Alibaba Cloud Model Studio:ナレッジベース

ナレッジベースの作成

1. [ナレッジベース] ページで、[ナレッジベースの作成] をクリックします。

2. アプリケーションシナリオに基づいて、適切な [ナレッジベースタイプ] を選択します。1 つのナレッジベースでサポートできるタイプは 1 つだけです。作成後にナレッジベースタイプを変更することはできません。

   • ドキュメント検索 (取得シナリオ用)

     • シナリオ:

       • このタイプは、社内ドキュメントや製品マニュアルなど、非構造化データ (事前に定義されたテーブルスキーマで整理されていないデータで、テキスト、テーブル、画像を含む) の取得に適しています。

       • ファイルに画像が含まれており、アプリケーションが回答でそれらを返す必要がある場合は、[ドキュメント検索] を選択します。

     • データソースの統合: ローカルファイルをアップロードするか、Alibaba Cloud Object Storage Service (OSS) からインポートできます。

       作成手順 (ドキュメント検索)

       1. データの選択: ナレッジベースのデータソース (ファイルまたはコンテンツを含む) を指定します。データソースのコンテンツは、後続の取得のためにナレッジベースにインポートされます。[ローカルアップロード] と [クラウドインポート] (既存のカテゴリまたはファイルを選択) の 2 つの方法がサポートされています。

          • ローカルアップロード: コンピューターから直接ファイルをアップロードします。解析方法の選択方法については、以下の折りたたみ可能なパネルを展開してください。

            データ解析設定

            要件に基づいて解析ポリシーを構成します。どちらを選択すればよいかわからない場合は、デフォルト設定のままにすることができます。

            • デジタル解析: ファイル内のイラストやチャートの解析をサポートしていません。

            • インテリジェント解析: ファイル内のイラストの場合、パーサーは画像からテキストを識別して抽出し、テキストの要約を生成します。これらの要約は、ファイル内の他の非画像コンテンツとともにチャンク化され、埋め込みに変換され、ナレッジベースの取得に使用されます。

            • LLM 解析: Qwen-VL モデルを備えたエージェントアプリケーションを使用する場合、ファイル内のイラストやチャートのコンテンツについて質問できます。ファイル内のイラストやチャートの認識と理解を有効にするには、[LLM 解析] を選択します。

            • Qwen VL 解析: この方法は画像ファイル専用です。Qwen-VL モデルを指定し、プロンプトを提供して、画像レイアウトと要素の認識と抽出をガイドできます。

          • クラウドインポート: アプリケーションデータまたは Object Storage Service (OSS) から既存のファイルをインポートします。詳細な手順については、「データインポート」をご参照ください。

       2. インデックス構成: インポートされたデータの処理方法と保存方法を定義します。これは取得パフォーマンスに直接影響します。

          以下の設定項目のうち、ADB-PG を選択した場合に料金が発生する可能性があるのは「ベクトルストレージ」のみです。他のすべての構成は無料です。

          メタデータ抽出

          メタデータは、非構造化データに関連する追加のプロパティのセットです。これらのプロパティは、キーと値のペアとしてテキストセグメントに統合されます。

          • 目的: メタデータは、テキストセグメントに重要なコンテキスト情報を提供し、ナレッジベースの取得精度を大幅に向上させることができます。たとえば、ファイル名が製品名である何千もの製品紹介ファイルを含むナレッジベースを想像してください。ユーザーが「製品 A の機能概要」を検索した場合、すべてのファイルの本文に「機能概要」が含まれているが「製品 A」については言及されていない場合、ナレッジベースは多くの無関係なテキストセグメントを取得する可能性があります。ただし、製品名がすべてのテキストセグメントにメタデータとして追加されている場合、ナレッジベースは「製品 A」に関連し、「機能概要」も含むテキストセグメントを正確にフィルタリングできます。これにより、取得精度が向上し、モデルが消費する入力トークンの数が削減されます。

          • 使用法: API を使用してアプリケーションを呼び出す場合、metadata_filter リクエストパラメーターで [メタデータ] を指定できます。ナレッジベースから取得する際、アプリケーションはまず [メタデータ] に基づいて関連ファイルをフィルタリングします。

