Cody
ja
ENESFRDEJAKOPT-BRPLAR
ログイン · Assist
無料で始める
エージェント
Cody Assist logoCody Assist知識とサポートCody Convert logoCody ConvertプロアクティブなウェブサイトエージェントCody Clear logoCody ClearコンプライアンスグレードCody Live logoCody Liveアバターとエクスペリエンス
すべてのエージェント料金
リソース
ブログ活用事例プロンプトライブラリスキルライブラリモデルライブラリ
会社情報
私たちについてお問い合わせ

リソース

From Our ブログ

Product updates, practical guides, and clear analysis for teams putting business AI to work.

AIナレッジベース

AIナレッジベース 記事

19 記事

Digital brain an AI. Cover image for: The 2025 AI Forecast: Emerging Trends, Breakthrough Technologies, and Industry Transformations
  • AIナレッジベース

2025年のAI予測：新たなトレンド、画期的なテクノロジー、業界の変革

2025年に向けて、人工知能（AI）は産業、社会、そして私たちとテクノロジーとの関わり方を、刺激的で時に驚くべき方法で再構築している。独立して動作するAIエージェントから、テキスト、ビデオ、オーディオをシームレスに統合するシステムまで、この分野はかつてない速さで進化している。技術系の起業家や開発者にとって、こうした変化を先取りすることは、単に賢いだけでなく、必要不可欠なことなのだ。 2025年以降のAIを形作るトレンド、ブレークスルー、課題を理解しよう。 ざっと振り返る：AIはいかに世界を変えたか 1950年代から今日までのAIの歩みは、驚くべき進化の物語であった。単純なルールベースのシステムから、推論、創造性、自律性を備えた洗練されたモデルへと進化してきた。この10年間で、AIは実験的なものから不可欠なものへと変遷し、産業界全体でイノベーションの中核を担うようになった。 ヘルスケア AIを搭載したツールは、今や診断、個別化医療、さらには手術用ロボットにまで不可欠なものとなっている。AIによる画像診断のような技術は、病気の早期発見の限界を押し広げ、正確さとスピードにおいて人間の能力に匹敵し、凌駕している。 教育 適応型AIプラットフォームは、生徒の学習方法を根本的に変えた。きめ細かなデータ分析を用いて、コンテンツ、ペース配分、エンゲージメントを個人レベルで調整する。 交通 自律システムは、センサー・フュージョン、コンピューター・ビジョン、リアルタイムの意思決定の進歩に支えられ、実験的なプロトタイプから、ロジスティクスや公共輸送における実行可能なソリューションへと発展してきた。 こうした進歩は紛れもない価値をもたらす一方で、倫理、労働力への影響、AIの恩恵の公平な分配をめぐる複雑な問題も露呈している。AIが拡大し続ける中、これらの課題に対処することは引き続き優先事項である。 2025年に注目すべきゲームチェンジャーAI技術 2025年には、AIをより賢くするだけでなく、より有能で、拡張可能で、倫理的なものにすることが焦点となる。ここでは、その展望を形作るものを紹介する： 1.