AI精度最適化事業
LEAGENCEでは、AIの精度・コスト・運用品質を最適化し、実運用に耐えるAIシステムの設計に取り組んでいます。
AI活用は、試す段階から、現場で運用できる品質を実現する段階へ移行しています。
これから求められるのは、AIを導入することそのものではなく、業務の中で安定して成果を出し続けるAIシステムを作ることです。
その中心にあるのが、AIの最適化です。
精度、速度、コスト、運用負荷、改善速度をどのように設計するかによって、AIが実務で使えるかどうかは大きく変わります。
しかし、多くの企業では、AIの改善が人手による調整に依存しています。
データを手作業で作り、出力を人が確認し、プロンプトを都度修正する方法では、品質にも速度にも限界があります。
Leagenceが重視しているのは、AIがAIを評価し、改善し、育てていく構造です。
人間がすべてを調整するのではなく、AI自身が改善の材料を生み出し、判断品質を高め、システム全体を継続的に強くしていく仕組みを設計します。
アーキテクチャ蒸留、知識蒸留、自己改善アルゴリズムなどの考え方を取り入れながら、開発と最適化を一体で捉え、実運用に耐えるAI品質を追求します。
開発実績
LEAGENCEは、生成AI・AIエージェント領域において、大手企業を含む複数社の開発支援を行っています。
- 大手人材・販促系企業
- 大手消費財メーカー
- 外資系コンサルティングファーム
- 大手広告グループ企業
- その他、IT系中小企業複数
※一部、代表の個人事業時代の支援実績を含みます。
上位アーキテクチャによる知能の蒸留
AIを実務で本番運用していくうえで、最も重要になるのは精度です。
ただし、AIの精度改善は、プロンプトを少し調整すれば終わるような作業ではありません。出力を評価し、問題点を見つけ、必要な情報を再取得し、回答を修正し、その結果を次の改善に活かす。こうした一連の改善プロセスを継続的に回していく必要があります。
しかし、この作業を人間が一件ずつ行うには限界があります。運用データが増えるほど、確認・評価・修正の負荷は大きくなり、改善の速度も頭打ちになります。
Leagenceでは、AIが自ら出力を評価し、修正し、改善データを作り、システム全体の精度を高めていくためのアーキテクチャを設計しています。人間がすべてを手作業で直すのではなく、AI自身が精度改善の流れを担うことで、実運用レベルまで品質を引き上げていく仕組みを構築します。
たとえば検索型AIでは、単にベクトル検索やハイブリッド検索を行い、その結果をモデルに渡すだけでは十分ではありません。検索候補を広く取得し、文脈に応じて再評価し、意味的な重要度を判定し、回答に使うべき情報を選別する必要があります。
さらに、こうした高度な構成によって得られた判断結果や評価結果を、改善データとして再利用することで、検索精度、回答精度、判断精度を継続的に高めていくことができます。
これは、単に「強いモデルの知識を小さいモデルに移す」という意味での蒸留ではありません。Leagenceが重視しているのは、モデル単体の性能ではなく、リッチな上位構成が生み出す判断・評価・修正の知能を、実運用のAIシステムへ反映していくという考え方です。
私たちは、AIを一度作って終わりにするのではなく、AIが自ら精度を評価し、改善し、実務で使えるレベルへ成長していくための構造を重視しています。
精度最適化を支える技術思想
- Architecture-level Intelligence Distillation
まず、精度や判断品質を最大化するために、通常の実運用構成よりも上位のAIアーキテクチャを構築します。高性能モデル、複数段階の推論、検索拡張、再ランキング、検証、評価器などを組み合わせ、高品質な判断結果を生成します。
その上位構成から得られた判断プロセス、評価基準、出力結果をもとに、実運用可能なAIシステムへ知能を反映し、検索精度、回答精度、判断精度を改善していきます。これはモデル単体の性能調整ではなく、アーキテクチャ全体で得られた知能を、現場で使える構成へ落とし込む技術です。 - Synthetic Supervision
人間がすべての正解データを作るのではなく、上位構成によって高品質な教師信号を生成します。AIが作った回答をAIが評価し、必要に応じて再検索、再推論、再生成を行うことで、改善に使えるデータを継続的に作り出します。これにより、AIの品質改善を属人的な修正作業から、システム化された改善プロセスへ移行します。 - Evaluator Optimization
AIの精度を高めるには、回答を生成するモデルだけでなく、回答を評価するモデルの品質も重要です。Leagenceでは、評価器そのものを高度に設計し、正確性、根拠、文脈適合性、業務要件との一致、次に取るべき行動の妥当性などを多面的に判定します。評価器を単なるチェック機構ではなく、AIシステムを成長させる中核として扱います。 - Self-Improving Loop
AIが出力し、AIが評価し、AIが修正し、その結果を再びシステム改善に戻す。こうした自己改善ループを設計することで、AIを一度作って終わりにせず、運用の中で精度を高めていく仕組みを構築します。判断が難しいケースでは人間に確認を戻し、その結果もまた改善データとして利用します。 - Context and State Control
高度な業務AIでは、会話履歴や業務情報を単に長く渡すだけでは精度を維持できません。重要なのは、現在の判断に必要な状態を定義し、どの情報を保持し、どの情報を更新し、どの情報を次の判断へ引き継ぐかを制御することです。特にRealtime AIや営業AIのような領域では、状態管理の精度がAIの判断品質を大きく左右します。