          • 注意: ナレッジベースを作成した後、メタデータ抽出を構成することはできません。

          メタデータの設定方法

          [メタデータ抽出] を有効にし、[設定] をクリックして、ナレッジベース内のすべてのファイルに統一されたメタデータまたはパーソナライズされたメタデータを追加します。チャンク化中に、各ファイルのメタデータはそれぞれのテキストセグメントに統合されます。以下の図は、上記の例で使用されているメタ情報テンプレートを示しています:

          

          メタ情報テンプレートの作成手順

          値の抽出方法:

          • 定数: ナレッジベース内のすべてのファイルに固定のプロパティを追加します。

            上記の例に示すように、ナレッジベース内のすべてのファイルに同じ作成者がいる場合、author という名前の定数フィールドを統一して設定できます。

          • 変数: ナレッジベース内の各ファイルに可変のプロパティを追加します。現在サポートされているプロパティには、file_name と cat_name があります。file_name を選択すると、Model Studio はファイルのメタデータにファイルの名前を追加します (上記の例を参照)。cat_name を選択すると、Model Studio はファイルが配置されているカテゴリの名前をファイルのメタデータに追加します。

          • LLM: システムは、指定された [エンティティの説明] ルールに従って、ナレッジベース内の各ファイルのテキストコンテンツを照合します。システムは、ファイルから関連情報を自動的に識別して抽出し、この情報をファイルのメタデータにプロパティとして追加します。

            上記の例のメタ情報テンプレートに示すように、各ファイルで言及されているすべての年をファイルのプロパティとして抽出するには、date という名前の LLM フィールドを次のエンティティ説明構成で設定できます:

            

          • 正規表現: システムは、指定された正規表現に従って、ナレッジベース内の各ファイルのテキストコンテンツを照合します。式に一致するコンテンツが抽出され、ファイルのメタデータにプロパティとして追加されます。

            上記の例のメタ情報テンプレートに示すように、各ファイルで言及されているすべての参照を抽出するには、参照が「で始まり」で終わるパターンに従うと仮定すると、reference という名前の正規表現フィールドを次の正規表現構成で設定できます:

            

          • キーワード検索: システムは、各ファイルで事前に設定されたキーワードを検索し、見つかったキーワードをそのファイルのメタデータにプロパティとして追加します。

            たとえば、上記の例のメタ情報テンプレートでは、事前に設定されたキーワードは次のとおりです:

            

            ただし、このファイルには「financing」、「industry」、「green」、「capital」というキーワードしか出現しなかったため、システムはこれらの 4 つのキーワードのみをファイルの keywords プロパティの値として抽出しました。

          取得に使用: 有効にすると、メタデータフィールドと値がテキストセグメントコンテンツとともにナレッジベースの取得に含まれます。無効にすると、テキストセグメントコンテンツのみが取得に使用されます。

          モデルの応答に使用: 有効にすると、メタデータフィールドと値がテキストセグメントコンテンツとともに LLM の応答生成プロセスに含まれます。無効にすると、テキストセグメントコンテンツのみが LLM の応答生成プロセスに使用されます。

          Excel ヘッダーのアセンブリ

          有効にすると、ナレッジベースはすべての XLSX および XLS 形式ファイルの最初の行をテーブルヘッダーとして扱い、各テキストセグメント (データ行) に自動的に追加します。これにより、LLM がヘッダーを通常のデータ行として誤って扱うのを防ぎます。

          ナレッジベースに PDF などの他の形式のファイルが含まれている場合、この設定を有効にする必要はありません。

          チャンク化メソッド

          [インテリジェント分割] (推奨) を選択します。

          目的: ナレッジベースはファイルをテキストセグメント (チャンク) に分割し、これらのチャンクをベクトルモデルを使用してベクトルに変換します。テキストセグメントとそれに対応するベクトルは、ベクトルデータベースにキーと値のペアとして保存されます。ナレッジベースを作成した後、各テキストセグメントの特定のコンテンツ (テキストと画像) を表示または編集できます。

          注意: ナレッジベースを作成した後、ドキュメントのチャンク化方法を変更することはできません。不適切なチャンク化ポリシーは、取得およびリコールのパフォーマンスを低下させる可能性があります。

          複数ラウンドの会話の書き換え

          この機能を有効にすると、システムは専用の軽量モデルを呼び出して、会話履歴を取り込むことでユーザーの現在の質問を独立した文脈的に完全な新しいクエリに書き換えます。この新しいクエリは、ナレッジベースの取得に使用されます。