エージェントAI：タスクの自動化を超えて エージェントAIは単なる流行語ではない。これらのシステムは、人間の意見をほとんど聞かずに意思決定を行い、状況に適応することができる。AIがあなたのスケジュールを管理し、プロジェクトを処理し、創造的なアイデアを生み出すというのはどうだろう？眠らない超効率的なチームメンバーを加えるようなものだ。 企業向け：複雑なワークフローを扱うバーチャルなプロジェクトマネージャーを考えてみよう。 クリエイターのために：アイデアのブレーンストーミングやコンテンツの編集を一緒に手伝ってくれるツール。 ムーディーズが強調しているように、エージェント型AIは業界全体の生産性とイノベーションの原動力となる準備が整っている。 2.マルチモーダルAI：究極のオールラウンダー この技術により、テキスト、画像、音声、動画が1つのシームレスなシステムに統合される。未来のバーチャルアシスタントが、単にあなたの言っていることを理解するだけでなく、あなたの口調や表情、周囲の状況までも察知するようになるのはそのためだ。 いくつか例を挙げよう： ヘルスケアマルチモーダルシステムは、複数の情報源からの医療データを分析し、より迅速で正確な診断を提供することができる。 日常生活：レビュー、写真、ビデオを瞬時に分析して旅行の計画を手助けしてくれるアシスタントを想像してみてほしい。 ガートナーは、2023年にはわずか1％であったジェネレーティブAIソリューションの40％が、2027年までにマルチモーダル化されると予測している。 3.合成データ：プライバシーに配慮したソリューション AIシステムの学習にはデータが必要だが、実世界のデータにはプライバシーの問題や利用可能性の問題が伴うことが多い。合成データ-機密情報を公開することなく、本物に似せて人工的に生成されたデータセット-が登場した。 どのような展開になるかは次の通りだ： スケーラブルなイノベーション：シミュレーション環境での自律走行車のトレーニングから、製薬研究のための希少な医療データの生成まで。 ガバナンスの必要性：開発者は、透明性、説明責任、規制基準との整合性を確保するために、監査しやすいシステムを統合するようになってきている。 シンセティック・データは、プライバシーを尊重しつつ、開発者の技術革新のスピードアップを支援する、Win-Winのものだ。 AIが変革する産業 AIはすでにこれらの主要分野で波紋を広げている： 産業 組織の役割の中でAIを定期的に使用している回答者の割合（出典：Gen AI） マーケティングおよびセールス 14% 製品・サービス開発 13% サービス業務 10% リスク管理 4% 戦略およびコーポレート・ファイナンス 4% 人事 3% サプライチェーン・マネジメント 3% 製造業 2% ヘルスケア AIは命を救っている。医療画像の分析から個別化された治療法の推奨まで、AIは医療をより賢く、より速く、より身近なものにしている。早期発見ツールはすでに従来の方法を凌駕しており、医師が問題が深刻化する前に発見するのに役立っている。 小売 ジェネレーティブAIは、超パーソナライズされたマーケティングキャンペーンを可能にし、予測在庫モデルは、サプライチェーンを需要パターンに合わせてより正確に調整することで、無駄を削減する。これらのテクノロジーを採用する小売企業は、業務効率の大幅な向上を報告している。マッキンゼーによると、ジェネレーティブAIは小売企業にとって2400億ドルから3900億ドルの経済的価値を引き出すという。… Read more »

