KDG 技術解説
4層知識アーキテクチャとは
KDGの中核を成す4層知識アーキテクチャの技術的構造を解説する。ドメイン知識をブラックボックス化せず、人間が読めるテキストとして明示的に管理する「テキスト駆動原則」と、その実装を支える4つの知識レイヤー（Original / Formal / Insight / Meta）の役割を、一般的なAIアプローチとの比較を通じて技術的に示す。
1.4層知識アーキテクチャとは
1-1KDGの設計思想
KDGは、組織のドメイン知識をAIが活用するためのフレームワークである。その中核にあるのは「知識を推測の材料ではなく、確実な実行の基盤として扱う」という思想である。 業務判定、専門相談、技術分析 — 組織のAI活用の多くは、属人化した専門知識を体系化し、誰もが一貫した品質で実行できる形に変換することを目的としている。その実現には、知識が「どこに、どのような形で存在するか」を明示的に管理することが不可欠である。
1-2テキスト駆動原則
KDGの最も重要な設計原則は、「テキスト駆動原則（Text-Driven Principle）」である。組織のドメイン知識は、人間が読める・編集できるMarkdown形式のテキストとして明示的に管理されるべきであり、モデルの重みやベクトル空間のような「人間が直接読めない形態」に閉じ込められてはならない、という原則である。 この原則の背景には、業務でAIを使う上で避けて通れない3つの要請がある。
可視性
知識の内容を、組織の誰もが検証・監査できること。
編集性
知識の更新が、組織の判断だけで即座に反映できること。
説明責任
AIが出した結論の根拠を、申請者・利用者・監査人に対して明示できること。
ドメイン知識をお客様の見える形にすること — これがKDGの中核思想である。知識のブラックボックス化を回避し、組織の知識を組織の手に戻すことで、AIを「理解不能な判定器」ではなく「透明な協働ツール」として業務に組み込むことができる。
1-34層知識アーキテクチャの構成
KDGはテキスト駆動原則を4つの知識レイヤーによって実装する。各層は、組織のドメイン知識の異なる側面を担当する。これら4層は、いずれも人間が読めるMarkdownテキストとして管理される。
- ▸
Original層（原文保持）
組織が保有する原典データ（規程、マニュアル、日報、過去事例等）をそのまま保持する層。常に文脈の源泉として機能する。
- ▸
Formal層（構造化データ）
原文を判定ルール、手順、パターンなどの構造化された形式に整理する層。AIが実行時に直接参照する基準を提供する。
- ▸
Insight層（知見導出）
複数の項目・データ間の関係性やパターンを、自動判定ルールとして抽出する層。経験則を組織の資産に変える。
- ▸
Meta層（価値判断・方針）
組織としての判断基準、優先度、方針を定義する層。他の全層の判定を上書きできる最優先レイヤー。
1-4適用範囲の柔軟性
4層知識アーキテクチャは特定の業務領域に固有の設計ではない。知識表現が必要なあらゆる業務に適用できる柔軟性を持っている。KDG製品群では、次のような幅広い業務への応用を展開している。
- ▸製造業のBOM横断分析
- ▸大規模ソフトウェア開発の知識管理
- ▸高専門性見積もり業務
- ▸インテリジェントモニタリング
- ▸カスタマーサービス
- ▸BPO業務分析
これらはいずれも、組織のドメイン知識を明示的に管理することで初めて価値を提供できる業務である。4層知識アーキテクチャは、業務の種類に依存せず、知識の構造化という共通の課題に対して一貫した解を提供する。
2.一般的なAIアプローチとの比較
組織の知識をAIで扱うための主要なアプローチは、大きく5つに分類できる。本章ではそれぞれの特徴を簡潔に整理し、4層知識アーキテクチャがこれらに対してどのような位置にあるかを示す。
機械学習（ドメイン特化モデル）
過去データから分類モデルを学習させ、入力に対して判定結果を出力するアプローチ。知識はモデルの重みパラメータに埋め込まれるため、何を根拠に判定しているかを人間が検証することは難しい。また、判定基準の変更のたびに再学習が必要となる。
ML + LLMパイプライン
判定はMLモデル、説明理由はLLMに分担させる二段階構成。LLMは判定の根拠を知らないまま「もっともらしい理由」を作文する構造のため、判定ロジックと説明ロジックが分離してしまう。
RAG + LLM
文書をチャンクに分割してベクトル化し、類似検索の結果をLLMに渡して推論させる。検索対象の知識はベクトル空間に存在し、LLMが毎回推論を行うため、判定の再現性に限界がある。
Graph-RAG
知識をグラフ構造で管理し、エンティティ間の関係性を保持する。RAGよりも構造的な検索が可能だが、「判断基準そのもの」をエッジとして表現しにくく、最終判定ではLLMによる推論が必要となる。
LoRA / ファインチューニング
LLMに業務固有の知識を追加学習させる。学習済みモデルの重みに知識が埋没するため、何を学習したかを人間が監査することができず、方針変更のたびに再学習が必要となる。
2-2共通する課題：知識のブラックボックス化
これら5つのアプローチには、技術的手法は異なるにもかかわらず、共通する構造的特徴がある。それは、知識が何らかの形で「人間が直接読めない形態」に閉じ込められているという点である。モデルの重み、ベクトル空間、グラフ構造の推論結果 — いずれの場合も、知識そのものを組織の人間が検証・編集することはできない。
| アプローチ | 知識の形態 | 判定根拠 | 人間が編集可能 |
|---|---|---|---|
| 機械学習 | モデル重み | 確率スコア | × |
| ML + LLM | モデル + 一般知識 | 後付けの作文 | × |
| RAG + LLM | ベクトル空間 | 類似度 + 推論 | × |
| Graph-RAG | グラフ + 推論 | 関係性 + 推論 | △ |
| LoRA / FT | モデル重み | 学習済み推論 | × |
| KDG | Markdown テキスト | 明示的ルール照合 | ○ |
表2-1：各アプローチにおける知識の形態と編集可能性の比較
2-34層知識アーキテクチャの位置づけ
4層知識アーキテクチャは、知識をベクトルやモデル重みに閉じ込めるのではなく、人間が読めるMarkdownテキストとして明示的に管理する設計である。LLMの優れたテキスト理解能力を「ルールの推論」ではなく「明示的ルールの読解と適用」に使うことで、LLMの強みを活かしながら確定的な実行を実現する。 これはLLMの能力を否定する設計ではない。むしろ、LLMの能力を最も有効に発揮できる形で活用する設計である。知識が人間に見える形で存在することで、初めて組織はAIを「信頼できるツール」として業務に組み込むことができる。