          埋め込みモデル

          埋め込みモデルは、元の入力プロンプトとナレッジテキストを数値埋め込みに変換して、それらのセマンティック類似度を計算します。デフォルトモデル (変更不可) は、中国語と英語に加えて複数の言語をサポートし、結果のベクトルを正規化します。

          ナレッジベース内の異なるベクトルモデルによって生成されるベクトルディメンション:

          以下のベクトルディメンションは変更できません。

          • text-embedding-v2: 1,536 ディメンション

          再ランキングモデル

          再ランキングモデルは、ベクトル検索によって最初に取得された候補セグメントに対して二次的なランキングを実行し、類似度スコアが最も高い上位 K 個のテキストセグメントを返します。公式ランキングモデル (推奨) は、セマンティックな関連性とキーワードマッチングアルゴリズム (BM25 など) を組み合わせて、正確なキーワードヒットを必要とするクエリをより適切に処理します。セマンティックランキングのみが必要な場合は、GTE-ReRank モデルを選択します。

          類似度のしきい値

          このしきい値は、テキストセグメントが取得されるための最小類似度スコアを表します。再ランキングモデルによって返されるテキストセグメントをフィルタリングするために使用されます。この値を超えるスコアを持つテキストセグメントのみが取得されます。

          説明

          この設定は、ナレッジベースのデフォルトの類似度のしきい値です。ナレッジベースを特定のアプリケーションに関連付ける場合、そのアプリケーションに別のしきい値を設定することもでき、これはナレッジベースのデフォルトの類似度のしきい値をオーバーライドします。

          このしきい値を下げると、より多くのテキストセグメントが取得されることが期待されますが、関連性の低いセグメントが取得される可能性があります。このしきい値を上げると、取得されるテキストセグメントの数が減少します。高すぎると、ナレッジベースが関連するテキストセグメントを破棄する原因になります。

          ヒットテストを使用して、取得率と精度のバランスを取るために類似度のしきい値を微調整できます。

          最大再呼び出し回数

          アプリケーションが 3 つのナレッジベース A1、A2、A3 に関連付けられているとします。システムは、これらのベースからユーザーの入力に関連するセグメントを取得し、再ランキングモデルを使用してそれらを再ランク付けし、上位 K 個の最も関連性の高いセグメントを選択して、LLM に応答のコンテキストとして提供します。この値 K は、最大取得数 (最大 20) です。これは、再ランキングモデルが参照用に LLM に提供するテキストセグメントの数を決定します。

          この値を増やすと、LLM の応答の精度が向上する可能性がありますが、LLM が消費する入力トークンの数も増加します。

          ベクトルストレージ

          テキストベクトルを保存するベクトルデータベースを選択します。プラットフォームストレージベクトルデータベースは、ナレッジベースの基本的な機能要件には十分です。データベースの管理、監査、監視などの高度な機能については、選択 ADB-PG (AnalyticDB for PostgreSQL) をお勧めします。

          ADB-PG インスタンスを購入する際は、ベクトルエンジン最適化を有効にする必要があることに注意してください。そうしないと、Model Studio はこのインスタンスを使用できません。

   • データクエリ (チャットボットまたは NL2SQL シナリオ用)

     • シナリオ:

       • このタイプは、FAQ、製品データ、人事情報クエリアシスタントなど、構造化データ (事前に定義されたテーブルスキーマで整理されたデータ) に基づく Q&A システムの構築に適しています。

       • データが完全な FAQ Q&A ペアで構成されている場合は、[データクエリ] を選択します。たとえば、質問と回答の 2 つの列を含む Excel ファイルがある場合、データクエリナレッジベースでは、質問列からのみ情報を取得し、回答列のコンテンツのみを LLM の応答の参照として使用できます。

         ドキュメント検索ナレッジベースでは、この効果を簡単に実現することはできません。

       • 完全に同一のテーブルスキーマを持つ複数の Excel ファイルをインポートできます。

     • データソースの統合: ローカルの XLS または XLSX ファイルをアップロードできます。

       作成手順 (データクエリ)

       1. データの選択: ファイルやコンテンツなどのデータソースを指定して、後続の取得のためにナレッジベースにインポートします。ローカルアップロードとクラウドインポート (アプリケーションデータから既存のデータテーブルを選択) の 2 つの方法がサポートされています。