記事を読む
Vector DB Key differences
  • AIナレッジベース

ベクターDBとグラフDB：主な違いを説明

データが複雑化し、量が増え続ける中、適切なデータベース管理システムを選択することが非常に重要になっている。 大規模データを扱うための2つの一般的なオプションは、ベクターDBとグラフDBです。 どちらも異なるタイプのアプリケーションに対応する独自の機能を備えており、パフォーマンスと効率を最適化するためには、その決定プロセスが重要になる。 それぞれの長所と短所を理解することで、企業はデータの潜在能力を最大限に引き出すことができる。 コアコンセプトベクターDBとグラフDB ベクトルデータベース(VDB)は、高次元のベクトルデータの効率的な格納、インデックス付け、検索に特化している。 ベクトルは一定の次元を持つ数学的構造を表し、機械学習では最近傍探索やベクトル量子化などのタスクによく使用される。 例えば、ベクトルデータベースは、大規模なテキストコレクションの単語埋め込みを管理したり、推薦システムを強化したり、類似検索を実行するのに理想的である。 対照的に、グラフデータベース（GDB）は、実体とその関係を表すノードとエッジからなるグラフの形でデータを格納する。 この構造により、グラフ・データベースは、ソーシャル・ネットワーク、推薦システム、知識グラフに見られるような複雑な相互関係を扱うことに長けている。 これらの複雑な関係を効率的にクエリするために、グラフのトラバーサルとパターンマッチングの技術を採用している。 スケーラビリティとパフォーマンス：どのデータベースが輝くか？ ベクトルDBは、最近傍（NN）検索やベクトル量子化のような操作に最適化されており、大規模な類似性検索やAIを含むアプリケーションにとって極めて重要である。 例えば、Faissのようなデータベースは、高次元ベクトルの索引付けと検索に優れており、クエリ時間の複雑さは線形以下（O(n+kd)）で、数百万から数十億のベクトルを扱うのに非常に効率的です。 一方、グラフDBは複雑な関係を管理することで知られており、複雑なネットワークのトラバーサルやパターンマッチングを必要とするシナリオに優れている。 分散グラフデータベースアーキテクチャとパーティショニング戦略を用いてスケーラビリティの懸念に対処するため、データ量が増大しても許容可能なクエリパフォーマンスを維持することができる。 スーパーノード」や複数のネットワークホップといった固有の課題があるため、このタスクは自明ではないが、乗り越えられないものではない。 ストレージ・フットプリントやインデックス作成時間といったパフォーマンス・メトリクスの面では、一般的にベクターDBの方が優れている。 例えば、Faissはコンパクトなストレージフットプリントを持ち、迅速なインデックス構築時間を示しています。 逆に、グラフDBは、ノードとエッジを維持する複雑さのために、より多くのストレージと計算資源を必要とするかもしれませんが、相互接続されたデータのナビゲーションとクエリにおいて比類のないパフォーマンスを提供します。 正しい選択をする考慮すべき要素 ベクターデータベース（VDB）とグラフデータベース（GDB）のどちらかを選択するのは大変なことです。 ここでは、決定プロセスを簡素化するためのフレームワークを紹介する： データを理解する まず、データの複雑さを評価する。 構造化されているか、非構造化されているか。 複雑な関係か、独立したエンティティか？ 例えば、推薦システムは関係性に大きく依存するかもしれないが、画像検索は高次元データに依存するだろう。 主なユースケースの特定 次に、求める主要な洞察を決定する。 例えば、大規模な類似検索を行う必要がある場合は、ベクターDBが理想的である。 逆に、ネットワークトラバーサルやパターンマッチングには、グラフDBが優れている。 パフォーマンスとスケーラビリティの評価 パフォーマンスとスケーラビリティのニーズを考慮してください。 リアルタイムのレスポンスと大規模なデータセットの取り扱いが重要な場合、ベクターDBは高次元のデータに対して効率的です。 しかし、グラフDBは複雑なリレーションシップをよりうまく処理しますが、グラフのトラバーサルやパターンマッチングのためにより多くのリソースを必要とするかもしれません。 強みと弱み VDBは最近傍検索とインデックス作成に優れており、迅速なベクトル演算を必要とするアプリケーションに最適です。 GDBは、複雑なネットワークの管理とクエリに威力を発揮し、ソーシャルネットワーク分析やレコメンデーションシステムなどのシナリオで役立ちます。 最終的には、データの性質と特定のアプリケーション要件によって選択することになります。 これらのニュアンスを理解することで、データの可能性を最大限に引き出すことができます。 結論データの可能性を最大限に引き出す 特定のアプリケーション要件に基づいて、ベクターデータベース（VDB）とグラフデータベース（GDB）のいずれかを慎重に選択することが重要です。 それぞれのデータベースタイプには独自の強みがあり、異なるシナリオに適しています。 VDBは高次元のデータ処理や類似検索に優れており、AIやレコメンデーションシステムに最適です。 一方、GDBはネットワークトラバーサルやパターンマッチングに威力を発揮し、ソーシャルネットワーク分析や複雑なリレーションシップ管理に最適です。 データとユースケースを評価することで、より適切な意思決定が可能になり、ニーズに合ったテクノロジーを活用できるようになります。 適切なデータベースを選択することで、様々なアプリケーションのパフォーマンス、スケーラビリティ、洞察力を向上させることができます。

