ナレッジグラフとドメインオントロジーのエンジニアリング

AIは、知らないことについて推論できない

ベクトル検索は「似ているように聞こえるもの」を見つけます。ナレッジグラフは「真実であるもの」を見つけます。この違いこそが、当て推量をするAIシステムと、推論をするAIシステムとの差なのです。

臨床ベンチマークがこれを具体的に示しています。オントロジーで構造化されたナレッジグラフに基づくLLMは、ハルシネーション率を 63%から1.7%へ削減しました。一方、ベクトルのみの検索は複雑な知識タスクにおいて70%前後の精度で頭打ちになるのに対し、ベクトルとグラフを組み合わせたハイブリッド手法では85%以上を達成します( 医療におけるグラウンディングされたAIに関する当社の研究をご覧ください)。

ナレッジグラフに取り組むほとんどのチームは、まったく別のものにたどり着きます。すなわち、形式的セマンティクスも推論能力も来歴(プロヴェナンス)追跡も持たない、Neo4j上のラベル付きプロパティグラフです。それはデータベースであって、ナレッジグラフではありません。スキーマ設計者が想定しなかった問いに答える必要が生じたとき、AIの出力を元となった事実まで遡って追跡しようとしたとき、あるいは下流のすべての利用者を壊さずにドメインモデルを進化させようとしたとき、それは機能しなくなります。

当社のアプローチは、本物を構築することです。すなわち、推論を伴う形式的オントロジー、トリプルレベルで来歴を持つ本番グラフインフラ、そしてドメインが必然的に変化したときに知識を最新に保つよう設計された保守フレームワークです。

プロパティグラフ、RDFトリプルストア、あるいは両方:適切なアーキテクチャの選択

Neo4j対RDFの論争は、本来あるべき以上のエンジニアリング時間を費やしています。多くの場合、要件が理解される前に判断が下されているためです。

RDFの真価は自動推論にあります。MAO阻害薬と相互作用するすべての薬剤はSSRI服用患者に禁忌である、と宣言すれば、推論エンジンは手作業での列挙なしにあらゆる具体的な禁忌を推論します。

当社のアプローチでは、形式的オントロジーを推論とコンプライアンスのためにRDFストアに置き、プロパティグラフがトラバーサルクエリを担い、同期レイヤーが両者の整合性を保つ、というハイブリッドシステムを重視します。さらにベクトル埋め込み(TransE、CompGCN、あるいはグラフニューラルネットワーク)を意味的類似性のために加えれば、完全一致・論理的推論・あいまい類似性を1つのパイプラインで扱える検索システムが得られます。

オントロジーエンジニアリング:誰もが過小評価する部分

グラフデータベースを買うのは簡単です。それを有用なものにするオントロジーの構築こそが、プロジェクトが行き詰まるところです。ドメインオントロジーとは、あなたのドメインに何が存在し、それらがどう関係し、それらの関係をどんな制約が支配するかについての形式的仕様です。

これを正しく行うには、めったに共存しない2種類の専門性が必要です。すなわち、深いドメイン知識(製薬の規制専門家がIDMPの物質分類について知っていること)と、形式的知識表現のスキル(その知識を、推論のボトルネックを生まずにOWL 2 DLで表現する方法)であり、その詳細は 規制対象の臨床ドメインにおけるニューロシンボリックAIに関する当社のホワイトペーパーに記載しています。

コンピテンシークエスチョンから始める

当社のオントロジーエンジニアリングのプロセスは、コンピテンシークエスチョンから始まります。すなわち、ナレッジグラフが答えられなければならない具体的な問いです。「創薬安全性分析を支援する」といった曖昧な要件ではなく、「患者の服薬リストと新規処方が与えられたとき、代謝経路の相互作用を介したすべての推移的禁忌を200ミリ秒以内に特定する」といった精密な問いです。これらのコンピテンシークエスチョンがあらゆるモデリング上の判断を導き、オントロジー進化のための回帰テストスイートとなります。

適切な形式主義の選択

私たちは、目的に適した形式主義を選びます:

• OWL 2 DL — 完全な記述論理推論を必要とするドメイン(製薬、法務、規制)。
• OWL 2 EL — 扱いやすい分類が重要となる大規模オントロジー(SNOMED CTは35万以上の概念を持ち、ELで問題なく動作します)。
• SKOS — 階層とラベルは必要だが論理的推論は不要な、分類体系や統制語彙。
• SHACL — オントロジーと並存する、データ検証ルールのための制約。

ほとんどの本番システムは複数の形式主義を組み合わせて使用しており、どこに何を適用すべきかを知っていることが、支援業務が提供する価値の重要な一部です。

エンティティ解決:誰も計画に入れない3倍の予算乗数

ナレッジグラフがあなたのデータを推論できるようになる前に、そのデータはクリーンで、重複が排除され、リンクされている必要があります。エンティティ解決 —「JPMorgan Chase」「JP Morgan」「JPMC」「J.P. Morgan Chase & Co.」が同一のエンティティであると判定すること — は単純に聞こえますが、企業規模では本当に難しい作業です。

この難しさは、異種のソースが加わると増大します。10〜15の異なるソースシステムから知識を統合するということは、矛盾するスキーマ、異なる識別子の規約、ばらつきのあるデータ品質、そして時系列の不整合(あるシステムはその企業が第3四半期に買収されたと言い、別のシステムは第4四半期だと言う)に対処することを意味します。チームは常態的にエンティティ解決のコストを 3〜5倍過小評価します。

