RAGとMCPがAI駆動型テレビ体験を実現する上でどのように異なるか
人工知能（AI）が日常生活に浸透するにつれ、消費者はパーソナライズと即時性をますます求めるようになった。エンターテインメントの世界では、人々は即座の回答、カスタマイズされた提案、そして目や耳にした情報に基づいて行動できることを期待している。ある人にとっては特定の気分にぴったりの映画を見つけること、別の人にとっては応援するチームと最大のライバルとのスポーツ試合を見つけることを意味する。
こうした体験を提供するため、出版社、プラットフォーム、サービスはますます大規模言語モデル（LLM）1を活用するようになり、次世代エンターテインメント環境のデフォルトエンジンとなるだろう。
LLMは確率行列であり、データベースではない。網羅的ではあるが有限のデータで訓練される。この新技術の根本的な性質上、LLMはデータを合成するが検索は行わないため、「幻覚」を起こしやすい。つまり、一見妥当に見えるが誤ったデータを返す傾向がある。 LLMの応答が正確で関連性が高く信頼できるものとなるよう保証するには、LLMを補足的な現実世界の知識源に接続する必要があります。この「グラウンディング」プロセスは誤りを減らし、結果を豊かにし、文脈的な関連性を提供します。LLMをグラウンディングする主な方法は2つあります：検索拡張生成（RAG）とモデルコンテキストプロトコル（MCP）です。
RAGとMCPはそれぞれLLMの限界に対処するが、そのアプローチは根本的に異なる。
非常に高いレベルで：
RAGは、元のプロンプトを関連文書からなる外部知識ベースの関連データで強化するプロセスを含む。強化されたプロンプトを処理し、その応答は外部知識拡張によるデータの正確性を反映する。
MCPは、アプリケーションがLLMにコンテキストを提供する方法を標準化するオープンソースプロトコルです。汎用インターフェースとして、「AIのUSB-C」とも称されるMCPは、LLMと外部データソースやロジックを接続し、カスタムコーディングやカスタム統合の必要性を排除します。ここでは、LLMが1つ以上のMCPサーバーに接続され、受信クエリのリアルタイム検証を可能にします。
RAG：文書検索のエキスパート
二つの手法のうち、RAGが最も長い歴史を持つ。初期の情報検索に起源を持つRAGは、2020年に大規模言語モデル（LLM）を外部知識リポジトリに動的に接続するプロセスとして初めて議論された。
端的に言えば、RAGはLLMがユーザークエリに応答する前に、その訓練データ外の情報を参照することを可能にします。RAGにより、LLMは最新情報を維持するために絶えず再訓練される必要がなくなります。代わりに、外部ナレッジベースへの定期的な更新によって、LLMの応答は常に最新かつ関連性の高い状態が保たれます。
RAGはLLMの出力を劇的に正確かつ関連性の高いものにしますが、いくつかの制限があります：
- RAGは、構造化されていない文書ベースの情報検索に最適です。
- RAGはLLMが処理を開始する前にプロンプトを強化するため、LLMは内部ロジックを用いて関連情報を抽出することができない。
MCP：リアルタイムアクション実現基盤
2024年末にオープンソースプロトコルとして公開されたMCPは、データソースとAIモデル間のカスタム統合開発の課題を解決します。ユニバーサルコネクタとして、MCPはLLMと外部データソース間のインターフェースを構築します。 低遅延APIと統一された抽象化インターフェースにより、MCPはLLMが1つ以上のドメイン特化サービスからリアルタイムの最新情報を取得することを可能にし、最適な回答を提供するための特定ツールを呼び出すことを許可します。
MCPにより、LLMは多くのデータソースにシームレスに接続でき、リアルタイムのデータアクセスとアクションを可能にします。このアーキテクチャにより、MCPはユーザークエリ後に外部ナレッジベースを基に回答を生成するため、スポーツのスコアや株価変動など、最新情報が求められるシナリオに最適です。
MCPは明日のエンターテインメントに最適な技術です
RAGとMCPは本質的に同じ目的で設計されている：LLMの応答を外部コンテキストで強化し、幻覚を低減させ、文脈的関連性を提供することである。しかし、両者は異なるデータタイプに優れ、異なるレベルの洗練性を提供し、このタスクを実行する手法は根本的に異なる。
RAGは非構造化文書データの検索に最適である一方、MCPは構造化データのリアルタイムアクセスに最適化されている。LLMは従来の技術インフラよりも劇的に改善された検索・発見体験を提供するものの、構造化データを活用し、LLM自体では提供が困難な推論に依存するコンテンツファースト体験においては、MCPが理想的な基盤ソリューションとなる。
データの最新性がここでの鍵となる。 静的な文書ファイルは、特定の映画やテレビ番組の制作経緯に関するユーザーの問い合わせには応えられるかもしれないが、その番組や映画がいつ、どこで放送されるかをユーザーが特定する助けにはならない。LLMのトレーニングデータは時間的に固定されているため、グラウンディングはLLMに正しいデータを提供するだけでなく、タイムリーで最新のデータを提供し、LLMが「知識に閉じ込められた」モデルの外にある現実世界にアクセスすることを可能にする。
しかし、番組の視聴可能性は氷山の一角に過ぎません。MCPは極めて豊かでパーソナライズされた体験を生み出す能力により、エンターテインメント体験の新たな時代を切り開きます。具体例を挙げましょう：
- あるCTVプロバイダーは、ユーザーの現在地と現在の天気に基づいて、おすすめの映画を毎日紹介するコンテンツを作成したいと考えている。
- プロバイダーは、基盤となるLLMを2つのMCPサーバーに接続します。1つは指定場所の天気情報を返すサーバー、もう1つは映画と年のID コンテンツID 返すサーバーです。
- ユーザーがその日に初めてログインすると、プロバイダーはLLMに対し、特定のIPアドレスにおける天候に基づいて人気順上位10作品の映画を返すよう要求する。
- LLMは気象MCPを使用して現在の気象を決定する
- LLMはその後、基礎モデル内の知識のみに基づいて、その天候を題材にした映画のリストをキュレーションする。
- LLMはエンターテインメントメタデータプロバイダーに問い合わせを行い、推奨される各映画ID コンテンツID 返します。
- 映画のおすすめはCTVプロバイダーに渡され、ユーザーに表示されます。
大規模言語モデル（LLM）の活用はユーザー体験を変革するだろう。しかし基盤がなければ、LLMは未検証で時代遅れの応答に留まる。基盤を確立したLLMは、プラットフォームやサービスが従来の検索インフラの制約から脱却することを可能にし、より広範で洗練されたクエリへの扉を開く。これにより、より時事性が高く関連性の高い応答が生成されるだろう。
詳細については、当社の MCPサーバーホワイトペーパー。
注
- LLMは学習したパターンに基づいてコンテンツを生成する生成AIの一種である。
次世代のエンターテインメント体験において、LLMの性能は、アクセスできるデータの質に左右される
エンタープライズ向けLLMがその持つ能力を最大限に発揮し、次世代のコンテンツ体験を提供するためには、信頼性の高い業界固有のデータへのアクセスが不可欠です。
AIはコンテンツの発見を向上させることができるが、人々がそれを信頼しなければ意味がない
ジェネレーティブAIには、人々が求めているコンテンツと結びつける力がありますが、信頼の構築は大きな障壁となっています。