Deep Research for Enterprise Applications

Elementum Consulting
Deep Research
for Enterprise Applications
2025年5月7日
エレメンタムコンサルティングＬＬＣ
チーフコンサルタント増田和紀
Copyright © 2025 Elementum Consulting LLC. All Rights Reserved.

Deep Researchとは
Deep Researchとは、ユーザーからの質問を
受け取り、言語モデルの推論機能(Chain-of-
Thought)を用いて、検索計画を立案します。
そして、自律的にウェブ検索を実施して複数の
情報源からデータを収集・統合、引用付きの構
造化されたレポートを生成するAI Agentです。
https://www.perplexity.ai/

情報収集
(インターネット)
検索統合レポート生成
Deep Research for Enterprise Applications
情報収集
(社内システム)
検索統合レポート生成
Deep Research

• ユーザの質問に対し、社内のアプリケーションDBや、SharePointフォルダーなどに存在する関
連文書から、あらゆる方向から検索を行い、纏めて回答するAI Agent
例えば、VectorDB、SQL、GraphDB、ドキュメントどれかに聞くと言う事ではなく、
1)「ふそうファイターで、最も多い事故の故障個所と、そのなかで、その原因の主なものを抽出し、対応
する該当のマニュアルを探してください。」
2)「車毎に故障の件数と、走行距離との関係をグラフにしてください。」
3)「事故原因と、車の登録日に関係性がないか調べてください。」等
と言った、手順が複雑なもの、あいまいなものについても対応できるシステムを構築するソリューションで
す。
RDB
Oracle
VectorDB GraphDB
SharePoint
サンプルデータとして、国土交通省が公
開している「自動車の不具合による事
故・火災情報」を使用しています。

RAG
Chat
RAGとは
• RAG（Retrieval-Augmented Generation）は、社内システムのデータ
ベースや文書を検索し、その情報を基に生成AIが回答を作成する技術
user
Q
A
RDB VectorDB GraphDB
Oracle
LLM

RAGの３形態
・Vector DB 社内システムのデータベースや文書をベクトル化し、最も近い情報を抽出する。
※リアルタイムな情報は取れない。また、抽出であって、データ間の関係は見ていない。
・RDB 動的にLLMがSQLを生成し、リアルタイムに問い合わせたselect結果を文章にして返す。
※SQLに出来ない、あいまいな検索は不向き
・Graph DB Graph DBは、NodeとEdgeの関係で構成され、データ間の関係性を管理しています。
例えば、自動車の事故情報全体から、車名Node、発生部Nodeと事故内容Nodeを自
動的に関連付けて、情報を分析することが出来ます。
RDB VectorDB GraphDB
Oracle
SharePoint
サンプルデータとして、国土交通省が公
開している「自動車の不具合による事
故・火災情報」を使用しています。

Deep Research for Enterprise Application
• 内部の仕組み
– 推論機能(Chain-of-Thought)を持つLLM(OpenAI o3-mini等)が前提
– 質問から、複数の検索の計画を組立て、実行し、得られた情報を纏める。
– アプリケーションDBのコーパス化
• VectorDB
– エンティティ関係の抽出
• GraphDB
– アプリケーションDBのSQL接続
– SharePointフォルダー等の文書検索
RDB
Oracle
VectorDB GraphDB
SharePoint

How does it work?
User
Super Visor
VectorDB
Agent
SQL
Agent
Graph DB
Agent
Document
Search Agent
推論機能(Chain-of-Thought)を
使って要求を解釈、作業の割振、情報
引渡など、全体の管理を行う。
※LangGraphを使用しています。
Planner
Reporter
Agent

Demo
“プリウスのエンジンルームから出火しました。類似事例はありますか？その抽出された事例の
中で、型式とその件数を多い順に検索してください。”
VectorDB
Agent
SQL
Agent
User
Super Visor
以下の処理の振り分けと取りまとめを行います。
STEP1)類似事例検索へVectorDBで検索し、IDを抽出
STEP2)抽出したIDを元に、SQLで型式とその件数を多い順に検索
STEP3)調査結果のまとめ
STEP1)の実行
類似事例検索へVectorDBで検索し、IDを抽出し、SuperVisorに返す
STEP2)の実行
受け取ったIDを元に、SQLで型式とその件数を多い順に検索し、SuperVisorに返す
Reporter
Agent
Planner
Userの要求を受け取り、類似事例の抽出をVector検索、型式ごとの件数集計をSQLで、
結果をもとに、最終レポートの作成を行う事を計画します。
STEP3)の実行
最終レポートを作成し、 SuperVisorに返す

Demo

エレメンタムコンサルティング沿革
• 2018年3月設立
• 2020年2月 Watson Explorer、Watson NLCによる
maximo 類似故障検索システム保守
• 2023年4月同システム拡張、Azure OpenAI Serviceを利用した
Chatbot開発・保守
• 2025年3月同システム移行、旧WatsonをGPT-4o miniに全面切り替え

エレメンタムコンサルティングLLC
チーフコンサルタント
増田和紀
〒333-0844
埼玉県川口市上青木2-20-5-503
090-83464062
masuda.kazuki@elementum.jp
www.elementum.jp
Elementum Consulting

Deep Research for Enterprise Applications

More Related Content

Featured

Deep Research for Enterprise Applications