AI・機械学習

IBM Granite 4 世代の超小型 LLM。エンタープライズ向けに完全クリーンライセンスの学習データで構築され、エッジ推論やプライベートデプロイ用途のコンプライアンス特化型モデルとして 2026 年公開。

Granola Inc 2024年公開AI Meeting Note専業Tool。Mac/Windows対応 + Background Audio Recording + AI Summary + Action Items自動抽出・$0(無料7日Trial) + $18/月Personal、Pro Mac + Knowledge Worker AI Meeting Note代表機。

2023年Besta et al. + ETH Zurich発表Graph-of-Thoughts paper・Industry-leading Graph-of-Thoughts reasoning paradigm + Industry-leading graph-based LLM reasoning + Industry-emerging GoT ETH Pioneer。

Graphcore製AI専用プロセッサ。IPU（Intelligence Processing Unit）アーキテクチャはグラフ構造のAI計算を直接処理し、GNN・スパースモデル・低精度演算で高効率推論を実現する。

グラフ構造データ（ノードとエッジで構成）を直接入力として処理するニューラルネットワークの総称。各ノードが近傍ノードの情報を集約（メッセージパッシング）して自身の表現を更新する仕組みで、ソーシャルネットワーク分析・分子設計・推薦システムなどに応用される。

Graph RAG（Graph Retrieval-Augmented Generation）は、知識グラフとRAGを組み合わせた検索拡張生成手法である。Microsoft Researchが2024年に発表した論文「From Local to Global: A Graph RAG Approach to Query-Focused Summarization」で提案され、テキストコーパスからエンティティ抽出・ナレッジグラフ構築・Leidenアルゴリズムによるコミュニティ検出・階層的サマリ生成を行い、クエリ時にグラフ構造を活用して高品質な回答を生成する。

テキストコーパスからナレッジグラフを自動構築し、グラフのコミュニティ構造を活用してRAG（検索拡張生成）の検索精度と回答品質を向上させる手法。Microsoft Researchが2024年に提唱し、従来のベクトル検索RAGでは困難だった「全体像を問う質問」への回答を可能にする。

RAG（検索拡張生成）にグラフ構造を導入し、テキストからエンティティとリレーションを抽出してコミュニティ検出・階層的要約を行うことで、従来のベクトルRAGでは困難だったグローバルな質問への包括的回答を可能にするMicrosoft発の手法。

Microsoft Researchが2024年に発表したRAG手法で、文書コーパスからナレッジグラフ（エンティティと関係のネットワーク）を自動構築し、グラフ構造を活用して複雑な推論・要約クエリに対応する。従来のベクトル検索RAGでは困難だったマルチホップ推論を実現する。

Knowledge Graph駆動RAG。Microsoft GraphRAG(2024年公開)・Neo4j GraphRAG・LightRAG(HKU)・Nano-GraphRAG・Community Detection(Leiden algorithm)・Hierarchical Summarization・Entity-Relation extraction・Cypher query・Neo4j 5.x・NebulaGraph・TigerGraph・ArangoDB・PageRank・Louvain・2026年大規模文書+複雑関係質問で高精度。

Graph RAGにおけるエンティティ抽出とは、テキストコーパスの各チャンクからLLMを用いて固有表現（人物・組織・技術・概念等）とそれらの間の関係を構造化データとして抽出するプロセスである。NERベースの手法とLLMベースの手法を組み合わせ、共参照解決やエンティティ正規化を通じてグラフ構築の基盤を形成する。

Graph RAGにおけるコミュニティ検出とは、構築されたナレッジグラフに対してLeidenアルゴリズムを適用し、密に接続されたノード群（コミュニティ）を自動的に同定するプロセスである。検出されたコミュニティに対して階層的なサマリが生成され、Global Searchの基盤となる。

Graph RAGにおけるナレッジグラフ構築とは、テキストコーパスからLLMを用いてエンティティ（人物・組織・概念・技術等）とそれらの間の関係を抽出し、ノードとエッジで構成されるグラフ構造として体系化するプロセスである。抽出されたグラフはコミュニティ検出やクエリ時の情報検索の基盤となる。

Graph RAGとベクトルRAGの比較は、RAG（検索拡張生成）アーキテクチャにおける2つの主要アプローチの選択に関わる重要な設計判断である。ベクトルRAGはテキストチャンクの埋め込みベクトル類似度による検索、Graph RAGはナレッジグラフ構造を活用した検索を行い、それぞれ得意とするクエリタイプが異なる。実運用ではハイブリッドアプローチが推奨される。

Microsoft 2024年 RAG 改良手法。LLM でドキュメント群を知識グラフ化→グラフ走査でグローバル理解クエリ対応

LLMのトークンサンプリング時にBNF/EBNF等の形式文法を使い、文法的に無効なトークンのlogitを-∞にマスクして構造化テキストのみを生成する推論技術。

Grammar制約（Guided Decoding）とは、LLMのトークン生成時に文脈自由文法（CFG）・正規表現・GBNFなどの形式文法でデコーディングを制約し、出力が指定した構造に100%準拠することを保証する技術である。

2021年Google発表GLaM paper (Du et al.)・Industry-leading Generalist Language Model MoE + Industry-leading 1.2T parameters + Industry-leading Google AI MoE research + Industry-leading GLaM Google MoE flagship。

2023年Krea Inc公開Krea AI。Pro 業界Pro Mainstream Real-time AI Image生成 Top + Pro 米国SF Krea + Pro Diego Rodriguez Pro Co-founder + Pro Real-time Generation + Pro Enhance/Upscale + Pro Krea Video + Pro $30M Series B + 累計2023-2026年3年Heritage継承代表機。

LLMが各ステップで最も確率の高いトークンを常に選択するデコーディング手法。出力が決定論的で再現性があるが、局所最適に陥りやすく繰り返しや不自然な文章が生成されるリスクがある。