貴社ウェブサイトに超簡単にAIチャット機能を設置できます。
必要な情報はすべてウェブサイトやマニュアルに書いてあっても、お客様はいちいちそれを調べている時間がありません。だから、いきなり電話して訊きたくなります。それはごく簡単なことを確認したいだけかもしれません。しかし、電話に出た担当者が上手く答えられないと、お客様の怒りが爆発します。情報へのアクセスの良さは、サービス品質の向上に大きく貢献します。
そこで多くの企業が今積極的に進めているのが、AIチャットによる顧客対応です。ChatGPTなどのAIはインターネット上のあらゆる情報を学習しており、たいへんな物知りですが、大手企業・有名企業の製品・サービスであっても最新の情報まではカバーしきれていませんし、ましてや一般企業の製品やサービスとなると言うまでもありません。そこで必要になってくるのがRAG（検索拡張生成）という技術です。つまり、ユーザーの質問に関係する情報を追加してAIに提供し、AIに回答を生成させるわけです。
最初に登場してきたのがベクトル検索という技術で、質問（入力テキスト）に対して近いベクトルを持つ、すなわち類似した意味の文書を検索するという技術ですが、決定的な問題は、「質問とそれに対する回答のテキストは必ずしも類似していない」というごく初歩的な事実でした。次に登場してきたのが、グラフRAGという技術で、これはナレッジグラフという技術を使って、テキスト情報から予めAIと相性のよいモデルを構築しておいて”推論”によって関連情報を見つけるというものでした。理論的には完璧に見える方法なのですが、モデルを構築するのが簡単ではなく、そもそもテキスト内のすべての意味をモデル化するのは、事実上不可能でもあります。
ThinkNaviは第3の方法として、自己組織化型概念構造ネットワーク・モデルを提案します。ざっくり言うと、類似のテキストをグループ化して、各グループをネットワーク状につないだモデルです。言い換えると、ベクトル検索とグラフRAGの中間のようなやり方です。ベクトル検索では、各文書はばらばらな状態で組織化されておらず、グラフRAGはテキスト内のエンティティの間の関係性を漏れなく、かつ細かくモデルしようとしますが、ThinkNaviは効率的で経済的な方法でテキスト情報を組織化させます。
ThinkNaviの最大の強みは、ベクトルDBやグラフDBなどの大掛かりなシステムを必要とせず、軽量な概念構造ネットワーク・モデルだけで動作することです。
ユーザーは、既存のウェブサイトのURLをThinkNaviに入力するかPDF（またはWord, MD, Textファイル）をアップロードして、ThinkNaviが生成する短いコードを受け取ってウェブサイトに貼り付けるだけです。最短でほんの数分で、貴社専用のチャットボット（コンシェルジュ）が完成します。
費用は、基本料金6.4 USD/monthと0.032USD/Chatのみです。