ガラスボックス・パラダイム：設計する 公平性、説明可能性、および精度を エンタープライズ採用におけるナレッジ グラフ

Veriprajna向けホワイトペーパー

エグゼクティブサマリー

人工知能（AI）と人的資本管理（HCM）の交差点は 重大な転換点に達した。過去10年、業界の物語を支配してきたのは 効率の約束——機械学習を用いて履歴書を処理することであり、その 速度と規模は人間の採用担当者には到達できない。しかし、この速度の追求は 甚大な倫理的・評判上の代償を伴ってきた。「ブラック ボックス」AI——具体的には深層学習モデルと制約のない大規模言語モデル （LLM）——の広範な導入は、歴史的差別を産業化し、過去のバイアスを未来の 自動ゲートキーパーへと変えた。

Amazonの社内AI採用エンジンの崩壊は、「women’s」という語を含む履歴書を体系的に 減点するよう学習したものであり、異常ではない。それは、バイアスのかかった歴史データで訓練された統計的相関エンジンの数学的 必然である。 ¹ いまや 政府が NYC Local Law 144 や EU AI法 といった厳しい規制で介入するなか、 HRテクノロジーの「速く動き、壊せ」の時代は公式に終わった。新たな義務は 明確である。自動決定は監査可能で、説明可能で、証明可能な公平性を備えなければならない。 ³

Veriprajnaは、「ブラックボックス」の逆説への解はより良い深層学習ではなく、 説明可能なナレッジグラフ（EKG） への根本的なアーキテクチャ転換だと主張する。 確率的予測（隠れたパターンに基づき誰が優秀かを推測する）から 決定的測定（スキルと要件のあいだの精密な意味的距離を計算する）へと移行することで、 人材評価を人口統計バイアスから切り離せる。本ホワイトペーパーは 現代エンタープライズ向けの技術的・戦略的青写真であり、どのように ナレッジグラフ・アーキテクチャ、オントロジー写像、ベクトルベースのスキル距離 アルゴリズムが、過去の不透明なアルゴリズムに対する堅牢で準拠し倫理的な代替を 提供するかを詳述する。私たちは「AIラッパー」の誇大宣伝を超え、特権ではなく才能を測る深い構造的知能を 届ける。

第I部：アルゴリズム失敗の解剖

説明可能なナレッジグラフの必要性を理解するには、まず 従来の統計AIが採用領域で失敗する理由のフォレンジック分析を行わなければならない。失敗は通常 コードの問題ではなく、概念の問題である。

1.1 Amazon事例研究：フォレンジック分析

Amazonが廃止した採用エンジンの事例は、採用におけるアルゴリズムバイアスとして最も文書化された 事例であり、業界全体への警告となる。2014年、 エディンバラのAmazon機械学習専門家は、トップの エンジニアリング人材の探索を自動化しようとした。目標は、採用担当者が100件の 履歴書を入力すると、システムが上位5件の推薦を出力し、1から5の 星で格付けする仕組みを、商品評価のように構築することだった。 ⁵

1.1.1 訓練データの罠

根本的な誤りは訓練データにあった。モデルは10年間に会社へ提出された履歴書で 訓練された。テクノロジーセクターは歴史的に 男性優位であるため、訓練集合における「成功した」採用の圧倒的多数は男性だった。 ¹ 統計的機械学習モデルは、予測と訓練ラベルのあいだの誤差を最小化することで 機能する。この場合、モデルは統計的に「男性で あること」が歴史データセット内で「採用されること」の強い予測因子だと正しく識別した。

その結果、AIは「women’s」という語を含む履歴書——例えば 「Women’s Chess Club Captain」——を減点し、2つの女子大学の卒業生を格下げするよう自ら学習した。 ² 悪意からではなく、数学的最適化からそうした。見つけたのは パターン——男性優位——であり、それに最適化した。

1.1.2 バイアス増幅と代理変数

この現象は バイアス増幅 として知られる。AIモデルは訓練データのバイアスを複製するだけでなく、 しばしば増幅する。男性が労働力の60%なら、モデルは歴史的傾向に対する精度スコアを最大化するため 男性を80%または90%採用する方向へ押し上げることがある。