記事を読む
RAG-as-a-Service：あなたのビジネスにジェネレーティブAIを
  • AIナレッジベース

RAG-as-a-Service：あなたのビジネスにジェネレーティブAIを

大規模言語モデル（LLM）とジェネレーティブAIのトレンドの台頭により、ジェネレーティブAIソリューションをビジネスに統合することで、ワークフローの効率を大幅に向上させることができます。 初めてジェネレーティブAIに触れる人は、専門用語の多さに戸惑うかもしれない。 このブログでは、ジェネレーティブAIの基本的な用語について説明し、RAG-as-a-Serviceを使用してビジネスのためのカスタムAIソリューションを開始する方法について説明します。 検索拡張世代（RAG）とは？ Retrieval Augmented Generation（RAG）は、LLMや生成AIをビジネス・ワークフローに導入する際の重要なコンセプトである。 RAGは、事前にトレーニングされたTransformerモデルを活用し、特定の知識ベースから関連するデータをクエリプロセスに注入することで、ビジネス関連のクエリに回答します。 LLMが訓練を受けていない可能性のあるこのデータは、正確で適切な回答を生成するために使用される。 RAGは費用対効果が高く効率的であるため、ジェネレーティブAIをより身近なものにする。 RAGに関連する重要な用語をいくつか探ってみよう。 RAGの主要用語 チャンキング LLMはリソースを必要とし、「コンテキスト・ウィンドウ」と呼ばれる管理可能なデータ長で学習される。コンテキスト・ウィンドウは使用するLLMによって異なる。 その限界に対処するため、文書やテキスト文献として提供されるビジネスデータは、より小さな塊にセグメント化される。 これらのチャンクは、クエリー検索プロセスで利用される。 チャンクは非構造化であり、クエリは知識ベースデータと構文的に異なる可能性があるため、チャンクはセマンティック検索を使って検索される。 ベクター・データベース Pinecone、Chromadb、FAISSのようなベクターデータベースは、ビジネスデータの埋め込みを保存する。 エンベッディングは、テキストデータをその意味に基づいて数値化し、意味的に類似したデータが近接する高次元ベクトル空間に格納される。 ユーザーによるクエリが行われると、そのクエリの埋め込みがベクトル・データベース内の意味的に類似したチャンクを見つけるために使われる。 RAGアズ・ア・サービス 技術的な専門知識がない場合、RAGをビジネスに導入するのは大変なことです。 そこでRAG-as-a-Service（RaaS）が登場する。 私たちmeetcody.aiは、お客様のビジネスニーズに合わせたプラグアンドプレイのソリューションを提供します。 アカウントを作成するだけで、無料でご利用いただけます。 チャンキング、ベクター・データベース、そしてRAGの全プロセスを私たちが行いますので、ご安心ください。 よくあるご質問 1.RAG-as-a-Service（RaaS）とは何ですか？ RAG-as-a-Service(RaaS)は、お客様のビジネスのための検索拡張世代プロセス全体を処理する包括的なソリューションです。 これには、データのチャンキング、埋め込みデータのベクトルデータベースへの格納、クエリに関連するデータを検索するためのセマンティック検索の管理などが含まれる。 2.チャンキングはRAGプロセスにどのように役立ちますか？ チャンキングは、大きなビジネス文書を、LLMのコンテキスト・ウィンドウに収まるように、管理しやすい小さな断片に分割します。 このセグメンテーションにより、LLMはセマンティック検索を使って関連情報をより効率的に処理し、取り出すことができる。 3.ベクター・データベースとは何か？ ベクターデータベースは、ビジネスデータの数値表現（埋め込み）を保存します。 これらの埋め込みは、クエリが行われたときに、意味的に類似したデータを効率的に検索することを可能にし、LLMからの正確で適切な応答を保証する。 RAG-as-a-Serviceのパワーを活用することで、RAGを簡単かつ効率的にお客様のビジネスに統合することができます。 今すぐmeetcody.aiを使い始め、高度なジェネレーティブAIソリューションでワークフローを変革しましょう。

記事を読む
the importance of integrating an AI knowledge base into your customer support ecosystem cannot be ignored.
  • AIナレッジベース
  • アーティフィシャル・インテリジェンス
  • +3

