DirectCloud AIの技術的基盤 — 文書理解の精度を根本から高める

RAGの回答精度を左右する最大の要因は、LLMに渡す「検索結果の質」です。
ChatGPTやPerplexityのようなAIサービスは、「パース」から「回答生成」に至るまで、多層的なパイプラインを備えています。
一方、自社で構築するRAGでは、パースの精度、チャンキングの適切さ、エンベディングの品質、権限管理や最新性といった各工程を一つひとつ丁寧に作り込む必要があります。
したがって、回答の良し悪しは、LLMの差よりもパイプラインの品質差に依存します。

参考：「動くRAG」と「使えるRAG」は違う：企業運用で成果を出す品質と継続性を備えた”高品質RAG基盤”の条件

DirectCloud AIでは、この検索品質を根本から高めるため、3つの施策を軸に開発を進めています。

• ●RAGパイプライン改善

  レイアウトを保持したJSON変換や表の行列構造維持により、構造的情報の欠損を防止します。

• ●ドキュメントパース強化

  既存のパーサーの改良を通じ、低コストで表構造の抽出精度を向上させます。

• ●Visionモデル活用

  画像や図表をテキスト解説に変換しインデックス化することで、ビジュアル情報も検索対象に含めます。

< DirectCloud AIのアーキテクチャ >

これら3つの施策を進める理由は、回答品質の土台となる「文書の正確な読み取り」が、すべての出発点だからです。
企業文書に多い図表・画像といった情報は、従来のRAGでは正しく処理できず取りこぼされてきました。
DirectCloud AIはこの課題に正面から向き合い、解析エンジンの使用する言語をGoからPythonへ全面移行し、以下の幅広いファイル形式を網羅的にカバーしています。

• ●PDFファイル（pdf）
• ●文書ファイル（docx、pptx※、hwp※）
• ●表計算ファイル（csv※、xlsx※）
• ●電子メールファイル(eml、msg、mbox)
• ●テキストファイル(txt)
• ●データファイル（json）

※今後のアップデートで対応予定

文書解析・検索精度を高める技術基盤 – RAGパイプライン改善

DirectCloud AIでは、文書解析と検索精度を高めるために、RAGのパイプラインを改善しています。
企業文書は、本文、表、脚注など複数のコンテンツタイプが混在しており、それぞれに適した処理を行わなければ、RAGの精度は安定しません。
この課題に対し、チャンキング、エンベディング、検索方式の各工程を見直すことで、文書理解から検索までの精度向上を図っています。

チャンキングの強化

チャンキングとは、長文ドキュメントをAIが検索・参照しやすい単位に分割する前処理技術です。
分割の精度が低い場合、文脈が途切れ、回答品質の悪化につながります。
今回、コンテンツ構造を理解したうえで、意味のまとまりごとに分割する手法を導入し、検索精度の大幅な改善を実現しました。

エンベディング刷新

現行のEmbeddingモデル「ada-002」のサポート終了に伴い、DirectCloudはベクトルモデルを高性能な新モデルへ刷新する予定です。
意味的マッチング精度の向上に加え、セマンティックキャッシングの導入により、LLMコストの大幅削減と応答速度の改善が期待されます。

Hybrid Search

キーワード検索とベクトル検索にはそれぞれ弱点があり、単独運用では検索精度に限界がありました。
DirectCloud AIでは、この課題に対してHybrid Searchの採用により対応しています。
キーワード検索と、ベクトル検索の強みを組み合わせることで、より精度の高い文書検索を実現しています。

文書の読み取り精度を高める技術基盤 – ドキュメントパース強化

DirectCloud AIでは、RAGの回答品質を安定させるために、文書の読み取り精度そのものを高める取り組みを行っています。
検索や生成の精度を高める以前に、文書の内容を正しく理解できなければ、実務で信頼できる回答は得られません。
特に企業文書では、表形式の情報や定型表現が多く、これらを正確に扱うためのドキュメントパース強化が重要な技術基盤となります。