Amazonのエンジニアはモデルをジェンダー中立にして「修正」しようとし、特定の用語を無視するよう明示的に プログラムした。しかし深層学習モデルは見つけることに悪名高いほど長けている 代理変数 を。たとえ「woman」という語を除去しても、モデルはしがみつくことができる 言語パターン——特定の動詞、文構造、課外 活動——ジェンダーと強く相関するものに。 ⁶ 例えば、研究によれば男性の 履歴書は「executed」や「captured」のような攻撃的な動詞をより多く使い、女性の履歴書は より共同体的な言語を使うことがある。ブラックボックスモデルは「executed」と「hired」の相関を見て、 言語的代理を通じてジェンダーバイアスを事実上再構築した。 ²

最終的にAmazonは、それが学習しないと保証できないためツールを廃棄した 新たな差別の仕方を。ニューラルネットワークの「ブラックボックス」性は、エンジニアが モデルの予測を破壊せずにバイアスを容易に分離・外科的除去できないことを意味した 能力。 ⁶

1.2 深層学習における「ブラックボックス」問題

Amazonの事例は、高リスクの意思決定に「ブラックボックス」モデルを用いる固有の危険を 浮き彫りにする。深層ニューラルネットワークでは、決定論理は数百万（あるいは 数十億）のパラメータに分散している。入力データ（履歴書）はネットワークに供給され、非線形変換の隠れ層を 通過し、出力スコアが生成される。

1.2.1 因果推論の欠如

決定的なのは、これらのモデルが 相関 で動作し、因果 ではないことだ。モデルは 候補者がなぜ適格かを_理解しない_。「Python」が「Data Science」に有用なプログラミング 言語だとは知らない。知っているのは、文字列「Python」が成功した候補者の 履歴書に現れたことだけだ。「Lacrosse」も成功した履歴書に頻繁に現れたなら （おそらく社会経済的相関のため）、モデルは「Lacrosse」を「Python」と同等に 重みづけするかもしれない。この因果推論の欠如は、偽の相関と不公平な 結果を招く。 ⁷

1.2.2 透明性の逆説

この不透明さは「透明性の逆説」を生む。モデルをより正確にするため、エンジニアは しばしばより複雑にし（層を追加し、パラメータを増やす）、それにより 解釈可能性が下がる。しかしGDPRやEU AI法のような規制は説明可能性を求める。採用担当者は 「ニューロン4,502が強度 0.8で発火した」と引用して候補者に不採用を説明できない。技術的複雑さと簡潔な説明という法的要件のこのギャップが、 現代HR Techの中心的危機である。 ⁸

1.3 LLMラッパーの罠

生成AIの余波のなか、多くのベンダーは大規模言語モデル （GPT-4、Claude、GeminiなどのLLM）を採用エンジンとして使う方向へ転換した。これらのモデルは古いシステムより言語的に優れている一方、 「ブラックボックス」として使うと新たなリスクを導入する。

●​ 幻覚 ：LLMは事実を「幻覚」しやすい。LLMは候補者が 履歴書のトーンがプロフェッショナルに聞こえるだけで特定の認定を持つと推論したり、 存在しないスキル一致を発明したりすることがある。 ⁷

●​ 確率性 ：LLMは非決定的である。同じ履歴書をLLMに 2回入力すると、異なるスコアが得られることがある。監査シナリオでは、この不整合は致命的である。 採用または不採用に至った決定論理を企業が再現できないなら、監査に 失敗する。 ⁷

●​ 知識カットオフ ：LLMは訓練データに基づき時間凍結されている。認識できないことがあり 前回の訓練実行以降に現れた最新のフレームワークや技術を、 一方、ライブのナレッジグラフは即座に更新できる。 ⁷

評決 ：統計AI（深層学習とLLM）は言語の_読み取り_と _解析_には優れた道具だが、人間の潜在能力を_判断する_道具としては危険である。判断には、 決定的で透明で監査可能なアーキテクチャが必要だ。ナレッジグラフが必要である。