2024年にAIナレッジベースを立ち上げるには？

進化し続けるカスタマーサービスにおいて 78% 業界リーダーの78%が、セルフヘルプポータルやAIを活用したセルフサービスソリューションへの投資を増やしています。 チャットボットアシスタント のようなセルフサービス・ソリューションへの投資拡大が進む中、AIナレッジベース・ソフトウェアをカスタマーサポートのエコシステムに統合することの重要性は無視できません。 使用方法 ビジネスのためのAI は、顧客が必要とするときに的確な情報を提供することで、顧客との接し方を完全に変える力を持っている。 しかし、それを最大限に活用するには、入念な計画と一貫した管理が必要だ。 このブログでは、カスタマーサービス体験を向上させるために適切なAI知識ベースを作成するための戦略を提供します。 AIナレッジ・ベースとは何か？ AIナレッジベースとは、人工知能（AI）技術によって整理、管理、アクセス可能にされた情報やデータのデジタルリポジトリである。 知識を保存、検索、共有するための一元化されたリソースで、通常は構造化され検索可能な形式になっている。 AIは、インテリジェントな検索、コンテンツ推薦、自然言語処理、およびユーザー体験を向上させるその他の機能を可能にすることで、知識ベースの機能を強化するために使用される。 AIナレッジ・ベースの主な特徴と構成要素を紹介しよう： 1.情報リポジトリ 記事、文書、FAQ、製品情報、教育資料、その他組織やプラットフォームがユーザーに提供したいあらゆるデータなど、幅広いコンテンツが含まれている。 2.構造化された組織 知識ベース内のコンテンツは、通常、カテゴリ、トピック、タグ、および階層を使用して構造化された方法で整理され、ユーザーがナビゲートして関連情報を効率的に見つけるのに役立ちます。 3.AIを活用した検索 自然言語処理などのAI技術は、検索機能を強化するために使用される。 ユーザーは自然言語でクエリを入力することができ、AIシステムはそれを理解し、適切な検索結果を提供することができる。 4.コンテンツに関する推奨事項 AIは、ユーザーの行動や嗜好を分析し、ユーザーが興味を持ちそうな記事やリソースを提案することで、パーソナライズされたコンテンツ・レコメンデーションを提供することができる。 5.チャットボットとバーチャルアシスタント 多くのAIナレッジベースは、チャットボットやバーチャルアシスタントを統合し、リアルタイムのサポートを提供したり、ユーザーからの問い合わせに答えたりする。 これらのチャットボットは、AIを使ってユーザーの問い合わせを理解し、効果的に対応することができる。 6.自然言語処理 (NLP) NLPは人間の言語を理解し処理するために使用され、ユーザーが知識ベースと対話し、関連情報を得ることを容易にする。 7.センチメント分析 AI知識ベースの中には、ユーザーの満足度を測定し、改善が必要な分野を特定するために、センチメント分析を組み込んだものもある。 8.コンテンツのタグ付けと分類 AIはコンテンツに自動的にタグを付け、分類することができるため、情報の管理や検索が容易になる。 9.分析とレポート ナレッジベースには、ページビュー、検索クエリ、ユーザーからのフィードバックなど、ユーザーのエンゲージメントをトラッキングするツールが含まれていることが多い。 このデータは、ナレッジベースの内容や構造を改善するために貴重なものである。 10.アクセス制御とセキュリティ AI知識ベースには、特定のコンテンツを許可されたユーザーに制限するアクセス制御機能が含まれている場合があり、機密情報を保護するためのセキュリティ対策が施されている。 AIナレッジベースは、カスタマーサポート、企業内ナレッジマネジメント、eラーニングプラットフォーム、オンラインドキュメントなど、様々な領域で広く利用されている。 AIを活用して知識へのアクセスと検索を強化することで、企業がユーザーにタイムリーで正確な情報を提供し、サポートコストを削減し、全体的なユーザー体験を向上させるのを支援する。 成功するAIナレッジベース・ソフトウェアをセットアップするためのチェックリストとは？ AIの知識ベースを構築するには、情報を構造化してアクセス可能な方法で整理・保存し、人工知能を使ってその情報を効果的に検索・提示する必要がある。 ここでは、AIナレッジベースをセットアップするための完全なチェックリストを紹介する： 目標と目的を明確にする ナレッジ・ベースの目標と目的を明確にすることから始めましょう。 どのような情報を保存し、検索したいのか？ 知識ベースの目的は何ですか？ 想定される観客は？ ナレッジベース・プラットフォームの選択 ナレッジベースをホストするプラットフォームまたはソフトウェアを選択します。 様々なオプションには、カスタムビルドソリューション、コンテンツ管理システム（CMS）、Confluence、Zendesk、KnowledgeOwlのようなナレッジベースソフトウェアなどがあります。 コンテンツの整理と構成 コンテンツを分類し、論理的に構成する。 トピック、カテゴリ、サブカテゴリの分類法または階層を作成する。… Read more »

