エージェントによって書き込まれ バンドルの信頼性を担保 → Open Knowledge Format（OKF）v0.1 の「AI が自動生成したナレッジが増えたとき、その中身をどこまで信用していいか」という課題を解決するため、v0.2 に「信頼のシグナル」がフロントマターに追加されました。

LLMは数学の問題で人間より高い正解率を出せるようになりました。でもそれは「きちんと積み上げて理解している」からでしょうか？ タイトル: Do LLMs Exhibit Coherent Knowledge Structures in Mathematical Reasoning? A Perspective from Knowledge Space Theory URL: ❓ LLMは前提知識をきちんと積み上げて正解しているの？ 💡 正解率自体は人間79.6%に対しLLM最高92.5%（Qwen3-80B）と上回りますが、前提を完全に満たした上での正解の割合は人間72.7%に対しLLMは48.16%にとどまります。正解していても土台が抜けているケースが多いということです。 ❓ 前提知識をヒントとして教えてあげれば改善する？ 💡 実は前提に基づくヒントを与えても、無関係な例を与えた場合とほとんど差が出ませんでした。構造的な前提推論ではなく、表層的なパターンマッチングに頼っている可能性が高いです。 ❓ 賢いモデル同士なら、似たような知識の持ち方をしているはず？ 💡 人間の学習者グループ間では知識の重なりが0.9以上と高いのに対し、LLM同士では0.38〜0.6程度しか重なりません。強いモデルほど人間から離れていく傾向も見られました。 ❓ つまりこの研究が示しているのは？ 💡 精度という指標だけでは、LLMの「理解の仕方」のズレは見抜けないということです。知識空間理論という新しい評価レンズを使うことで、正解率の裏にある断片的な知識構造が浮かび上がります。 #LLM評価# #数学的推論#

📸本日！7/29(水) 19:00〜梅田ラテラル 🎫配信&当日券あり 写真家・銀鏡 つかさ 『日本の美しい動物園と水族館』出版記念トークライブ 【出演】 銀鏡つかさ 【聞き手】 担当編集 @tsukarium @x_knowledge ☔️本日開催☔️

🕸 テキストを「概念のグラフ」に変えて、ベクトルDBの代わりにRAGの検索器として使う。ローカル完結で試せるOSSです。 タイトル: rahulnyk/knowledge_graph URL: 🔍 概要 非構造テキストから、固有表現ではなく「概念」とその関係を抽出して知識グラフを作るプロジェクトです。Graph-Augmented Generation（GRAG）や知識ベースQAに使えます。 🧩 解決する課題 従来のテキスト解析は、概念どうしの絡み合いや隠れたつながりを捉えにくい問題がありました。意味を保ったまま問い合わせできるグラフにすることで、深い文書理解を可能にします。 🛠 方法論と提案手法 6ステップ（クリーニング→概念抽出→関係抽出→スキーマ化→ノード/エッジ生成→可視化）で構築。エッジは2種の重みを持ち、W1はLLMが抽出した明示関係、W2は同一チャンク共起。次数とコミュニティでノードの大きさと色を決めます。 💻 技術スタック ・LLM: Mistral 7B OpenOrca（GPT API不要） ・サービング: Ollamaでローカル完結 ・グラフ: NetworkX、可視化: Pyvis、データ: Pandas 🎯 ユースケース ベクトルDBの代わりにグラフを検索器に使うGraph RAG、隠れた関連の発見、中心性分析、コミュニティ検出など。 #KnowledgeGraph# #GraphRAG#

📸7/29(水) 19:00〜梅田ラテラル 🎫配信あり 写真家・銀鏡 つかさ 『日本の美しい動物園と水族館』出版記念トークライブ 【出演】 銀鏡つかさ 【聞き手】 担当編集 @tsukarium @x_knowledge 🎉出版記念トークライブ開催決定🎉 詳細👇

📄 ドキュメントをアップロードするだけでナレッジグラフが構築できる時代へ。Neo4jの新機能「Document Intelligence」がAuraに登場！ タイトル: Introducing Document Intelligence: From documents to a knowledge graph, right inside Aura URL: 📦 概要 Neo4jのフルマネージドグラフDB「Aura」に、非構造化ドキュメントからナレッジグラフを直接構築する「Document Intelligence」機能が追加されました。PDF、契約書、技術文書などをアップロードするだけで、エンティティ抽出、名寄せ、グラフ構築までをプラットフォーム内で完結できます。 ❓ 解決する課題 企業データの大部分は非構造化ドキュメントに眠っていますが、そこからナレッジグラフを構築するには、LLMによるエンティティ抽出、エンティティ解決、グラフスキーマ設計といった複雑なパイプライン構築が必要でした。この技術的なハードルが、ナレッジグラフ活用を一部の専門チームに限定していました。 💡 方法論と提案手法 LLMベースのエンティティ抽出で人物・組織・概念を自動識別し、異なるドキュメント間の同一エンティティを名寄せして統合。抽出された関係性からグラフスキーマを推論してAuraDB上にナレッジグラフを構築します。構築したグラフはそのままAura Agent、GenAI Copilot、GraphRAGの知識基盤として活用可能です。 🛠 ユースケース ・法務チームが大量の契約書から義務関係を抽出してコンプライアンスチェックを自動化 ・製薬企業が論文や臨床試験レポートから分子と疾患の関係を構造化して創薬研究を加速 ・ベクトル検索だけでは捉えきれない構造的関係性をグラフが補完し、RAGの回答精度を向上 #KnowledgeGraph# #Neo4j#