Fortune Cookie

Fortune Cookieはチャット画面で動くので、従業員は同僚にメッセージを送る感覚で使える。その一つの画面から、多くの業務アプリをまたいでタスクをこなし、データを検索し、クエリを実行し、アラートを受け取り、コンテンツを生成する。設計の中心にあるのはセキュリティだ。アシスタントが給与、営業、人事の記録を読むとなれば、なおさら重要になる。

すべての顧客に一つのモデルを押し付けるのではなく、チームがカスタマイズした大規模言語モデルを導入し、ニーズに合うモデルを選べる。RandomWalkはこれを、システムを効率的かつ費用対効果の高い状態に保つ方法として示す。軽量なモデルが定型の照会を担い、重いモデルが複雑な分析を引き受ける。選ぶ単位は企業ではなくタスクだ。

アシスタントは大規模なデータセットを分析し、意思決定を支えるパターンを浮かび上がらせる。生成AIでデータ可視化ツールにつながるので、出力はテキストにとどまらない。質問すれば、グラフやダッシュボードが返ってくる。数字の壁を解読する必要はない。 ここではサイロ化したデータが敵だ。このツールは生の表を、マネージャーが実際に読めるビューへと変える。

孤立したデータこそ、Fortune Cookieが解決しようとする問題だ。散在するソースを意味的知識グラフとベクトルデータベースへ変換し、そうやって別々のシステムにある記録をつなぐ。これが正確な回答を支える配管である。これがなければ、検索はノイズしか返さない。

アシスタントは組織全体の検索を改善し、情報がどこにあるかを正確に知らなくても、人は関連する内容にたどり着ける。ファイル名やフォルダパスを推測する代わりに、欲しいものを言葉で説明する。フォルダの分類を覚える必要はない。探す時間が縮まり、知識は部署をまたいで使える状態に保たれる。

Fortune CookieはRAGの上に成り立つ。平たく言えば、アシスタントは回答の前に、モデルが学習時に覚えた内容に頼らず、関連する社内データを取りに行く。ベクトルデータベースと知識グラフを組み合わせる。ベクトルデータベースは大規模なデータセットでの高速な類似検索を担い、意味検索やレコメンドに向く。知識グラフは関係と依存関係を明らかにし、レポートラインや指標の積み上げ方といった文脈をモデルが理解するのを助ける。では実際にはどう見えるのか。ある指標について尋ねると、モデルは回答の前にグラフをたどって追跡する。たまたま同じ単語を含む緩いキーワード一致を返すのではない。大規模組織で効いてくる違いはそこにある。

画面はフォローアップ、要約、データビューを中心に設計されている。生の出力を押し付けるのではなく、従業員の体験を良くすることが狙いだ。広く展開するチームにとって、見慣れたチャットレイアウトは教育の負担を下げる。人は質問の打ち方をすでに知っている。覚えることは何もない。