          説明

          ナレッジベースの作成後にデータソースを変更することはできず、1 つのナレッジベースで複数のデータソースを同時にサポートすることはできません。

          • ローカルアップロード: データテーブル (XLS または XLSX 形式で、最初の行はテーブルヘッダーである必要があります) をコンピューターから直接アップロードします。

          • クラウドインポート (データテーブルの選択): アプリケーション内の既存のデータテーブルを選択します。手順については、「データインポート」をご参照ください。

       2. インデックス構成: インポートされたデータの処理方法と保存方法を定義します。これは取得パフォーマンスに直接影響します。

          以下の設定項目のうち、ADB-PG を選択した場合に料金が発生する可能性があるのは「ベクトルストレージ」のみです。他のすべての構成は無料です。

          取得に参加/モデル応答に参加

          • 取得に参加: 有効にすると、ナレッジベースはこのデータ列内で検索できるようになります。

          • モデル応答に含める: 有効にすると、この列からの取得結果が LLM の応答生成の入力として使用されます。たとえば、次の図に示す構成では、「名前」、「性別」、「役職」、「年齢」の列に対して [取得に参加] が有効になっており、「名前」と「役職」の列に対して [モデル応答に含める] が有効になっています。この場合、ナレッジベースはすべての列からデータを取得します。ただし、取得されたデータの「名前」と「役職」の列のコンテンツのみが、応答の生成を支援するために LLM に提供されます。

            

            下の図に示すように、「年齢」がモデル応答に参加するように有効になっていないため、LLM はこのナレッジベースに関連付けられた後でも「張三の年齢は？」という質問に答えることができません。

            

          複数ラウンドの会話の書き換え

          この機能を有効にすると、システムは専用の軽量モデルを呼び出して、会話履歴を取り込むことでユーザーの現在の質問を独立した文脈的に完全な新しいクエリに書き換えます。この新しいクエリは、ナレッジベースの取得に使用されます。

          埋め込みモデル

          埋め込みモデルは、元の入力プロンプトとナレッジテキストを数値埋め込みに変換して、それらのセマンティック類似度を計算します。デフォルトモデル (変更不可) は、中国語と英語に加えて複数の言語をサポートし、結果のベクトルを正規化します。

          ナレッジベース内の異なるベクトルモデルによって生成されるベクトルディメンション:

          以下のベクトルディメンションは変更できません。

          • text-embedding-v2: 1,536 ディメンション

          再ランキングモデル

          再ランキングモデルは、ベクトル検索によって最初に取得された候補セグメントに対して二次的なランキングを実行し、類似度スコアが最も高い上位 K 個のテキストセグメントを返します。公式ランキングモデル (推奨) は、セマンティックな関連性とキーワードマッチングアルゴリズム (BM25 など) を組み合わせて、正確なキーワードヒットを必要とするクエリをより適切に処理します。セマンティックランキングのみが必要な場合は、GTE-ReRank モデルを選択します。

          類似度のしきい値

          このしきい値は、テキストセグメントが取得されるための最小類似度スコアを表します。再ランキングモデルによって返されるテキストセグメントをフィルタリングするために使用されます。この値を超えるスコアを持つテキストセグメントのみが取得されます。

          説明

          この設定は、ナレッジベースのデフォルトの類似度のしきい値です。ナレッジベースを特定のアプリケーションに関連付ける場合、そのアプリケーションに別のしきい値を設定することもでき、これはナレッジベースのデフォルトの類似度のしきい値をオーバーライドします。

          このしきい値を下げると、より多くのテキストセグメントが取得されることが期待されますが、関連性の低いセグメントが取得される可能性があります。このしきい値を上げると、取得されるテキストセグメントの数が減少します。高すぎると、ナレッジベースが関連するテキストセグメントを破棄する原因になります。

          ヒットテストを使用して、取得率と精度のバランスを取るために類似度のしきい値を微調整できます。

          最大再呼び出し回数

          アプリケーションが 3 つのナレッジベース A1、A2、A3 に関連付けられているとします。システムは、これらのベースからユーザーの入力に関連するセグメントを取得し、再ランキングモデルを使用してそれらを再ランク付けし、上位 K 個の最も関連性の高いセグメントを選択して、LLM に応答のコンテキストとして提供します。この値 K は、最大取得数 (最大 20) です。これは、再ランキングモデルが参照用に LLM に提供するテキストセグメントの数を決定します。