第II部：規制の包囲——なぜ透明性は 交渉不能なのか

説明可能なAIへの移行はもはや倫理的選好ではなく、法的要件である。 世界各国の政府は、不透明なアルゴリズム意思決定に対する障壁を築いている。

2.1 NYC Local Law 144：監査の要請

ニューヨーク市は自動雇用決定ツール （AEDT）の規制を先駆けた。2023年7月以降、Local Law 144 は、NYCで雇用または昇進のためにAEDTを用いて候補者を スクリーニングする雇用主に、そのツールを年次の 独立バイアス監査にかけることを義務づける。 ³

2.1.1 要求される具体的指標

法律は極めて具体的である。選抜率 と 影響比 の算出を要求する 人種、民族、性別のあらゆるカテゴリについて。 ⁹

●​ 選抜率 ：あるカテゴリ（例：ヒスパニック系女性）の候補者のうち、 次の段階へ進むよう選ばれた割合。

●​ 影響比 ：保護グループの選抜率を、次の選抜率で割った値 最も選抜されたグループの。この比が0.8未満（「五分の四ルール」）なら、一応の（prima facie）異なる影響（バイアス）の指標となる。 ¹⁰

2.1.2 説明可能性の要求

LL 144は結果に焦点を当てる一方、監査に失敗したシステムを_修正する_唯一の方法は 説明可能性である。ブラックボックスモデルが黒人男性について影響比0.4を示せば、雇用主は 行き詰まる。モデルが彼らを却下する_理由_が見えない。大学名か？郵便 番号か？方言か？説明可能性がなければ、コンプライアンスは盲目の推測ゲームになる。 Veriprajnaのアプローチは、格差が見つかった場合、その格差を引き起こす特定のグラフノードを （例：特定の高価な認定の要件）識別し 調整できることを保証する。 ¹¹

2.2 EU AI法：ハイリスク分類

欧州連合のAI法は世界初の包括的AI法である。明示的に分類する 採用 に用いられるAIシステム（具体的にはターゲティング求人広告、応募のフィルタリング、および 候補者の評価）を ハイリスク システムとして。 ⁴

2.2.1 第13条：透明性と解釈可能性

ハイリスクシステムは、利用者が解釈できるよう十分に透明であるよう設計されなければならない システムの出力を、適切に使えるように。システムは「使用説明」を提供しなければならない システムの能力と限界を含むものを。 ¹³ 根拠のない「ブラックボックス」スコアは この原則に違反する。利用者（採用担当者）は推薦の_論理_を理解しなければならない。

2.2.2 第14条：人間の監督

本法は、ハイリスクシステムが実効的な人間の監督を可能にすることを義務づける。人間は 「ハイリスクAIシステムを使用しないことを決定し、あるいは出力を無視、上書き、または 逆転できる」必要がある。 ¹⁴ AI決定を知的に上書きするには、人間がその 決定を理解しなければならない。VeriprajnaのEKGは、どのスキルが欠けていたかを採用担当者に正確に示すことでこれを促進する。 採用担当者は「AIはこの候補者をスキルXの欠如で却下したが、私は 有効な代替である経験Yがあると見る」と言い、情報に基づく監督を行使できる。 ¹⁵

2.3 GDPR：説明を受ける権利

一般データ保護規則（GDPR）のもと、自動意思決定は厳しく 規制される。

●​ 第22条 ：個人に、もっぱら自動処理のみに基づく決定の対象とされない権利を 与える。

●​ 第15条(1)(h) ：データ主体に、自動決定に「関与した論理についての意味ある情報」へアクセスする権利を 与える。 ⁸

●​ 前文71 ：到達した決定の「説明を得る」権利を明示的に 言及する。

候補者に汎用の不採用メールを送ることは法的に危険である。提供することは 具体的でデータに裏付けられた説明（「職務はPython習熟を要求した。履歴書は JavaとC++を強調していた」）は規制を満たすだけでなく信頼を築き、減らす 訴訟リスクを。 ¹⁵

第III部：Veriprajnaの解——説明可能な ナレッジグラフ（EKG）

これらの規制要件を満たし、バイアス問題を解決するため、Veriprajnaは「ガラス ボックス」アーキテクチャを採用する。中核は エンタープライズ・ナレッジグラフ（EKG） である。

