ナレッジグラフとは｜企業のデータをつないでAI活用に活かす仕組み

自社でAIを活用しようとデータ基盤の検討を始めると、たびたび出てくる言葉が「ナレッジグラフ」です。

ただ、解説を読んでも「オントロジー」「セマンティック」「ベクトル」といった専門用語が並び、結局、自分の会社の何がどう変わるのかがイメージしにくい言葉でもあります。

本記事では、用語の定義から始め、なぜ今AI活用の文脈でナレッジグラフが重要視されているのか、企業のデータ基盤に組み込むと何が変わるのか、そして自社に必要かをどう判断すればよいのかまで、順を追って整理します。

ナレッジグラフとは

ナレッジグラフとは、ヒト・モノ・概念を「点（ノード）」、それらの関係を「線（エッジ）」でつなぎ、情報のつながりを持たせたデータの集まりです。

まず、もとになる「グラフ」という言葉の意味から見ていきます。

まず「グラフ」とは何か｜点と線で関係を表す考え方

「グラフ」と聞くと、多くの方はまず棒グラフや折れ線グラフを思い浮かべるかもしれません。

ここで記載しているグラフは、それとは別のものです。

数学の「グラフ理論」に由来する、点と線で物事の関係を表す考え方を指しています。

グラフ理論では、対象を「ノード（節点・頂点）」、対象同士の関係を「エッジ（辺）」と呼び、ノードの集合とエッジの集合でグラフを表現します。

身近な例で言うと、鉄道の路線図、SNS上の友人関係、組織の相関図といった「モノ・人・場所」を点として置き、それらの関係を線でつないだ表現は、すべてこの意味での「グラフ」にあたります。

グラフとは「点と線で関係を表現する考え方」であり、棒グラフや折れ線グラフとは別物です。

ナレッジグラフとは、情報を点と線でつなぎ、関係性をグラフ構造で表現する

このグラフの考え方を「情報」に適用したものが、ナレッジグラフです。

ナレッジグラフとは、人、モノ、場所、出来事、概念などを「点」として、それらの関係を「線」としてつないだデータの集まりのことを指します。

もう少し具体的に見ていきます。

たとえば社内の情報を、次のような点と線の集まりとして表したとします。

• 「案件A」という点と、「株式会社◯◯」という点を、「契約している」という線でつなぐ

• 「株式会社◯◯」という点と、「製造業」という点を、「業界に属する」という線でつなぐ

• 「田中さん」という点と、「案件A」という点を、「担当している」という線でつなぐ

• 「案件A」という点と、「製品X」という点を、「提供している」という線でつなぐ

こうやってつなげていくと、「田中さんが担当している案件Aは、製品Xを対象としており、顧客は製造業の株式会社◯◯である」という情報が、ノードとエッジの網目として表現できます。

このように、ヒト・モノ・概念を点として置き、それらの関係を線でつないだデータの集まりが、ナレッジグラフです。

個別のデータを孤立した情報として持つのではなく、「何と何が、どういう関係で結びついているか」までを一緒に持っているというのが特徴です。

ナレッジグラフの歴史｜Google検索の「要約パネル」

「点と線で知識を表す」という発想自体は新しいものではなく、1960年代の人工知能研究のなかで「セマンティックネットワーク」として既に提案されていました（出典: Knowledge graph｜Wikipedia）。

この言葉が広く知られる契機になったのは、Googleが2012年5月に検索へ「Knowledge Graph」として取り入れたことです。

身近な例が、検索の「要約パネル」です。
有名人や企業名を検索すると、結果の右側に生年月日・出身地・代表作などがまとまって表示されることがあります。

あの表示は、Googleが持つナレッジグラフから、その対象に関する事実と関係を引き出して組み立てられたものです（出典: Googleのナレッジグラフの仕組み｜Googleヘルプ）。

ここで一度、視点を変えてみます。
「検索すると、関連する情報がつながって出てくる」。
この仕組みが自分の会社のデータに対して働いたら、何ができるようになるでしょうか。

そのイメージを、社内のデータを実際につなぎながら見ていきます。

企業のデータをナレッジグラフでつなげてみる

Googleが検索でやっていることを、社内のデータに対して行うとどういったことができるようになるのか見てみましょう。

会社のデータを点と線でつなぐと、これまで担当者の頭の中や個別のファイルの中にしかなかった「つながり」が、誰でもたどれる形になります。

場面1｜「この案件に誰をアサインすべきか」がたどれる

1つ目は、人材のスキル・これまで担当したプロジェクト・そこでの活動をつなぐ場面です。

【例】人材まわりのデータを、次のようにつなぎます。

• 「山本さん」という点と、「製造業向けのデータ基盤構築」という点を、「担当した」という線でつなぐ

• 「山本さん」という点と、「要件定義」「モデル構築」という点を、「その案件で担当した作業」という線でつなぐ

• その案件と、一緒に動いた「鈴木さん」「木村さん」を、「同じプロジェクトのメンバー」という線でつなぐ

つないでおくと、以下のような活用ができるようになります。

1つはアサインの判断です。
「今度の製造業向けのAI案件、誰が合うか」と考えたとき、業界の経験・持っているスキル・過去にやった作業を線でたどって、候補者を挙げられます。
担当者個人の記憶に頼らず、条件に合う人を探せます。