記事を読む
RAG API is a framework with the commitment to enhance generative AI by guaranteeing that its outputs are current, aligned with the given input, and, crucially, accurate.
  • AIナレッジベース
  • アーティフィシャル・インテリジェンス
  • +1

RAG APIとは何ですか？

データを効率的に検索し、処理する能力は、今日の技術集約的な時代において、ゲームチェンジャーとなっている。 RAG APIがデータ処理をどのように再定義するのかを探ってみよう。 この革新的なアプローチは、大規模言語モデル（Large Language Models：LLM）と検索ベースの技術を組み合わせ、データ検索に革命をもたらす。 大規模言語モデル（LLM）とは？ 大規模言語モデル（LLM）は、検索拡張世代（RAG）の基盤となる高度な人工知能システムである。 GPT（Generative Pre-trained Transformer）のようなLLMは、高度に洗練された言語駆動型AIモデルである。 彼らは広範なデータセットで訓練されており、人間のようなテキストを理解し、生成することができる。 RAG APIの文脈では、これらのLLMはデータ検索、処理、生成の強化において中心的な役割を果たし、データ相互作用を最適化するための多用途で強力なツールとなっている。 RAG APIのコンセプトを簡単に説明しよう。 RAGとは？ RAG（Retrieval-AugmentedGeneration）は、生成AIを最適化するために設計されたフレームワークである。 その主な目的は、AIによって生成される回答が、入力プロンプトに対して最新かつ適切であるだけでなく、正確であることを保証することである。 この正確さへのこだわりは、RAG APIの機能の重要な側面である。 これは、GPTのようなラージ・ランゲージ・モデル（LLM）と呼ばれる超スマートなコンピューター・プログラムを使ってデータを処理する画期的な方法である。 これらのLLMは、その前の単語を理解することによって、文の中で次に来る単語を予測することができるデジタル魔法使いのようなものだ。 彼らは膨大な量のテキストから学んでいるので、とても人間らしく聞こえるように書くことができる。 RAGでは、これらのデジタルウィザードを使用して、カスタマイズされた方法でデータを検索し、作業することができます。 データについて何でも知っている本当に賢い友人に助けてもらっているようなものだ！ 基本的に、RAGはセマンティック検索で取得したデータを、LLMへのクエリに注入して参照する。 これらの用語については、記事の中でさらに掘り下げていく。 RAGについてもっと詳しく知りたい方は、Cohereの包括的な記事をご覧ください。 RAG vs. ファインチューニング：その違いは？ アスペクト RAG API 微調整 アプローチ 既存のLLMをデータベースのコンテキストで補強 特定の業務に特化したLLM 計算リソース 少ない計算資源で済む かなりの計算資源を必要とする データ要件 小規模なデータセットに適している 膨大なデータを必要とする モデルの特異性 機種にとらわれず、必要に応じて機種変更が可能 LLMの切り替えは通常非常に面倒である。 ドメイン適応性 ドメインにとらわれず、様々なアプリケーションに対応可能 異なるドメインに適応する必要があるかもしれない 幻覚軽減 幻覚を抑える効果 注意深く調整しないと、幻覚が増える可能性がある。 一般的な使用例… Read more »