3.1 ナレッジグラフとは何か？

ナレッジグラフは実世界の事実の構造化表現であり、ネットワークとしてモデル化される ノード（エンティティ）と エッジ（関係）の。 ¹⁶ 関係データベースがデータを格納するのに対し 硬い行と列に、グラフは柔軟で相互接続されたウェブにデータを格納し、それは 人間の連想記憶を映す。

3.1.1 オントロジー：システムのDNA

私たちのEKGの中核にあるのは堅牢な オントロジー（またはスキーマ）である。これは青写真であり、定義する 私たちの宇宙にどんな種類のものが存在し、それらがどう関係するかを。 ¹⁷

●​ エンティティ（ノード） ：Person、Skill、Job Role、Company、University、Certification、Project。

●​ 関係（エッジ） ：(:Person)-->(:Skill)、(:Job Role)-->(:Skill)、(:Skill A)-->(:Skill B)、 (:Skill X)-->(:Skill Y)。 ¹⁸

このオントロジーによりシステムは意味的に推論できる。「PyTorch」がライブラリであると知る 「Deep Learning」のための、それは「Artificial Intelligence」の部分集合である。したがって、職務が「AI」を要求し 候補者が「PyTorch」を挙げれば、キーワード「AI」がなくてもグラフは一致を見る。 ¹⁹

3.2 アーキテクチャ：関心の分離

私たちのアーキテクチャは 知覚（読むこと）と 推論（考えること）を厳格に分離する。

3.2.1 知覚層：LLMを「読み手」として

大規模言語モデル（LLM）を用いるのはもっぱら 情報抽出（IE）と 固有 エンティティ認識（NER）のためである。 ²⁰ LLMは履歴書または求人の非構造化テキストを読み、 記述からエンティティを抽出する。

●​ 入力 ："I orchestrated a team of 5 developers to build a React native app."

●​ 抽出：Skill: React Native、Skill: Team Leadership、Context: Mobile Development. ​

LLMは採用決定を行わない。データをオントロジーに適合するノードへ構造化するだけである 私たちのOntology.21

3.2.2 推論層：グラフを「判定者」として

エンティティが抽出されると、ナレッジグラフへ取り込まれる。すべてのマッチング、 スコアリング、ランキング論理はグラフの走査によって行われる。この論理は決定的である。 同じグラフと同じクエリが与えられれば、結果は毎回同一である。 ²² これで解ける 純粋LLMの「確率性」問題を。

3.3 人口統計マスキング：設計によるプライバシー

グラフ・アーキテクチャの最も強力な機能の一つが 部分グラフ・フィルタリング である。マッチング アルゴリズムが走るとき、データの制限された「ビュー」または部分グラフ上で動作する。 ²³

●​ 推論グラフ ：この部分グラフはスキル、役割、経験レベル、および 認定を含む。明示的に_除外する_のは、氏名、性別、民族、住所に関連するノード、 および卒業日（年齢の代理）である。

●​ メカニズム ：「Gender」のノードが推論グラフに存在しないため、 経路探索アルゴリズムはそれらを単純に使えない。「Candidate」から 「Gender」を経て「Role」への経路はない。バイアスは構造的に切断される。 ²⁴

対照的に、深層学習モデルは生テキスト全体を入力として取る。「Gender」フィールドを除去しても モデルはテキスト「Women's Chess Club」を読み、性別を推論する。私たちの グラフでは、「Women's Chess Club」はLLMにより（抽出段階で）中立化されたノードへ写像される (:Activity {type: "Strategy Club", role: "Leadership"}) のような。ジェンダー化された 修飾語は推論エンジンに入る_前に_剥がされる。 ²⁴

第IV部：公平性の数学——計算する スキル距離

Veriprajnaエンジンは成功を「予測」しない。スキル距離 を測る。これにより 採用は主観的確率の領域から客観的幾何へ移る。

4.1 ブール一致からベクトル空間へ

従来の応募者追跡システム（ATS）はブール論理を用いる。履歴書は含むか キーワード「Java」を？（Yes/No）。これは脆く、才能を見逃す。私たちは グラフ埋め込み を用いて スキルの連続ベクトル空間を作る。 ²⁵

