GraphRAGの限界とは?ナレッジグラフの課題とAIが見落とす資料間の関係性と解決策
大量の図面、仕様書、故障報告書、取扱説明書などをAIで検索・分析する技術として、GraphRAG(グラフRAG)が注目されています。
GraphRAGの魅力は、個別の文章の類似性だけでなく、複数の資料にまたがる情報の関係性を利用できることです。この発想は、設計変更や設備保全、故障調査など、さまざまな資料を参照する製造業の仕事にも通じます。
しかし、重要な問いがあります。
AIが抽出した「関係性」は、そのまま実際の仕事に役立つのでしょうか?
当社も以前、技術資料から関係性を自動抽出する仕組みを試みました。しかし、文書の内容だけから実務に有用なつながりを見つけることは容易ではありませんでした。そこでAnnoLinkでは、人が調査を通じて発見した資料間の関係性を、検索経路として記録する方式を採用しました。
本記事では、ナレッジグラフとGraphRAGの仕組みを整理し、AIによる関係抽出の課題と、AnnoLinkが採用した別の解決方法を紹介します。
1. ナレッジグラフとは?情報のつながりを表す仕組み
ナレッジグラフ(Knowledge Graph)は、人、設備、部品、現象などの対象をノード、対象同士の関係をエッジとして表現する仕組みです。
例えば、故障報告書の記述に基づいて、次のような関係を表せます。
| 対象 | 関係 | 対象 |
|---|---|---|
| モーター | 使用している | 軸受 |
| 軸受 | 発生した不具合 | 摩耗 |
| 摩耗 | 報告書に記載された原因 | 異音 |
こうした関係を複数の文書から集めれば、個別の資料だけでは把握しにくい情報も横断的に調べられます。
ただし、「同じ文書に登場した」「原因として記載された」「ある担当者が調査で参考にした」は、いずれも異なる意味の関係です。
ナレッジグラフを作っただけでは、その関係が実際の業務で役立つとは限りません。
2. GraphRAGとは?関係性をAIの回答に利用する技術
通常のベクトル検索型RAG(検索拡張生成)は、質問と意味的に近い文章を取得し、LLMに渡して回答を生成します。複数の検索結果を統合できますが、検索時に必要な資料を取得できなければ、その情報を回答に利用できません。
Microsoft GraphRAGは、文書からエンティティ(対象)と関係性を抽出し、ナレッジグラフを構築します。さらに、関連する情報のグループ(コミュニティ)とその要約を作り、質問に応じて関係情報や原文と組み合わせて回答します。
例えば、過去の故障報告書全体から「どのような不具合傾向があるか」を調べたり、別々の資料に記載された部品・現象のつながりを探索したりできます。
複数資料の情報を横断的に整理し、AIの回答に利用できることはGraphRAGの強みです。
参考:Microsoft Research — GraphRAG
3. ナレッジグラフの作り方と課題:関係性をどう取得するのか?
GraphRAGの標準的な索引構築には、主に次の方式があります。
Standard GraphRAGは、LLMを使って文章からエンティティと意味的な関係性を抽出します。
FastGraphRAGは、自然言語処理によって名詞句などを取り出し、同じ文章のまとまりに出現する対象の共起関係を利用します。処理を軽くできる一方、Microsoftのドキュメントでも、Standard方式よりノイズの多いグラフになりやすいことが説明されています。
参考:Microsoft GraphRAG — Indexing Methods
関係性の抽出が正確でも、実務上の有用性は別問題
例えば、1,000件の故障報告書から「モーター」「異音」「振動」「軸受」を抽出し、関係性や傾向を要約したとします。
「軸受と振動は関連する」という情報は正しくても、現場の技術者にとっては既知の内容かもしれません。それだけで、今回の設備で何を点検すべきかが決まるわけでもありません。
問題は関係性を何件抽出できたかではなく、その関係性が、何を判断するために役立つかです。
Microsoftの実装事例にも、自動抽出以外の方法がある
Microsoftが公開した法律文書向けGraphRAGの実装事例では、判例間に既に存在する引用関係を利用してグラフを構築しています。あえてLLMに関係性を一から推定させない方法です。
この事例は、Microsoftが関係抽出に失敗したという意味ではありません。しかし、GraphRAGを活かすには、予め関係性を取得・構築する必要があり、自動抽出だけが方法ではないことを示しています。