表のパース強化

従来の文書解析では、企業文書に多用される表のセル構造が崩壊し、AIが正確な情報を参照できない課題がありました。
今回のアップデートにて改善された、表のパース強化により、表の行列構造をMarkdown形式で正確に保持し、表内のピンポイント検索にも対応できるようになりました。

参考：https://directcloud.jp/contents/update-2026-03

プロンプトガードレールの設置

業務でAIを活用する上で最大のリスクとなるハルシネーション（根拠のない情報を「もっともらしく」生成）を抑制するため、DirectCloud AIではプロンプトレベルでの厳格な制御を導入しています。
根拠付き回答率95%以上を目標に、回答品質の継続的な向上を図っています。

リランキングの追加

ベクトル検索で取得した文書が、質問意図と必ずしも一致しない課題に対し、DirectCloud AIはCohere Rerankを導入します。
検索結果を関連度で再評価することで、回答精度のさらなる向上に貢献します。

画像の読み取り精度を高める技術基盤 – Vision モデル活用

画像のパース強化

グラフやフローチャートなど、社内資料に含まれる図表は従来のRAGでは検索対象外でした。
DirectCloud AIは、Visionモデルを活用して図表をテキスト化、インデックス化することで、視覚情報に基づく質問への回答を可能にします。

権限統制と透明性 —— 社内文書だからこその安全設計

権限統制の継承

DirectCloud AIが参照する情報源は、DirectCloud内で管理されたファイルに限定されます。ユーザーごとのアクセス権限やファイル管理ポリシーは、DirectCloud AIの参照範囲にもそのまま適用されます。

• ●参照対象はDirectCloud内の管理ファイルのみ
• ●ユーザーごとのアクセス権限をDirectCloud AIの参照範囲にも継承
• ●ファイル管理ポリシーの変更は即座にDirectCloud AI側へ反映

これにより、「特定部署の社員だけが閲覧可能な文書」がDirectCloud AI経由で他の社員に共有されることはありません。権限管理の一貫性が、組織内の情報漏洩リスクを構造的に抑制します。

推論処理の透明性

回答生成および検索結果のリランキング処理の一環で、検索クエリと参照文書の一部がMicrosoft Azureのインフラへ送信されます。

• ●送信先はMicrosoft Azureのエンタープライズ向け環境
• ●送信データはモデルの再学習には利用されない
• ●回答生成とリランキング処理のために必要な範囲に限定

より厳格な情報管理要件にお応えするため、処理リージョンの固定やPrivate Endpointによる限定接続を含むエンタープライズ構成の拡充も検討しています。

処理状況を可視化するUX

DirectCloud AIの処理状況を「検索中」「構想中」「プレゼンテーション資料作成中」などに分けてリアルタイムに可視化するUXの導入も2026年内に予定しています。
ユーザーがDirectCloud AIの思考過程を追跡でき、回答を待つ間の不安を解消するとともに、処理のどこに時間がかかっているかを把握できるようになります。

まとめ

DirectCloud AIのRAG改善は「精度・安全・信頼性」の3軸で進行しています。パースの強化とチャンキングの強化で文書理解の土台を固め、Hybrid Searchとリランキングで検索精度を引き上げ、プロンプトガードレールの設置でハルシネーションを抑制します。
この一連の取り組みにより、同じLLMを使っていても「的確な根拠に基づく回答」が返ってくる仕組みを構築しています。

今後は2026年内のベンチマーク（Targetスコア300pt）達成に向けて、Visionモデルの本格導入やエンベディングの刷新をさらに加速させます。
品質評価についても、Retrieval Hit Rate@5（85%以上）、Grounded Answer Rate（95%以上）、Answer Correctness（3.5/4以上）といった定量KPIに加え、実業務シナリオでの定性評価を組み合わせた、2軸管理を導入予定です。

DirectCloud AIは、「パースの精度向上」「検索アルゴリズムの最適化」「回答生成の品質管理」といったRAGの全工程における継続的な進化を通じて、企業の社内文書のAI活用を強力に支援してまいります。
「まずは社内文書でRAGを試したい」とお考えの方は、ぜひお気軽にお問い合わせください。

よくある質問（Q&A）