もう1つはプロジェクトでの人間関係の確認です。
「山本さんは過去に誰と組んで、どの案件を進めたか」を、一緒に動いたメンバーの線からたどれます。チームを組むときに、相性や経験の重なりを踏まえた組み合わせを検討できます。

場面2｜「トップ営業がどうやって受注したか」がたどれる

2つ目は、営業の担当者・作成した提案資料・商談の議事録・担当した案件をつなぐ場面です。

【例】営業まわりのデータを、次のようにつなぎます。

• 「佐藤さん」という点と、「案件X」という点を、「受注した」という線でつなぐ

• 「案件X」という点と、「提案資料v3」という点を、「商談で使った」という線でつなぐ

• 「案件X」という点と、「9月12日の商談議事録」という点を、「この日に受注が決まった」という線でつなぐ

つないでおくと、以下のような活用ができるようになります。

1つは、どの資料で・いつ受注したかです。
受注した案件から、そこで使われた提案資料と、決め手になった商談の日付を線でたどれます。
成果につながった資料が具体的に特定できるので、勝ちパターンを他の営業と共有する足がかりになります。

もう1つは、受注までに何回商談したかです。
案件Xにひもづく議事録の数をたどれば、受注に至るまでの商談回数が見えます。
「この規模の案件は平均で何回の商談がかかるか」を、実データで把握できます。

これらは、特別なデータを新しく作る話ではありません。
すでに人事システム・営業支援システム・共有ドライブにあるデータを、「誰が」「何を」「どの案件で」という関係でつなぎ直すだけです。
バラバラに置いてあった情報を、関係でたどれる形に組み直す。これが、企業のなかでナレッジグラフを作るということです。

ナレッジグラフをAIで活用する

企業のデータ基盤にナレッジグラフを入れると、社内に散在するデータの「意味」と「関係」がAIから読み取れる状態になり、AIに投げられる問いが関係を辿った洞察にまで広がります。

社内データの「意味」をAIが理解し、「なぜ」に答える

社内のデータは、営業支援システム・契約管理・共有ドライブ・人事システムと、複数の場所に分かれて保管されています。

それぞれのシステムは自分の中のデータしか持っておらず、「どのデータとどのデータが、どういう関係にあるか」は持っていません。
人間の担当者は経験でつなげて解釈していますが、その結びつけはシステムに残らないため、そのままではAIに渡せません。

ここにナレッジグラフを介在させると、データ同士の関係がAIから読み取れる状態になります。
すると、AIに投げられる問いのタイプが変わります。

たとえば「就業規則の在宅勤務の条項はどこか」「先週の議事録を要約して」といった問いは、近い意味の文書を1本探してくれば答えられるので、関係のつながりがなくても対応できます。
一方で、次のような問いは、複数の情報を関係でたどらないと答えられません。

• 「この取引先の直近3年の取引履歴と、担当者の異動を踏まえて、次の一手の候補を教えて」

• 「クレームの多い製品Xと同じ部品を使っている他の製品を、影響範囲として一覧にして」

こうした「なぜ」「どうつながっているか」を問うタイプの問いに、AIが根拠をたどりながら答えられるようになる。
これがナレッジグラフをAI活用に組み込む中心的な効果です。

AIの誤った回答（ハルシネーション）が減る

AIが事実と異なる、もっともらしい回答を返す現象を、ハルシネーションと呼びます。
これは、AIが参照する情報の「意味」と「関係」が曖昧なときに起きやすくなります。

たとえば文書のなかに「山田さん」と書かれていても、それが顧客A社の山田さんなのか、社内の山田さんなのか、パートナー会社の山田さんなのかが区別されていないと、AIは文脈だけで判断し、別人の情報を混ぜた答えを返すことがあります。

ナレッジグラフでデータの意味と関係をあらかじめ明示しておくと、AIは「この山田さんは顧客A社の担当者で、案件Xにひもづいている」と、点と線をたどって回答を組み立てます。

結果として、複数のシステムにまたがる顧客や業務の全体像を、取り違えずに横断して答えられるようになります。

ハルシネーションをAIモデルの性能問題として捉える見方もありますが、AIに渡すデータの側を整えることで減らせる部分が大きい、というのが近年の重要な視点です。

なお、AIに読ませるデータ側を整える打ち手はナレッジグラフだけではありません。
関係を持たない文書でも回答精度を上げる方法は、別記事「RAGの精度を上げる方法」で整理しています。

まとめ

本記事では、ナレッジグラフを社内データを実際につなぐと何がたどれるようになるのかを具体例で見てきました。

• ナレッジグラフとは、ヒト・モノ・概念を「点」、それらの関係を「線」でつないだデータの集まりです。

• 社内の人材・案件・提案資料・議事録などを関係でつなぐと、「この案件に誰をアサインすべきか」「トップ営業がどの資料でいつ受注したか」といった、これまで人の頭の中にしかなかったつながりがたどれるようになります。

• いま企業に入れる意味は、これまで人が手作業でやっていた「関係をたどる情報収集」を、AIに任せられるようにするためです

• AI活用では、社内データの意味がAIから見えて「なぜ」に答えられるようになり、複数システムをまたぐ全体像を取り違えずに扱えるため、誤った回答（ハルシネーション）が減ります。

ナレッジグラフは、企業のAI活用において重要な要素になります。

目指すべき企業のAI活用の姿と、そこに到達するために必要な要素を理解することがAI活用の成否に深く関係していると考えます。

本記事が、AI活用に必要な要素を理解する一歩目になると幸いです。