参考:Microsoft — GraphRAG Solution for Azure Database for PostgreSQL
4. AIによる関係抽出の難しさに、AnnoLinkはどう取り組んだのか?
当社でも、初期のAnnoLink開発で、関係抽出や構文解析によって技術資料を自動的に関連付けようとしました。しかし、Microsoftのレポート同様に人の経験が関わる複雑な資料間の関係を、文章だけから適切に抽出することは非常に難しいと分かりました。
例えば、設備に周期的な異音が発生したとします。担当者は過去の故障報告書を見つけ、経験を手掛かりに別の取扱説明書を参照し、その中の調整方法が参考になると判断しました。
ところが、故障報告書と取扱説明書に共通する語句や明示的な参照関係があるとは限りません。また、担当者がなぜその説明書を選び、どの箇所を参考にしたのかは、元の文書には書かれていない場合があります。
つまり、次のようなことが起こります。
- 文章の類似性が高くても、今回の仕事には役立たない。
- 文章の類似性が低くても、経験のある技術者には重要な資料だと分かる。
- 調査して初めて発見した資料のつながりは、元資料の解析だけでは再現できない場合がある。
そこでAnnoLinkは発想を変えました。
AIに複雑な関係性を一から推定させるのではなく、人が実際に発見した関係性を記録しよう。
AnnoLinkはこの課題に人の知識・経験を直接反映させるという別の方法で取り組みました。これは、GraphRAGの機能全体を置き換えるという意味ではなく、実務に有用な関係性を蓄積するための解決方法です。
5. 人が発見した関係性を記録する:AnnoLinkの検索経路
AnnoLinkは、技術資料を検索し、担当者が調査中に発見した資料同士のつながりを検索経路として記録・共有するシステムです。
例えば、次のような調査です。
- 「異音」「スプロケット」を手掛かりに故障報告書を見つける。
- その内容と自分の経験から取扱説明書を探す。
- 説明書の特定の調整方法が参考になると判断する。
- 報告書から説明書の該当箇所へ至った検索経路を記録する。
必要に応じて、注釈として判断の手掛かりや注意点も残せます。
後日、別の担当者が同じような不具合を調査したとき、過去の故障報告書を見つければ、その検索経路をたどって当時参考にした資料の該当箇所を確認できます。
検索経路は単なる操作履歴ではありません。「何を手掛かりに、どの資料を見つけ、何を参考にしたか」という人の知識や経験を反映した記録です。
重要なのは、人が発見して記録した関係性については、AIがもう一度その関係性を推定する必要がないという点です。
もっとも、AnnoLinkが未知の関係性を自動発見するわけではありません。記録する作業は必要であり、過去の事例が今回も適用できるかは担当者による確認が必要です。
それでも、過去に誰かが見つけた有用な資料のつながりを、次の担当者が最初から探し直す必要はなくなります。
6. RAG・GraphRAG・AnnoLinkの比較:人が介在すると何が解決するのか?
単なる機能の有無ではなく、実務で生じる課題にどう対応するかという観点で比較します。
| 実務上の課題 | RAG | GraphRAG | AnnoLink |
|---|---|---|---|
| 複数の資料に分散した情報を関連付ける | △ | ○ | ○ |
| 文章が似ていなくても、実務上重要な資料を関連付ける | △ | △ | ○ |
| 文書に書かれていない人の知識・経験を関係性に反映する | × | × | ○ |
| なぜその資料が参考になったのか、調査の経緯を残す | × | × | ○ |
| 過去の担当者が発見した関係性を、次の担当者が再利用する | △ | △ | ○ |
| 未知の関係性をAIが自動的に発見・提案する | △ | ○ | × |
※○=その方式が直接対応する、△=条件付き・間接的に対応、×=ここで比較する標準的な仕組みでは対応しない。RAGとGraphRAGは、既存文書のみを入力する一般的な構成を想定しています。文書化された経験の取り込みや、手動作成グラフの追加は可能です。AnnoLinkの○は、人が検索経路や注釈を記録していることが前提です。
RAG:文章を探してAIに回答させる
ベクトル検索型RAGは、質問に関連する文章を取得して回答を生成します。しかし、実務で必要な資料同士の関係が文章の類似性に表れないと、そのつながりを見逃す場合があります。
GraphRAG:文書から抽出した関係を利用して回答する
GraphRAGは、エンティティの関係やグループ要約を利用し、複数資料にまたがる質問へ対応します。ただし、文書に記録されていない担当者の調査経験を、元の文書の解析だけで再現することはできません。
AnnoLink:人の経験を反映した関係を蓄積して再利用する
AnnoLinkでは、資料同士を関連付ける際に、担当者が実際に調査して得た知識を反映できます。記録された経路は、次の担当者が必要な資料へたどる手掛かりになります。
GraphRAGが関係性をAIで発見・利用するのに対し、AnnoLinkは人が発見した関係性を記録・再利用する。 この違いが、選定時の重要な判断基準になります。
まとめ:関係性をAIに発見させるか、人が発見した関係性を活かすか
GraphRAGの優れた点は、複数の資料に分散した情報の関係性を利用して、横断的な分析や回答生成を行えることです。
しかし、実務で役立つ関係性が、すべて文書の中に明示されているとは限りません。
AnnoLinkは、AIによる関係抽出の難しさを経験した結果、人が仕事で発見した関係性を検索経路として蓄積する方法を採用しました。
GraphRAGがAIによって発見しようとする複雑な関係性も、人がすでに発見して記録していれば、AnnoLinkではその関係性を再利用できます。
GraphRAGの導入を検討しているのであれば、目的を確認してみてください。
大量の文書をAIに分析させたいのでしょうか。それとも、過去の担当者が調べて分かったことを、次の仕事に活かしたいのでしょうか。
後者が主な目的であれば、AnnoLinkも選択肢になります。
人の知識・経験を、次の仕事に活かしませんか?
AnnoLinkは、図面、仕様書、故障報告書、取扱説明書など、既存資料を活用しながら、調査の中で発見した検索経路を記録・共有できます。
大規模なナレッジグラフの自動構築を始める前に、現場ですでに発見されている有用な資料のつながりを蓄積するという方法も検討してみてください。