Node2Vec や GraphSAGE のようなアルゴリズムを用い、ベクトル表現を学習する オントロジー内のすべてのノードについて。

●​ グラフで頻繁に接続される二つのスキル（例：「Python」と「Pandas」）は 多次元空間で非常に近いベクトルを持つ。

●​ 無関係な二つのスキル（例：「Python」と「Phlebotomy」）は遠く離れる。

4.2 コサイン類似度と加重スコアリング

候補者を職務記述に対してスコアするため、コサイン類似度 を計算する 候補者のスキルベクトル集合と職務の要件ベクトル集合のあいだで。 ²⁷

コサイン類似度の公式：

$$\text{Similarity}(\mathbf{A}, \mathbf{B}) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}}$$ ここで：

●​ $\mathbf{A}$ は候補者のスキルのベクトル表現である。

●​ $\mathbf{B}$ は職務要件のベクトル表現である。

このアプローチは 部分点 を可能にする。「Tableau」を欠くが保有する候補者は 「PowerBI」を、高い類似度スコアを得る。二つのノードが意味的近傍だからである グラフの「Business Intelligence」クラスタにおいて。 ²⁸ キーワード検索ならゼロを与えるだろう。

4.3 重複のためのJaccard類似度

私たちは Jaccard類似度係数 もベースライン指標として用い、生の重複を測る 明示的スキルの。 ²⁸

$$J(A, B) = \frac{|A \cap B|}{|A \cup B|}$$

これは交差の大きさを和集合の大きさで割ったものである。ベクトル類似度よりニュアンスは少ないが、 透明な「カバレッジ」スコアを提供する（例：「候補者は70%をカバーする 必須要件の」）。

4.4 測地距離（最短経路）

「ギャップ分析」のため、グラフ内の 最短経路（測地距離）を計算する トポロジーにおいて。 ²⁹

●​ シナリオ ：職務は Skill X を要求する。候補者は Skill Y を持つ。

●​ グラフクエリ ：ノードYとノードXのあいだの最短経路を探せ。

●​ 結果 ：(Skill Y) -> (Parent Class) -> (Skill X)。距離 = 2 hops。

●​ 解釈 ：距離が小さい（例：< 3 hops）なら、そのスキルは「訓練可能」または

「移転可能」とみなされる。距離が大きい（例：> 6 hops）なら、「ハードギャップ」である。

最終的な スキル距離スコア はこれらのアルゴリズムから導出される複合指標である。それは 候補者が役割のニーズを満たすのに要する「努力」を表す。これは純粋に 能力ベースの指標であり、人口統計に完全に盲目である。

第V部：エンタープライズにおける「ガラスボックス」の実装

EKGアーキテクチャの採用は採用ワークフローを変える。ここに示すのはVeriprajnaが エンタープライズ顧客向けにこのシステムを実装する方法である。

5.1 ハイブリッド・アーキテクチャ：ファクト対ディメンション

私たちはメンタルモデルを用いる。ナレッジグラフはファクトテーブルであり、LLMは ディメンションテーブル である。 ³¹

構成要素	役割	機能	信頼性
ナレッジグラフ	FACT	明示的なものを格納する 関係、 階層、および ルール。（例：「Python は言語である」）。	高（キュレーション済み、 決定的）
LLM	INTERFACE	扱うのは自然 言語入力 および合成する 出力を。（例： 「これを要約せよ ギャップ」）。	可変 （グラウンディングされる グラフにより）
グラフアルゴリズム	LOGIC	実行するのは実際の マッチングおよび スコアリング 計算である。	高（監査対応）

