はじめに

皆さまご存知の通り、2022 年 11 月に OpenAI が公開した ChatGPT が世界中で話題となっています。 Google も対抗して会話型 AI サービス Bard を発表するなど、にわかに盛り上がりを見せています。

このブームに乗っかり、ヘルプデスクへ日々寄せられる種々の問合せに自動応答するチャットボットを、OpenAI の GPT-3 を利用して作成できないか試作してみることにしました。

しかし、ヘルプデスクの問合せ窓口は Teams のチャネルやチャット、E メールなど多岐に渡り、スクリーンショットによる問合せも多いため、整った文章データを集めることが困難であるという問題に直面しました。 そこで今回は、データが整っているレコチョクの FAQ サイト¹をデータセットとして採用し、まずは現在の GPT-3 のポテンシャルを確かめることを主眼としました。 （ヘルプデスクの問合せデータ収集に関するアプローチについては別の機会に書きたいと思います）

今回の試作の結果、残念ながら皆さまにご利用いただくようなシステムの構築には至りませんでした。 本稿では、現時点で構築しているシステムの概要、および課題点を明らかにしていきます。

構成図

準備

FAQ を収集し、埋め込み表現を生成します。

1. レコチョクの FAQ サイトをスクレイピングして FAQ を収集します。 147 問を収集することができました。

2. OpenAI の API で FAQ（回答部分のみ）の埋め込み表現を生成します。 埋め込み表現は一度 Faiss で保存し、Google Drive にダンプファイルとしてエクスポートします。 FAQ のテキスト 129 KB に対し、エクスポートしたダンプファイルは 1 MB 程度でした。

• preparation.py (アップロードの関係上txtファイルになっています)

推論

ここからは回答を生成する推論フェーズの流れを見ていきます。 GPT-3 はレコチョクの FAQ を学習していないので、いきなり質問すると膨大な知識の中からレコチョクとは無関係な回答を生成します。 皆さんが学生時代に受けた国語のテストのように、「次の文章を読み、後の問いに答えよ」という形式で FAQ の文章も質問文と同時に投げ込むことにより、どこを参照して回答すればよいか明示的に GPT-3 に教えてあげる必要があります。 しかし、処理した文章量に応じて課金される GPT-3 では、推論の度にすべての FAQ の文章を送信するのはコスト面で現実的ではありません。 もう少し絞り込みを行います。 準備段階でダンプファイルとしてエクスポートした FAQ の埋め込み表現があります。 これをインポートしたタイミングで、Faiss による質問文との近傍探索をします。 そうして抽出された上位 3 件の FAQ は、GPT-3 が回答を生成するための情報源の候補としては非常に有力だと考えられます。 これら候補 3 件であれば GPT-3 に送信するのも難しくありません。 3 件の文章と質問文をまとめて GPT-3 に送り、少し待つと回答を得ることができます。 これで推論は完了です。