          この値を増やすと、LLM の応答の精度が向上する可能性がありますが、LLM が消費する入力トークンの数も増加します。

          ベクトルストレージ

          テキストベクトルを保存するベクトルデータベースを選択します。プラットフォームストレージベクトルデータベースは、ナレッジベースの基本的な機能要件には十分です。データベースの管理、監査、監視などの高度な機能については、選択 ADB-PG (AnalyticDB for PostgreSQL) をお勧めします。

          ADB-PG インスタンスを購入する際は、ベクトルエンジン最適化を有効にする必要があることに注意してください。そうしないと、Model Studio はこのインスタンスを使用できません。

   • 画像 Q&A (画像による検索シナリオ用)

     • シナリオ:

       • このタイプは、製品ショッピングガイドや画像 Q&A アシスタントなど、画像による検索や画像とテキストによる検索などのマルチモーダル検索アプリケーションの構築に適しています。

     • データソース: ローカルの XLS または XLSX ファイルをアップロードできます。

       XLS および XLSX ファイルには、画像インデックスを構築するために一般公開されている画像 URL が含まれている必要があります。詳細については、以下の作成手順を参照してください。

       作成手順 (画像 Q&A)

       1. データの選択: ナレッジベースのファイルやコンテンツなどのデータソースを指定します。データソースのコンテンツは、後続の取得のためにナレッジベースにインポートされます。ローカルアップロードとクラウドインポート (アプリケーションデータから既存のデータテーブルを選択) の 2 つの方法がサポートされています。

          説明

          ナレッジベースの作成後にデータソースを変更することはできず、1 つのナレッジベースで複数のデータソースを同時にサポートすることはできません。

          • ローカルアップロード: データテーブル (XLS または XLSX 形式) をコンピューターから直接アップロードします。

            説明

            • フィールド: データテーブルには、画像インデックスを生成するために、image_url 型のフィールドが少なくとも 1 つ含まれている必要があります。

            • ビルドプロセス: ナレッジベースは image_url フィールドの画像 URL にアクセスし、視覚的特徴を抽出し、それらを保存されたベクトルに変換します。

            • 取得プロセス: ナレッジベースは、ユーザーがアップロードした画像から生成されたベクトルを保存された画像ベクトルと比較して類似性を判断し、最も関連性の高いレコードを返します。

          • クラウドインポート (データテーブルの選択): Model Studio のアプリケーションデータから既存のデータテーブルを選択します。詳細については、「データインポート」をご参照ください。

       2. インデックス構成: インポートされたデータの処理方法と保存方法を定義します。これは取得パフォーマンスに直接影響します。

          以下の設定項目のうち、ADB-PG を選択した場合に料金が発生する可能性があるのは「ベクトルストレージ」のみです。他のすべての構成は無料です。

          取得に参加/モデル応答に参加

          • 取得に参加: 有効にすると、ナレッジベースはこのデータ列内で検索できるようになります。

          • モデル応答に含める: 有効にすると、この列からの取得結果が LLM の応答生成の入力として使用されます。たとえば、次の図に示す構成では、「名前」、「性別」、「役職」、「年齢」の列に対して [取得に参加] が有効になっており、「名前」と「役職」の列に対して [モデル応答に含める] が有効になっています。この場合、ナレッジベースはすべての列からデータを取得します。ただし、取得されたデータの「名前」と「役職」の列のコンテンツのみが、応答の生成を支援するために LLM に提供されます。

            

            下の図に示すように、「年齢」がモデル応答に参加するように有効になっていないため、LLM はこのナレッジベースに関連付けられた後でも「張三の年齢は？」という質問に答えることができません。

            

          複数ラウンドの会話の書き換え

          この機能を有効にすると、システムは専用の軽量モデルを呼び出して、会話履歴を取り込むことでユーザーの現在の質問を独立した文脈的に完全な新しいクエリに書き換えます。この新しいクエリは、ナレッジベースの取得に使用されます。

          ベクトルモデル

          ベクトルモデルは、元の入力プロンプト、ナレッジテキスト、画像を数値ベクトルに変換して類似度を比較します。デフォルトのマルチモーダル埋め込み v1 (multimodal-embedding-v1) モデル (変更不可) は、中国語と英語の両方、およびさまざまな画像およびビデオ形式をサポートし、ベクトル結果を正規化し、ほとんどのシナリオに適しています。詳細については、「テキストとマルチモーダル埋め込み」をご参照ください。

