したエージェント型 RAG チャットボットの起動

エージェントとは何ですか？

エージェントは、その環境とコンテキスト内の関連データを認識する人工計算エンティティです。これらのエージェントは、eコマースの場合に交流したり、必要に応じて複雑なタスクの一部を実行したりできます。

検索拡張生成 (RAG)

RAG は、LLM に独自のデータを補強することで、より正確で文脈を認識した応答を生成しつつ、ハルシネーションを減らすアプローチです。

図1。従来の RAG

エージェンティック RAG

エージェント RAG は、AI エージェントベースの RAG の実装を導入しています。このモデルでは、エージェントはさまざまなツールや機能にアクセスできるため、情報の取得や生成を超えて、計画を立てることができます。エージェントは、特定の情報を検索する必要があるかどうかを判断し、検索に使用するツールを決定し、クエリを作成することができます。これらの機能は、エージェントが複数のデータソースから情報を取得し、複数のソースを必要とする複雑なクエリを処理して回答を作成できるようにするために重要です。Agentic RAG は、カスタマーとの対話を強化し、業界全体のプロセスを合理化できます。

図2. エージェント型 RAG

詳細については、Dataworkz Agent上の RAG を参照してください。

図 3。従来型とエージェント型 RAG の比較

小売業界への影響

小売業界は生成系AIを短期間で採用しました。In 2024、消費者の 1 倍のユーザーが買い物でAIを使用しており、前の年に比べて 4% の増加が行われています。

小売業界における生成系AIのユースケースには、次のようなものがあります。

• カスタマーサポート チャットボット:リアルタイムサポートを提供し、ビジネス ポリシー、ユーザー履歴、設定を認識するコンテキスト認識型のAIベース チャットボットを生成します。

• パーソナライズされた製品の推奨: 特定の好み、ニーズ、過去の注文に基づいてカスタマーが推奨するもの。これらのパーソナライズされた推奨事項により、カスタマーは

• 動的マーケティングコンテンツ: 生成AIアプリケーションは、各カスタマーに対してパーソナライズされたプロモーション、メール、メッセージを生成し、ンゲージメント、売上、保持を強化します。

Dataworkz の紹介

Dataworkz は、組織がAIアプリケーションをビルドし、配置する方法を変革するサービスとしての RAG プラットフォームです。エージェントベースのアーキテクチャとグラフが最適化された取得により、大規模なエンタープライズでは高度な RAG アプリケーションを か月ではなく 時間で起動するようになります。

このプラットフォームは、RAG 開発のベストプラクティスを自動的に実装する直感的なノーコードビルダーを通じて、専門の AI チームの必要性を排除します。アーキテクチャ上の決定を早期にロックする従来のアプローチとは異なり、Dataworkz は迅速な実験を可能にします。本番にコミットする前に、制御された環境でさまざまな取得戦略、プロンプトのバリエーション、モデルの組み合わせをテストできます。

Dataworkz は、複雑なAIインフラストラクチャの構築と維持という従来のオーバーヘッドなしに、本番環境に対応できる RAG アプリケーションを提供します。

このアーキテクチャは、次の主要なコンポーネントで構成されています。

• 複雑な関係に対するグラフ最適化された知識検索。

• 洗練された推論のためのエージェントベース アーキテクチャ。

• 組み込みのベストプラクティスを備えたノーコードビルダー。

• 実験から本番環境までのライフサイクル全体をサポートします。

• BYO 柔軟性 - LM、埋め込みモデル、ベクトルデータベース。

• エンタープライズグレードのセキュリティとスケーラビリティ。

Dataworkz での MongoDB の活用

Dataworkz は、非構造化データを抽出し、チャンク戦略を構成し、ベクトル埋め込みを作成するための使いやすい操作を提供することで、 RAG パイプラインの作成プロセスを合理化します。Dataworkz RAG ビルダを使用すると、開発者は、さまざまなしきい値を使用してさまざまな検索メカニズム（語彙、セマンティック、グラフ）を選択し、ユーザーの質問に答えるためのコンテキストを RAG でビルドすることもできます。

この統合により、リアルタイムデータプロセシングと分析も可能になり、AIモデルが最新データを使用して正確で関連性の高い応答を得ることが保証されます。

エージェンティック RAG アーキテクチャ

変革をもたらす成果をビルドするには、主にベクトル検索技術を利用する従来の RAG システムを、運用データベースからの最新情報と統合する必要があります。

MongoDB Atlas Vector Search にはベクトル埋め込みの組み込みサポートが用意されているため、別のベクトルデータベースが不要になり、アーキテクチャが簡素化し、複雑さが軽減されます。

Dataworkz エージェントを使用すると、小売業者はツールとして構成することで、MongoDBコレクションへのアクセスを制御できます。多くの場合、カスタマーには基礎のコレクションを抽象化するAPIレイヤーがあります。Dataworkz はREST APIまたはGraphQLと統合できます。

さらに、Dataworkz で構成された RAG パイプラインは、エージェントのツールとして利用可能です。この機能により、エージェントは、ユーザーの質問に応じて、SharePoint サイト、Confluence Wiki ページ、マークダウン内の非構造化データを理解することができます。

MongoDB をデータ プラットフォームとして活用するアプリケーションを持つ既存の小売業者は、Dataworkz と MongoDB の密接な統合と AI の採用によりメリットが得られ、エージェント的な RAG をソリューションに組み込むことができます。

Dataworkz エージェントは複数のデータソースにアクセスし、リージョンを使用して LM を使用して、ユーザーの質問に答えるために使用するツールを決定できます。エージェントは、異なるMongoDBコレクションまたはデータベースにアクセスして切り替えを実行し、出荷状況、カスタマープロファイル、設定、注文履歴などの構造化データを検索できます。さらに、ERP（Epior）や CRM（Salesforce）などのサードパーティ ソリューションは、プロバイダーを介して公開される API を介して統合できます。これらのツールを組み合わせると、エージェントはユーザーの質問をコンテキストで理解し、パーソナライズされた関連性の高い応答を提供できます。

次の手順では、Dataworkz エージェントの動作方法を説明します。

1. Dataworkzエージェントフレームワークは、店舗ポリシーに関する質問の回答、注文の検索、カスタマーサポートの提供など、ユースケースをシナリオに整理します。

2. エージェントは、推論LLMを使用して、ユーザーのクエリ、チャットコンテキスト、メモリ、利用可能なツール（MongoDBコレクションへのアクセスなど）に基づいて質問に答える方法を計画します。LLM は、必要な情報を収集するための一連の手順を決定します。このプロセスは反復的です。各ステップの後に、エージェントは、答えるのに十分なコンテキストがあるかどうか、またはさらに検索と計画が必要かどうかを確認します。

3. 最後に、エージェントは収集されたコンテキストを使用して応答を生成し、アクションを実行し、必要に応じてユーザーに明確な質問をします。

図4。Dataworkz と MongoDB のエージェント RAG アーキテクチャ