MongoDB と Dataworkz を使用してエージェント型 RAG を活用し、パーソナライズされたチャットボットによってカスタマーのショッピング体験を向上させる方法をご紹介します。
業種: 小売
製品: MongoDB Atlas、Atlas Vector Search
パートナー: Dataworkz
ソリューション概要
小売業界は常にトレンドの最前線に立ち、イノベーションを迅速に取り入れています。生成系 AI やエージェントなどの技術の台頭により、小売業者はさまざまなユースケースでそれらを積極的に採用しています。例として、リアルタイムサポートの提供、カスタマーエクスペリエンスのパーソナライズ、検索結果の強化などがあります。これにより、ブランドがカスタマーと有意義に関わる方法が変わります。
最近の調査によると、AI 搭載のチャットボットにより、米国でのオンライン売上が前年比で約 4% 増加していることが明らかになっています。これは、AI が単なるトレンドではなく、小売業の成長を永続的に促進する原動力であるという考えを裏付けています。本日は、小売業界にさらなる革命をもたらす可能性のある最先端技術、エージェンティック RAG（検索拡張生成）について探ります。また、MongoDB と Dataworkz を活用したソリューションが、業務データと非構造化データを組み合わせ、カスタマー体験をどのように変革するかを掘り下げます。
本題に入る前に、このソリューションのコンテキストを設定するのに役立ついくつかの概念を理解しましょう。
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 コマースでの利用時に対話するため、または必要に応じて複雑なタスクの一部を実行するために使用できます。
検索拡張生成（RAG）
検索拡張生成（RAG）は、大規模言語モデル（LLM）を独自データで拡張し、より正確でコンテキストに対応した応答を生成しつつ、ハルシネーションを減らすために使用されるアプローチです。
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 実装を導入することで、これをさらに一歩進めます。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、情報の検索や生成を超えて計画を立てることが可能です。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。
業界全体でカスタマーとのやり取りを強化し、プロセスを効率化するためのその巨大な可能性を想像することができます。
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
生成系 AI は小売業界に革命をもたらしています。2024年には、消費者の 4 分の 1 が買い物で AI を使用しており、これは前年に比べて 4% 増加しています。。このような展開により、イノベーションの可能性は依然として膨大です。
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用チャットボットの構築: リアルタイムで 生成系 AI を搭載したサポート用チャットボットを想像してみてください。このチャットボットは、いつでもカスタマーをサポートでき、ビジネスのポリシーやユーザーの履歴、好みを文脈的に把握しています。
商品レコメンデーションのパーソナライズ化: 顧客の好み、ニーズ、過去の購入履歴に基づいたレコメンドを提供することで、ショッピング体験がよりターゲット化され、顧客にとって魅力的かつ購買に至りやすくなります。
動的なマーケティング コンテンツの生成: プロモーションやメール、メッセージなどを顧客ごとに動的に生成することで、新鮮で関連性の高いコンテンツを提供できます。これにより、エンゲージメントが高まり、売上の増加やリテンション向上が期待できます。
上記の例はすべて、日常生活において、 MongoDB と Dataworkz がすでに小売業者をサポートして影響力のあるカスタマーエクスペリエンスを構築していることを示しています。
参照アーキテクチャ
Dataworkz の紹介
Dataworkz は、組織が AI アプリケーションをビルドするおよび配置する方法を変革するエンタープライズグレードの RAG-as-a-service プラットフォームです。その中核となるのは、グラフに最適化された検索と組み合わせた高度なエージェントベースのアーキテクチャであり、これにより、大企業は数か月ではなく数時間で高度な RAG アプリケーションを起動できるようになります。
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。
データの取り込みから本番配置まで、Dataworkz は、拡大、デバッグ、操作に関するエンタープライズ対応の機能により、RAG のライフサイクル全体を管理します。
主な差別化要因：
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（Bring Your Own）の柔軟性—LLM、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 は、Fortune 500 社に信頼されており、複雑な AI インフラストラクチャの構築と維持に伴う従来のオーバーヘッドなしで、本番環境対応の RAG アプリケーションを提供します。
Dataworkz での MongoDB の活用
MongoDB と Dataworkz の両方の強みを活かすことで、組織は開発の複雑さと市場投入までの時間を最小限に抑えながら、強力でスケーラブルな生成系 AI アプリケーションを作成できます。
Dataworkz は、あらゆる形式の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ポイント・アンド・クリック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 ビルダーを使用すると、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処理と分析が可能になり、最新の情報を必要とする生成系 AI アプリケーションには不可欠です。この機能により、AI モデルが最新のデータにアクセスでき、生成された応答の精度と関連性が向上します。
エージェンティック RAG アーキテクチャ
変革をもたらすものをビルドするには、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。
