Salesforce AgentForceData Cloudでのチャンク化・ベクトル化の手動設定

2025年11月11日 05:36

1. チャンク化とは？AIが“理解できる単位”をつくる工程 🧠

AIがデータを正確に理解し、文脈を保持したまま回答を生成するには、情報を「適切なサイズ」に分割する必要があります。
これがチャンク化（Chunking）です。
Data Cloudに取り込まれたテキストデータやナレッジ記事、FAQ、契約書などをそのままAIに渡してしまうと、内容が長すぎて意味の境界が曖昧になります。
そのため、AIが理解しやすいように文章を小さな塊（チャンク）に分割し、1チャンク＝1トピックまたは1コンテキストとして扱うのがポイントです。
たとえばFAQなら、「Q&A1件」ごとに1チャンク、マニュアルなら「セクション単位」で分けるのが効果的。
この設計が甘いと、AIが関係のない情報を混ぜたり、冗長な回答を出したりする原因になります。
Data Cloud上でのRAG構築では、このチャンク粒度を最適化することがAIの精度に直結するのです。

2. ベクトル化とは？AIが“意味で検索”できるようにする工程 🔍

チャンク化されたテキストをAIが“検索可能”にするためには、**ベクトル化（Embedding）**が必要です。
ベクトル化とは、文章を数値ベクトル（数百次元の数列）に変換し、意味的に似ている情報を近い位置に配置する処理のこと。
これによりAIは「同じ単語」ではなく「同じ意味」を理解して検索できるようになります。

💡 たとえば：

「契約の延長」と「プラン更新」は異なる表現ですが、意味的には近い文です。
ベクトル空間では、この2つが“近い位置”にマッピングされるため、AIは関連する情報を的確に検索できるのです。

Data Cloudでは、このベクトル化をEmbeddingモデルによって行います。
現在の構成では、Einstein Trust Layerを通じて安全にベクトル情報を生成し、**Agentforce Data Library（ADL）**やRAGエンジンに連携します。
このとき重要なのが、「どのデータをEmbedding対象にするか」と「どの頻度で再生成するか」。
特に営業資料や契約書など“更新頻度が高いデータ”は、手動設定によるベクトル再構築が有効です。
自動処理に頼りすぎると古い情報がAIに残ってしまうため、意図的なリビルド運用が精度維持の鍵になります。

3. 手動設定の実際：Data Cloudでのチャンク・ベクトル管理 ⚙️

Data Cloud上でチャンク化・ベクトル化を手動設定する際は、次の3つの観点で設計するのがベストプラクティスです。

🔹 ① チャンク単位の定義
「どのオブジェクトを、どの基準で分割するか」を最初に決めます。
たとえば、

FAQ → 質問ごとに1レコード
契約書 → 条項単位（Sectionごと）
ナレッジ記事 → 見出し単位
といったルールを明確に設定します。
このチャンク定義をData Cloudのスキーマに反映し、AIが意味を見失わない構造をつくるのが第一歩です。

🔹 ② ベクトル生成のトリガー設計
Data Cloudでは、チャンク作成後に「いつEmbeddingを生成するか」を定義できます。
Flowやスケジュールジョブで自動生成することも可能ですが、重要情報に関しては手動再生成を推奨します。
特に「プラン変更」「新キャンペーン」「料金改定」など頻繁に変わるデータは、管理者がベクトル再構築を実行することで、最新情報への参照精度を保ちます。

🔹 ③ RAGとの接続設定
生成されたEmbeddingベクトルは、RAG構成の検索インデックスとして登録します。
ここでAgentforce Data Library（ADL）を介して、どのデータソース・チャンクをAIが参照できるかを制御します。
AIに「どの範囲を検索してよいか」「どの属性を優先すべきか」を指示することで、不要なノイズを排除し、AIの応答品質を安定化させることができます。

こうして手動設定を組み合わせることで、AIが“現場で使える精度”を維持し続けることが可能になるのです。

まとめ ✨

Salesforce AgentForceにおけるRAG構築では、Data Cloudでのチャンク化・ベクトル化の精度がすべての基盤です。
自動処理でも動作しますが、重要な領域ほど“人が設計した分割・再生成ルール”を持つことで、AIの信頼性が格段に向上します。
・チャンク化は「情報の理解単位」を作る
・ベクトル化は「意味検索の基盤」を作る
・手動設定は「品質保証のための微調整」
まとめると、これらを組み合わせることで、AIが文脈を保ちつつ最新情報を理解し、“実務に使える知能”へ進化します。
Data Cloudは単なるストレージではなく、AIが“考えるための環境”なのです。