5.2 ワークフロー：履歴書から理由づけられた決定へ

1.​ 取り込みと解析 ：

○​ 候補者が履歴書をアップロードする。

○​ LLMがテキストを解析し、エンティティ（スキル、役割、日付）を識別する。

○​ 正規化 ：「ReactJS」と「React.js」は単一ノード ID:4921 へ写像される。

○​ サニタイズ ：人口統計用語は剥がされるか一般化される（例：「Women's Chess」 $\to$ 「Chess Club」）。

2.​ グラフ構築 ：

○​ 一時的な「候補者ノード」が推論グラフに作られ、接続される 抽出されたスキルおよび役割ノードへ。

○​ 履歴データ（以前の役割）はオントロジーの「役割階層」へリンクされ、推論する シニアリティを。

3.​ 距離計算 ：

○​ システムは スキル距離 アルゴリズム（コサイン + Jaccard + 最短 経路）を職務要求ノードに対して実行する。

○​ スコアが生成される（例：92/100）。

4.​ 説明可能性の生成 ：

○​ システムは「なぜ」を識別する：

■​ 直接一致 ：Python、SQL。

■​ 推論一致 ：PyTorch（深層学習プロジェクトから推論）。

■​ ギャップ ：欠落 "Kubernetes"（距離：3 hops）。

○​ LLMはこれらのグラフ事実に_のみ_基づき人間が読める要約を生成する。 ⁷

5.​ 監査と監視 ：

○​ スコアと匿名化された候補者IDは 監査グラフ へ送られる。

○​ ここで人口統計データ（収集されていれば）と再結合され、リアルタイムの

影響比 をNYC LL 144準拠のために算出する。 ⁹ 逆影響が検出されれば（例：ある 特定の要件が過度に多くの女性をフィルタしている）、システムはHRにレビューするよう警告する 職務記述またはオントロジーの重みを。

5.3 事例研究：「欠落SQL」問題の解決

ブラックボックスAIに却下された候補者を考える。

●​ ブラックボックス ：不採用メール。理由なし。（潜在バイアス：候補者が小さな 大学に通った）。

●​ Veriprajna EKG ：システムの出力：「候補者は明示的なSQL経験を欠く。しかし、

グラフ分析は 'Pandas DataFrames' と 'R Dplyr' の広範な経験を示す。 'DataFrames' と 'SQL' のグラフ距離は短い（概念：データ操作）。 推奨：面接（高い移転可能性）。"

これにより「偽陰性」が「採用」へ変わり、人材プールを拡大し、バイアスを減らす 非伝統的背景に対する。

第VI部：なぜこれが重要か——倫理とビジネスの 論拠

説明可能なナレッジグラフへの移行は罰金回避だけではない。それは より良い事業を築くことである。

6.1 「Amazonモーメント」を避ける

Amazonの失敗は重大な評判毀損を引き起こし、何年ものエンジニアリング 時間を浪費した。人口統計データを決定から物理的に分離するアーキテクチャを用いることで 論理を、Veriprajnaの顧客は バイアス増幅 のリスクから自らを絶縁する。 ¹ できない 「Woman」が推論エンジンの変数でなければ、偶然に女性を嫌うよう学習することは。

6.2 人材プールの拡大

従来のキーワード一致（ATS）は、異なる用語を使う有能な候補者を無視する 用語を。ブラックボックスAIはしばしば「家系」（名門校、大企業）に過度に索引づけする 品質の代理として。EKGの 意味的マッチング は、_スキル_を持つ候補者を識別する しかし_キーワード_や_家系_はないかもしれない。これは自然にダイバーシティ、エクイティ、および

インクルージョン（DEI）を、能力に焦点を当てることで改善する。 ³²

6.3 信頼と採用

採用担当者は「ブラックボックス」を嫌う。「この人を採用せよ」と言う機械を信頼しない 理由を言わずに。透明で視覚的で説明可能な根拠（「ガラス ボックス」）を提供することで、Veriprajnaは採用マネージャーの間での採用を増やす。人間が理解するとき AIを、彼らはそれに_ともに_働き、逆らわない。 ¹⁵

結論：あなたのAIは才能を雇っているのか、それとも繰り返しているのか 歴史を？

Amazonからの教訓は厳しい。データは鏡である。過去でモデルを訓練すれば、あなたは 過去を複製する。公平を目指す世界では、過去の複製は失敗条件である。

エンタープライズAIの未来は、より大きなモデルやより不透明なニューラルネットワークではない。それは 構造、意味、および 説明可能性 についてである。それは私たちの価値をまさに システムのオントロジーへ符号化することである。

Veriprajnaは前進の道を提供する。推測する魔法の箱は提供しない。私たちは提供する 測定する精密器械を。説明可能なナレッジグラフを用いることで、私たちは可能にする 企業が才能の真の地形を地図化することを——スキルと潜在能力の星で航海し、 歴史的偏見の歪んだ地図ではなく。