当社は、ルールベースのマッチング、学習済み類似性モデル、そしてエッジケースに対する人間参加型(human-in-the-loop)の検証を組み合わせたエンティティ解決パイプラインを設計します。このパイプラインは、あらゆるソースレコードへの来歴リンクを備えた正規のエンティティグラフを出力するよう設計されており、なぜ2つのレコードが統合されたのか、あるいは別々に保たれたのかを常に追跡できます。

この来歴の連鎖は、次のようなフレームワークの下での規制上のトレーサビリティにとって決定的に重要となります。すなわち EU AI法であり、第12条・第13条はハイリスクAIシステムに供給されるデータの来歴を実証することを要求します。

なぜナレッジグラフのプロジェクトは失敗するのか(そしてそれをどう回避するか)

業界における失敗のパターンは十分に文書化されています。すなわち 95%の企業向けGenAIパイロットが失敗するのであり、ナレッジグラフのプロジェクトにはそれ独自の特有の失敗パターンがあります。

1. PoCの罠。 小規模な概念実証(PoC)は、厳選されたデータセットと単純なスキーマで成功し、それを受けて経営陣は本格構築にゴーサインを出します。ところがチームは、実データが10倍煩雑であり、オントロジーには50倍多くの概念が必要で、最適化したクエリパターンが実際のユースケースのわずか30%しかカバーしていないことに気づきます。当社のアプローチは、初日から本番データのサンプルと実際のクエリワークロードを軸に支援範囲を定めます。
2. 過剰公理化。 学術的背景を持つオントロジーエンジニアは、あらゆる可能な公理と制約を追加し、その結果、推論エンジンはささやかな知識ベース上でも数秒から数時間へと遅くなります。当社は推論エンジンの性能を早期かつ継続的にプロファイリングし、最小公理化の原則を適用します。すなわち、特定のコンピテンシークエスチョンに寄与する場合にのみ制約を追加します。
3. オントロジーのドリフト。 ナレッジグラフは立ち上がり、うまく機能しますが、ドメインが進化するにつれて徐々に劣化していきます。SNOMED CTは四半期ごとに更新をリリースし、規制上の分類体系は変化し、新しい製品カテゴリが登場するのに、誰も保守を担わないのです。支援業務は、変更検出、影響分析、回帰テストを備えたオントロジー保守フレームワークを作り出すよう範囲を定め、デプロイ前にあらゆる新しい概念や関係をコンピテンシークエスチョンスイート全体に照らして検証します。
4. 経営層の当事者意識の欠如。 ナレッジグラフはインフラです。下流のAI機能を可能にしますが、それ自体では目に見える機能を生み出しません。グラフの品質をビジネス成果(ハルシネーションの削減、コンプライアンスの迅速化、薬物相互作用検出の改善)に結びつける経営層のスポンサーシップがなければ、プロジェクトは2年目に資金を失います。当社は、各社固有のユースケースに紐づいた具体的な指標を用いて、ビジネスケースの構築を支援します。

ナレッジグラフをLLM、RAG、エージェントAIに接続する

MicrosoftのGraphRAG(および抽出コストを元の0.1%まで削減する、コスト削減版のLazyGraphRAG)は、グラフ構造化された検索が、複雑なマルチホップクエリにおいてベクトルのみの手法を上回ることを実証しました。しかし本番環境のGraphRAGは、論文が示唆するよりも難しいものです。コミュニティ検出は検索アーティファクトを生み出し、抽出パイプラインはドメイン固有のチューニングを必要とし、そして組み込みの来歴追跡はありません。

当社は、検索されるあらゆる事実がその元となるソーストリプル、信頼度スコア、時間的妥当性を伴う、KGにグラウンディングされた検索を設計します。LLMが主張を生成すると、システムはそれをグラフに照らして検証し、それを裏付ける、あるいは反証する具体的なトリプルを引用します( グラフに照らした引用検証の実働デモをご覧ください)。ベクトルRAGでは、「モデルが類似の一節を見つけた」というのが得られる最も強い帰属根拠です。

エージェントがアクセス可能なツールとしてのナレッジグラフ

エージェントAIアーキテクチャにおいて、ナレッジグラフはツールからアクセス可能な知識源として機能します。Neo4jは2026年4月にGoogle Cloud上でエージェントシステム向けのナレッジレイヤーを立ち上げ、エージェントと知識をつなぐコネクタ標準として、Model Context Protocol(MCP)の採用が加速しています。

当社のアプローチは、初日からエージェントがクエリ可能なナレッジグラフを構築することです。すなわち、SPARQLエンドポイント、構造化API、あるいはMCP互換インターフェースであり、AIエージェントがドメイン知識をプロンプトインジェクションではなくツール呼び出しとして利用できるようにします。このアプローチの詳細は エンタープライズAIエージェントの責任ファイアウォールに関する当社の研究に記載しています。

当社が提供するもの

あらゆる支援業務は、お客様のドメイン、データ環境、そして下流のAI要件に合わせて範囲を定めます。成果物には以下が含まれます:

• 自動推論エンジンによって検証された、形式的なドメインオントロジー(OWL、完全に注釈付き)。
• 構造化・非構造化ソース向けの取り込みパイプラインを備えた、投入済みのナレッジグラフ。
• 完全な来歴を備えたエンティティ解決サービス。
• データ検証のためのSHACL制約定義。
• オントロジー進化のための回帰テストとしての、コンピテンシークエスチョンのテストスイート(SPARQLまたはCypherのパターン)。
• RAG、LLMグラウンディング、あるいはエージェントAIのツールアクセスのための統合インターフェース。
• 変更検出とバージョン管理されたデプロイを備えた、オントロジー保守フレームワーク。

また、より単純なアプローチでも同等に役立つであろう場面については、率直な評価もお伝えします。