記事を読む
お客様のデータは当社で安全に保護されます
  • AIナレッジベース
  • アーティフィシャル・インテリジェンス

お客様のデータは当社で安全に保護されます

データセキュリティとプライバシーへの取り組み ChatGPTは人工知能の代名詞となり、これまでAIになじみのなかった人たちでさえ、AIについての知識を得るようになった。 その人気は急上昇し、企業や個人はChatGPTに似ているが自社のデータに合わせたAIボットを求めるようになった。 Cody AIでは、このプロセスを簡素化し、合理化することで、AIの複雑な技術的問題を掘り下げる必要をなくすとともに、最新のイノベーションに対応することを目指しています。 カスタムユースケースでAIを使用する個人や企業の間で大きな懸念となっているのが、データの完全性とセキュリティだ。 GPTのような言語モデルを構築するには、膨大なトレーニングデータセットを使用する必要がある。 Cody AIでは、このような懸念を理解し尊重し、お客様のデータとプライバシーの保護を優先しています。 Codyがどのようにプロセス全体を通してデータのセキュリティを確保するのかを理解するために、その道のりを3つのセクションに分けてみよう：ドキュメント、エンベッディング、モデルです。 書類 Codyは安全でプライベートなAmazon Simple Storage Service (S3)を利用し、処理前の初期段階でドキュメントを保存します。 S3は全てのバケットへの全てのオブジェクトのアップロードの暗号化を保証し、PCI-DSS、HIPAA/HITECH、FedRAMP、EUデータ保護指令、FISMAのような様々なプログラムへのコンプライアンスを維持する。 これにより、お客様のデータは確実に保護され、規制要件に準拠します。 Codyにアップロードされたドキュメントは、SSE-S3(Server-Side Encryption)プロトコルに従い、あなたとあなたのチームメンバーだけがアクセスでき、データの機密性とプライバシーが保証されます。 埋め込み エンベッディングは基本的に、データをベクトル（数値のリスト）の形で表現したものです。 コーディに提供されるデータは構造化されていないため、埋め込みデータに変換することで、より高速な検索と意味検索が可能になる。 Codyがどのように文書から回答を生成するかについては、こちらの記事をご覧ください。 これらのベクトルや埋め込みを保存するために、CodyはPineconeという大企業から信頼されているセキュアなベクトルデータベースに依存している。 Pineconeは、以下のような強固なセキュリティ機能を提供している： SOC2 Type II 認証 GDPR対応 脆弱性をチェックするための定期的な侵入テスト。 完全に管理されたセキュアなAWSインフラ上でKubernetesコンテナを分離し、データを保存。 モデル Cody AIはOpenAIのGPTモデル（GPT-3.5、GPT-3.5 16K、GPT-4を含む）を活用して応答を生成します。 リソースの制限のため、これらのモデルはコーディのネイティブサーバーではホスティングされていません。 その代わりに、OpenAIが提供するAPI（ドキュメントやクエリのエンベッディングの作成にも使用される）を利用する。 回答を生成する際には、すべての文書を送信するのではなく、質問されたことに関連するデータの特定の部分のみをリクエストで送信する。 このアプローチは、効率的な処理、データの完全性を保証し、不必要なデータ転送を最小限に抑える。 APIによって提供される追加のセキュリティメカニズムは、あなたのデータが既存または新しい言語モデルの学習に使用されないことです。 これにより、お客様のデータはお客様のボットに限定され、モデルのトレーニング目的には使用されません。 2023年3月1日より、データの使用および保持に関するポリシーを2点変更いたします： 1.OpenAIは、お客様が明示的にこの目的のためにお客様のデータを弊社と共有することを決定しない限り、弊社のモデルを訓練または改善するために、弊社のAPIを介してお客様から提出されたデータを使用しません。 データ共有のオプトインが可能です。 2.APIを通じて送信されたデータは、不正使用および誤用監視の目的で最大30日間保持され、その後削除されます（法律で義務付けられている場合を除く）。 ソースオープンAI このコミットメントにより、機密性のレイヤーが追加され、お客様のデータのプライバシーとセキュリティが保証されます。 詳しくはこちらの記事をご覧いただきたい。 結論 これら3つの要素を総合的に考慮すると、Cody AIはデータ・セキュリティとコンプライアンスに対してきちんと構築されたアプローチを示し、お客様のデータの99％のセキュリティを保証します。 データ・プライバシーが最も重要視される時代において、私たちはお客様のデータの完全なセキュリティを確保するために、それ以上の努力を惜しみません。 Cody… Read more »

記事を読む

最初のアシスタントは数分の距離にあります

ビジネス知識を活用しましょう。

無料の Cody アカウントから始めてください。コンテンツを追加し、アシスタントを構築し、最初の役立つ回答を今すぐ共有してください。

AI を構築する価格を見る