          再ランキングモデル

          再ランキングモデルは、ベクトル検索によって最初に取得された候補セグメントに対して二次的なランキングを実行し、類似度スコアが最も高い上位 K 個のテキストセグメントを返します。公式ランキングモデル (推奨) は、セマンティックな関連性とキーワードマッチングアルゴリズム (BM25 など) を組み合わせて、正確なキーワードヒットを必要とするクエリをより適切に処理します。セマンティックランキングのみが必要な場合は、GTE-ReRank モデルを選択します。

          類似度のしきい値

          このしきい値は、テキストセグメントが取得されるための最小類似度スコアを表します。再ランキングモデルによって返されるテキストセグメントをフィルタリングするために使用されます。この値を超えるスコアを持つテキストセグメントのみが取得されます。

          説明

          この設定は、ナレッジベースのデフォルトの類似度のしきい値です。ナレッジベースを特定のアプリケーションに関連付ける場合、そのアプリケーションに別のしきい値を設定することもでき、これはナレッジベースのデフォルトの類似度のしきい値をオーバーライドします。

          このしきい値を下げると、より多くのテキストセグメントが取得されることが期待されますが、関連性の低いセグメントが取得される可能性があります。このしきい値を上げると、取得されるテキストセグメントの数が減少します。高すぎると、ナレッジベースが関連するテキストセグメントを破棄する原因になります。

          ヒットテストを使用して、取得率と精度のバランスを取るために類似度のしきい値を微調整できます。

          最大取得数

          アプリケーションが 3 つのナレッジベース A1、A2、A3 に関連付けられているとします。システムは、これらのベースからユーザーの入力に関連するセグメントを取得し、再ランキングモデルを使用してそれらを再ランク付けし、上位 K 個の最も関連性の高いセグメントを選択して、LLM に応答のコンテキストとして提供します。この値 K は、最大取得数 (最大 20) です。これは、再ランキングモデルが参照用に LLM に提供するテキストセグメントの数を決定します。

          この値を増やすと、LLM の応答の精度が向上する可能性がありますが、LLM が消費する入力トークンの数も増加します。

          ベクトルストレージ

          テキストベクトルを保存するベクトルデータベースを選択します。プラットフォームストレージベクトルデータベースは、ナレッジベースの基本的な機能要件には十分です。データベースの管理、監査、監視などの高度な機能については、選択 ADB-PG (AnalyticDB for PostgreSQL) をお勧めします。

          ADB-PG インスタンスを購入する際は、ベクトルエンジン最適化を有効にする必要があることに注意してください。そうしないと、Model Studio はこのインスタンスを使用できません。

3. ピーク時には、データ量によっては作成プロセス全体に数時間かかる場合があります。しばらくお待ちください。

ナレッジベースの更新

ナレッジベースのコンテンツへの変更は、それを参照するすべてのアプリケーションとリアルタイムで同期されます。

ナレッジベースの編集

ナレッジベースを作成した後、変更できるのはナレッジベース名、ナレッジベースの説明、類似度のしきい値のみです。その他の構成は変更できません。API を使用したナレッジベースの編集はサポートされていません。

プロシージャ: [ナレッジベース] ページで、ターゲットのナレッジベースを見つけ、そのカードの アイコンをクリックし、[編集] をクリックします。

ナレッジベースの削除

ナレッジベースを削除する前に、まずすべての公開済みアプリケーションから関連付けを解除する必要があります。

関連付けられている未公開のアプリケーションは、削除操作をブロックしません。

ヒットテスト

ナレッジベースを構築したものの、実際の使用で AI アプリケーションがしばしば無関係な回答を提供したり、ナレッジベースに存在する情報を見つけられなかったりすることがあるとします。ヒットテストは、これらの問題を事前に特定して解決するのに役立つ重要なツールです。

ヒットテストを使用すると、次のことができます:

• ナレッジベースが AI アプリケーションに効果的なナレッジ入力を提供できるかどうかを確認します。

• 類似度のしきい値を微調整して、取得率と精度のバランスを取ります。

• ナレッジベースのコンテンツのギャップや品質の問題を発見します。