Atlas Vector Search は、ベクトル埋め込みの組み込みサポートを提供し、別のベクトルデータベースが不要になるため、アーキテクチャが簡素化され、複雑さが軽減されます。
ここでエージェント RAG が活躍します。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された MongoDB コレクションへの管理されたアクセスを提供できます。多くの場合、カスタマーは基礎のコレクションを抽象化する API レイヤーを持っています。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。これにより、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 の緊密な統合から恩恵を受け、AI の導入を促進し、エージェント的な RAG をソリューションに統合できます。
Dataworkz のエージェントは、複数のデータソースにアクセスし、推論 LLM 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します。エージェントは、異なる MongoDB コレクションや複数のデータベースから動的に切り替えて、出荷状況、カスタマーのプロフィールと好み、注文履歴などの構造化データを利用します。さらに、ERP（Epicor）、CRM（Salesforce）などのサードパーティーソリューションは、プロバイダーが公開する API を通じて統合できます。GraphQL として公開される内部サービスも、一般的なタイプの統合です。これらのツールを組み合わせることで、エージェントはユーザーの質問をその文脈で理解し、ユーザーの経験やデータに即した非常にパーソナライズされた回答を提供できます。
Dataworkz エージェントの動作方法は次のとおりです。
Dataworkz エージェントフレームワークがユースケースをシナリオに分割します。例えば、ストアポリシーに関する質問に答えたり、推奨事項を提供したり、注文を検索したりすることができます。シナリオには、シナリオに関連する厳選されたツールセットがあります。ユーザーがエージェントと交流するとき、分類子が適切なシナリオを選択します。
次に、エージェントは推論 LLM を使用して、質問に答える計画を立てます。ユーザーの質問、対話の文脈、メモリ、シナリオ内のツール（MongoDB コレクションへのアクセスなど）を考慮して、LLM は質問に答えるための情報を検索するための一連の手順を考案します。このプロセスは反復的です。各反復の後、ツールを使用して十分なコンテキストが検索されたかどうかを判断し、より多くのコンテキストをビルドするために、さらなる反復、計画、実行が必要かどうかを決定することをお勧めします。
最後に、ステップ2で構築されたコンテキストは、エージェントが必要な応答を生成したり、アクションを実行したりするために使用されます。また、エージェントがユーザーに説明を求める必要があると判断することもあります。
Dataworkz は、RAG アプリケーションの構築と同様に、エージェントにも同じ使いやすさを提供します。ライブラリやフレームワークでのコーディングを必要とせず、エージェントはその意図した機能を説明するだけで作成されます。宣言的にビルドし、組み込みツールを使用してテストし、準備が整ったら API を介してシームレスに配置できます。このアプローチにより、エージェントははるかにアクセスしやすくなり、開発および配置のコスト効率が大幅に向上します。
図4。Dataworkz と MongoDB のエージェント RAG アーキテクチャ
ソリューションを構築する
このソリューションの構築は、4 つの主要なステップに分けられます。
デモデータベースを複製する
公開ホストされている、あらかじめデータが入力されたクラスターを使用するか、Atlas アカウント内で独自のクラスターをプロビジョニングし、デモに必要なデータでデータベースを入力することができます。ご自身の MongoDB を使用する場合、リポジトリ内にデータダンプが用意されています。このダンプを使用すると、mongorestore コマンドを 1 回実行するだけで、必要なデータとメタデータを含むデータベースを迅速に複製できます。
Dataworkz RAG アプリケーションを作成してください
Dataworkz にサインアップして、 ｅコマースポリシー用の RGアプリを作成します。 リポジトリ内で PDF を使用して、 ｅコマースポリシードキュメントとして使用できます。これは、Dataworkz エージェントのツールとして使用できる非構造化データです。
アプリケーションのフロントエンドを設定
Githubリポジトリをローカル マシンにクローンしてデモ コードを取得し、環境変数を構成して、依存関係をインストールします。最後に、http://localhost:8080 でアプリをローカルに実行します。
コードサンプル、構成ファイル、チュートリアルビデオを含む完全な実装の詳細については、GitHub リポジトリをご覧ください。
キーポイント
エージェント RAG の理解：エージェントを組み込むことで、従来の RAG アーキテクチャでできることの可能性が広がります。意思決定のレイヤーを追加することで、エージェントは計画を立て、アクションを起こし、ツールを活用して、状況をより深く理解し、業務効率を高めることができます。
技術統合：MongoDB と Dataworkz の強みを組み合わせることで、小売業者は、よりパーソナライズされた体験を提供したり、カスタマーにリアルタイムのスマートアシスタンスを提供したりするなど、より強力な機能を構築する力を得ることができます。これらのシームレスな統合により、開発プロセスが迅速化され、チームはより差別化された機能の開発に集中できるようになり、市場におけるリーダーとしての地位を強化することができます。
AI を活用した小売の未来：RAG アーキテクチャを小売のユースケースに適用することで、よりコンテキストに即したサポートとパーソナライズされたコンテンツを提供し、顧客のショッピング体験を向上させます。
ラピッドプロトタイピングとイテレーション：エージェント RAG はテストと検証の反復プロセスであり、プロトタイピングと生産を迅速に進めるためには、迅速なターンアラウンドタイムが必要です。エージェント RAG パイプラインの各コンポーネントの複数のバージョンを構成し、その影響を理解して測定し、管理された方法で本番環境に昇格させる能力は、プラットフォームを選択する際の重要な考慮事項です。
使用した技術と製品
MongoDB 開発者データ プラットフォーム
提携技術
作成者
Angie Guemes, MongoDB
Sachin Hejip 氏、エンジニアリング担当、Dataworkz