Google Cloud の Agent Assist は、人間のカスタマー サービス エージェントの業務を補助するために特別に設計されています。リアルタイムの提案、関連情報の取得、そしてエージェントとのやり取り中に推奨される回答を提示することで、エージェントの効率性と一貫性を向上させます。
________________________________________

生成型AIの特徴は、学習データに類似した新しいオリジナルコンテンツを作成できることです。これには、既存のデータの分類、予測、分析だけでなく、テキスト、画像、音楽、コードなど、様々なモダリティが含まれます。
________________________________________

モデルの失敗の根本的な原因は、トレーニングデータ自体に欠陥があったことです（人口統計学的に不均衡な表現と時代遅れの言語）。この欠陥が、少数派グループや現代のコミュニケーションスタイルにおけるバイアスと低いパフォーマンスに直接つながっています。
これはデータ依存性の典型的な例であり、生成AIを含むすべての機械学習モデルの根本的な限界です。データ依存性とは、AIモデルが学習に使用したデータの品質、完全性、公平性に絶対的に依存することを指します。モデルは基本的にデータセットから学習したパターンを模倣するだけなので、データセットに社会的、人口統計的、または言語的なバイアスが含まれている場合、モデルはそれらのバイアスを忠実に再現し、出力に増幅させ、特定のグループに対して不公平な分類をもたらすことになります。
幻覚（C）は事実やデータの発明です。
過剰適合 (D) は、モデルがトレーニング データを過度に記憶しているために一般化が不十分であり、通常、特定の人口統計だけでなく、すべての未知のデータにわたってパフォーマンスが非常に低下します。
バイアスはデータの依存性の結果であり、根本的な制限そのものではありません。
(参考: Google の Generative AI の制限に関するトレーニングでは、データ依存性が、モデルがトレーニング データの範囲と品質によって制限される根本的な制限であると特定されており、データが多様でなかったり代表的でなかったりすると、バイアスの問題に直接つながります。)

この文脈におけるRAG（Retrieval-Augmented Generation）の主な利点は、チャットボットが正確かつ最新の情報を提供できることです。クラウドストレージから関連性の高い最新の政策文書をリアルタイムで取得し、その情報に基づいてLLMの応答を裏付けることで、チャットボットは幻覚的な回答や古い回答を提供することを回避します。これは社内ナレッジベースにとって非常に重要です。
________________________________________

このシナリオは、製品カタログから正確かつ最新の情報を取得する必要性を強く示唆しています。Vertex AI Searchと組み合わせた、構築済みのRAG（Retrieval-Augmented Generation）は理想的なソリューションです。Vertex AI Searchは製品カタログをインデックス化し、RAGはこのインデックスデータを用いて生成AIモデルの応答を基盤とすることで、顧客の検索とサポートエージェントの問い合わせの両方において、正確かつ関連性の高い製品情報を確実に取得できるようになります。
________________________________________