Microsoft Copilot Studio の検索拡張生成 (RAG) は、言語モデルの推論能力と信頼できる組織固有の知識を組み合わせています。 これにより、エージェントはモデルの記憶だけに頼るのではなく、企業のコンテンツに基づいて正確で文脈に沿った根拠のある応答を生成できます。
この記事では、次のことについて説明します。
- RAG が AI の信頼性と根拠 (グラウンディング) をどのように向上させるかを理解しましょう。
- Copilot Studio がどのように知識を取得し合成するかを説明します。
- サポートされているサポート情報ソースとその制約を特定します。
- ガバナンス、コンプライアンス、AI の安全性に関する考慮事項を認識します。
- エンタープライズ環境でエージェントを設計する際には RAG の概念を適用してください。
RAG の概要
RAG は、2 つの機能を組み合わせることで AI の精度を向上させる設計パターンです。
- 情報検索: 企業データ ソースの検索。
- テキスト生成: 言語モデルを用いて取得した情報を合成します。
この手法は、誤った情報を減らし、信頼性を高め、実際の組織コンテンツに根ざした応答を生成します。
Copilot Studio の RAG アーキテクチャ
Copilot Studio の RAG パイプラインは Azure AI サービス上に構築されており、Microsoft の信頼性・コンプライアンス・セキュリティ基準と緊密に統合されています。
コア コンポーネント:
- Copilot Studio ランタイム: 会話パイプラインを管理します
- クエリ最適化エンジン: クエリを最適化し、解釈します
- 検索プロバイダー: Bing、SharePoint、Graph、Dataverse、Azure AI 検索
- 要約エンジン: 根拠のある引用付きの応答を生成します
- モデレーション レイヤー: メッセージと要約を検証します
- ステート ストア: 短期記憶 (30 日未満。トレーニングには使用されない)
- 利用統計情報とフィードバック ストア: 分析情報と管理を提供します
Copilot Studio の RAG の仕組み
Copilot Studio の RAG は 4 つの手順で構成されています。
1. クエリ書き換え
Copilot Studio は検索前にユーザーの質問を最適化します:
- 意味を明確にします
- 直近 10 ターンの文脈信号を追加します
- キーワード マッチングを向上させます
- 検索に適したクエリを生成します
このプロセスは検索結果の品質を向上させ、関連性の低い結果を減らします。
2. コンテンツの取得
クエリを書き直した後、システムは設定済みのすべてのサポート情報ソースに対してクエリを実行します。 Copilot Studio は各ソースから上位 3 つの結果を取得し、関連性とパフォーマンスのバランスを取っています。 各サポート情報ソースの動作は、認証、インデックス作成、ファイル形式、ストレージ制約などの要因によって異なります。
以下の表は、サポートされているすべてのサポート情報ソースとその機能、制約、認証要件をまとめています。
| サポート情報ソース | 内容 | 認証 | 主要な機能、制限、制約 |
|---|---|---|---|
| 公開データ (Web サイト) | Bing によってインデックスされた Web サイト | なし |
|
| SharePoint / OneDrive | 企業内コンテンツ (内部専用) | Microsoft Entra ID の委任認証 |
|
| アップロードされたファイル | Dataverse のストレージにアップロードされたファイル | なし |
|
| Dataverse テーブル | 構造化ビジネス レコード (内部専用) | Microsoft Entra ID の委任認証 |
|
| Graph コネクタ | Microsoft Graph にインデックスされたエンタープライズ アプリ (内部専用) | Microsoft Entra ID の委任認証 |
|
| リアルタイム コネクタ | Salesforce、Zendesk、SQL (内部専用) などのシステムからのライブ データ | ユーザーがログインしている必要があります |
|
| Azure AI 検索 | ベクトルベースのセマンティック検索 | 構成されたエンドポイント |
|
| カスタム データ | API やフロー、カスタム ロジックを通じて提供されるデータ | なし |
|
3. 要約処理と応答生成
- AI が取得したコンテンツを合成します
- トーン、フォーマット、安全性、簡潔さに関するカスタム指示内容を反映します
- 基礎データへの引用を生成します
- ユーザーの属性 (言語、部署、リージョンなど) を使って応答をパーソナライズします
4. 安全性およびガバナンスの検証
各応答は自動検証レイヤーを通過します:
- 有害、悪意のある、コンプライアンス違反、または著作権侵害の可能性がある回答のモデレーション
- グラウンディング検証および誤った情報の削除
顧客データは言語モデルのトレーニングに使用されません。
RAG を使用する際の重要な考慮事項
RAG は、事実に基づく質問と回答に最も適しており、深い文書分析には向いていません。
RAG は以下の用途に理想的です:
- ナレッジ ベースからの質問への回答
- ポリシー、FAQ、手順コンテンツの要約
- ファイルや内部システムから特定の事実を取得する
RAG は次が対象です:
- 完全なドキュメントの比較
- ポリシーのコンプライアンス評価
- 長く非構造化文書を扱う複雑な推論
生成 AI のセキュリティとコンプライアンスに関する考慮事項
Microsoft Copilot Studio の生成 AI 機能は、強力な会話型および推論機能を提供しつつ、堅牢なセキュリティ、プライバシー、コンプライアンス管理を維持するよう設計されています。
基礎モデルとホスティング
- Copilot Studio は OpenAI がトレーニングする基盤モデルに依存しています。
- Copilot Studio は、生成応答のために最新の OpenAI モデルの 1 つを使用しています。
- モデルは Microsoft Services Trust の境界に沿って、内部の Azure AI Foundry サービス上で完全に動作します。
- すべてのモデル使用は、Microsoft Responsible AI のプリンシパルおよびポリシーに準拠しています。
カスタム指示
作成者は、モデルの動作を形成したり、トーンに影響を与えたり、フォーマット ルールを追加したりするために、カスタム指示を提供できます。 これらの指示は、安全フィルターやコンプライアンス制御を維持しながら、組織のニーズに合わせて生成応答を調整するのに役立ちます。
データの保存と処理
- データのストレージと処理は、Copilot Studio において、ローカルでモデルをホストできない場合、地域を越えてデータを移動させることがあります。
- このデータ移動が許可されていない場合、管理者は環境設定を利用して、Azure 言語モデルや Bing Search などの特定の機能を無効化できます。
- Copilot Studio は言語モデルのトレーニングに顧客データを収集・使用することはありません。
運用時のデータ管理
- 運用中、システムは会話内容を Microsoft 運営のセキュアなストアに一時的に保存します。
- 認可された Microsoft 職員によるアクセスは、ジャストインタイム (JIT) 制御を備えたセキュア アクセス ワークステーション(SAW) によって制限されています。
- 組織は、カスタマー ロックボックスを利用することで、Microsoft サポート エンジニアがデータを閲覧する前に明示的な承認を必要とするなど、アクセス管理をさらに強化できます。
トラブルシューティング用利用統計情報
- 生成 AI 機能は、テスト ペインでメーカー主導のアクション、具体的にはメーカーが応答に「サムズアップ」または「サムズダウン」を押した場合にのみ、追加のトラブルシューティング データを生成します。
- 明示的なフィードバック ループ以外では、追加の顧客データは一切記録されません。
悪用監視と安全性
複数の安全層がすでに生成 AI 機能を保護しているため、Copilot Studio の生成 AI は顧客データのさらなるログ記録を避けるために Azure AI 悪用監視 を無効化しています。