選択はあなたにある。過去を予測し続けることも、設計し始めることもできる 未来を。

技術付録：比較技術マトリクス

次の表は、支配的な市場のあいだの構造的差異を要約する ソリューションとVeriprajnaのアプローチの。

機能	レガシーATS （キーワード 一致）	「ブラックボックス」AI （深層 学習）	生成AI ラッパー （LLM）	Veriprajna EKG（グラフ AI）
中核論理	ブール文字列 一致	統計的 相関	確率的 トークン 生成	意味的 グラフ 走査

バイアス メカニズム	キーワードバイアス （語彙）	バイアス 増幅 （代理）	訓練 コーパスバイアス	構造的 マスキング
説明可能性	高（正確な 欠落）	ゼロ（ブラック ボックス）	低 （幻覚 リスク）	高（経路 追跡）
決定 一貫性	高	高	低 （確率的）	高 （決定的 ）
規制適合	良好	不良（失敗 第13条）	不良（失敗 監査）	優秀 （ネイティブ監査）
扱い 同義語	失敗（"React" $\neq$ "ReactJS"）	良好	良好	完璧 （エンティティ 解決）
新スキル 採用	手動更新 が必要	必要とする 再訓練 モデル	制限される 知識 カットオフ	即時（追加 ノード）

Veriprajnaのデータサイエンス＆倫理チームによる執筆。

参考文献

1. Amazon's sexist hiring algorithm could still be better than a human - IMD Business School、2025年12月11日閲覧、 https://www.imd.org/research-knowledge/digital/articles/amazons-sexist-hiring-algorithm-could-still-be-beter-than-a-human/t

2. After three years, Amazon stopped using an AI-based hiring tool that discriminated against women | Privacy International、2025年12月11日閲覧、 https://privacyinternational.org/examples/3085/afer-three-years-amazon-stoppetd-using-ai-based-hiring-tool-discriminated-against

3. Part 2 NYC Law 144 & EU AI Act: The Compliance Trap Catching Thousands of Companies、2025年12月11日閲覧、 https://www.edligo.net/hr-tech-ai/series-ai-law-talent-part-2-nyc-law-144-eu-ai-act-the-compliance-trap-catching-thousands-of-companies/

4. EU AI Act: first regulation on artificial intelligence | Topics - European Parliament、2025年12月11日閲覧、 https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence

5. Amazon Scraps Secret AI Recruiting Tool that Showed Bias Against Women | Reuters、2025年12月11日閲覧、 https://mediawell.ssrc.org/news-items/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-reuters/

6. Case Study: How Amazon's AI Recruiting Tool “Learnt” Gender Bias - Cut The SaaS、2025年12月11日閲覧、 https://www.cut-the-saas.com/ai/case-study-how-amazons-ai-recruiting-tool-learnt-gender-bias

7. Why LLMs Fail and How Knowledge Graphs Save Them: The Complete Guide Medium、2025年12月11日閲覧、 https://medium.com/@visrow/why-llms-fail-and-how-knowledge-graphs-save-them-the-complete-guide-6979a564c1b8

8. Black box algorithms and the rights of individuals: no easy solution to the “explainability” problem | Internet Policy Review、2025年12月11日閲覧、 https://policyreview.info/articles/analysis/black-box-algorithms-and-rights-individuals-no-easy-solution-explainability

9. Workday & HiredScore's Focus on Compliance and Bias Mitigation、2025年12月11日閲覧、 https://www.workday.com/en-us/legal/responsible-ai-and-bias-mitigation.html

10. NYC Local Law 144: Choose Your Auditor Wisely - DCI Consulting Blog、2025年12月11日閲覧、 https://blog.dciconsult.com/nyc-ll-144-auditor

11. FairNow: NYC Bias Audit With Synthetic Data (NYC Local Law 144) - GOV.UK、2025年12月11日閲覧、 https://www.gov.uk/ai-assurance-techniques/fairnow-nyc-bias-audit-with-synthetic-data-nyc-local-law-144

12. High-level summary of the AI Act | EU Artificial Intelligence Act、2025年12月11日閲覧、 https://artificialintelligenceact.eu/high-level-summary/

13. The impact of the General Data Protection Regulation (GDPR) on artificial intelligence - European Parliament、2025年12月11日閲覧、 https://www.europarl.europa.eu/RegData/etudes/STUD/2020/641530/EPRS_STU(2020)641530_EN.pdf

14. EU AI Act HR Compliance: How HR Can Prepare - IRIS Software Group、2025年12月11日閲覧、 https://www.irisglobal.com/blog/eu-ai-act-hr-compliance-guide/

15. Addressing Regulatory Requirements on Explanations for Automated Decisions with Provenance – A Case Study - ePrints Soton、2025年12月11日閲覧、 https://eprints.soton.ac.uk/446156/1/dgov_ico_case_study_v3.pdf

16. Ontologies: Blueprints for Knowledge Graph Structures - FalkorDB、2025年12月11日閲覧、 https://www.falkordb.com/blog/understanding-ontologies-knowledge-graph-schemas/

17. What's in a name? - ADP Research、2025年12月11日閲覧、 https://www.adpresearch.com/skills-ontology-whats-in-a-name/

18. Graph data model - Memgraph、2025年12月11日閲覧、 https://memgraph.com/docs/data-modeling/graph-data-model

19. From data to decisions: How Enterprise AI, powered by Knowledge Graphs, is redefining business intelligence - metaphacts Blog、2025年12月11日閲覧、 https://blog.metaphacts.com/from-data-to-decisions-how-enterprise-ai-powered-by-knowledge-graphs-is-redefining-business-intelligence

20. HRGraph: Leveraging LLMs for HR Data Knowledge Graphs with Information Propagation-based Job Recommendation - arXiv、2025年12月11日閲覧、 https://arxiv.org/html/2408.13521v1

21. Construction of a Person–Job Temporal Knowledge Graph Using Large Language Models、2025年12月11日閲覧、 https://www.mdpi.com/2504-2289/9/11/287

22. How to Build a Knowledge Graph for LLMs - XenonStack、2025年12月11日閲覧、 https://www.xenonstack.com/blog/llms-knowledge-graph-agentic-ai

23. (PDF) Graph-Based Privacy-Preserving Data Publication - ResearchGate、2025年12月11日閲覧、 https://www.researchgate.net/publication/304670616_Graph-Based_Privacy-Preserving_Data_Publication

24. Strategies to Mitigate Demographic Biases in AI Prompts、2025年12月11日閲覧、 https://whitebeardstrategies.com/blog/strategies-to-mitigate-demographic-biases-in-ai-prompts/

25. Measuring the distance between skills and occupations (A) Shows a... ResearchGate、2025年12月11日閲覧、 https://www.researchgate.net/figure/Measuring-the-distance-between-skills-and-occupations-A-Shows-a-two-dimensional_fig1_353698286

26. Mitigating social bias in knowledge graph embeddings - Amazon Science、2025年12月11日閲覧、 https://www.amazon.science/blog/mitigating-social-bias-in-knowledge-graph-embeddings

27. Node Similarity - Neo4j Graph Data Science、2025年12月11日閲覧、 https://neo4j.com/docs/graph-data-science/current/algorithms/node-similarity/

28. Similarity functions - Neo4j Graph Data Science、2025年12月11日閲覧、 https://neo4j.com/docs/graph-data-science/current/algorithms/similarity-functions/

29. Algorithms procedures — Neo4j Graph Data Science Python Client documentation、2025年12月11日閲覧、 https://neo4j.com/docs/graph-data-science-client/current/api/algorithms/

30. 1 Using Graph Theory to Optimize Career Transitions - eScholarship、2025年12月11日閲覧、 https://escholarship.org/content/qt4xx343nw/qt4xx343nw_noSplash_e9030d3c998ecb93c2b63dd0929ba9e4.pdf?t=rrk7bk

31. Knowledge Graphs + LLMs: A Potential Mental Model for AI Architecture - Forte Group、2025年12月11日閲覧、 https://fortegrp.com/insights/knowledge-graphs-as-fact-tables-llms-as-dimensions-a-potential-mental-model-for-ai-architecture

32. Full article: Job relatedness, local skill coherence and economic performance: a job postings approach - Taylor & Francis Online、2025年12月11日閲覧、 https://www.tandfonline.com/doi/full/10.1080/21681376.2025.2459148