レクセラがどのようにしてLangGraphに移行し、不動産ビジネスプロセスのための強力な品質管理インテリジェンスを作成し、大規模言語モデル(LLM)応答の精度を大幅に向上させたかをご覧ください。
レクセラはAIを活用して手作業を自動化することで、500億ドル規模の不動産取引業界に革命を起こしている。インテリジェントなAIインテリジェンスを導入することで、レクセラは不動産ビジネスプロセスを合理化し、コストとエラー率を大幅に削減しながら取引をスピードアップしています。
LangChainとLangGraph、そして大規模言語モデル(LLM)により、レクセラは洗練されたAI知能を開発します。これらのAI知能は、以下のような複雑な認知タスクを実行することができます:
- 支払決済明細書の注文
- 文書から重要な情報を抽出する
- 品質管理チェックの実施
以下では、レクセラがどのように強力な品質管理(QC)アプリケーションを作り上げたかをご紹介します。このアプリケーションは、人間のオペレーターと同じように正確に不動産のビジネスプロセスをレビューし、遅延を防ぐために問題をプロアクティブに特定することができます。当初はシングルプロンプトのアプローチであった同社システムが、LangGraphを使うことで、よりコントロールされた正確なソリューションへと進化していく過程をご紹介します。
最初のアプローチ:シングルプロンプトLLMチェックとその限界
不動産取引において品質管理は非常に重要であり、レクセラは毎日何千ものワークフローをレビューする専用のQCアプリケーションを開発しました。このアプリケーションは、データ処理、顧客とのコミュニケーション、住宅所有者協会(HOA)、郡事務所、電力会社、その他の関係者とのやり取りなど、不動産取引のすべての段階でエラーの可能性がないかをチェックします。
不動産取引の品質を保証するため、レクセラは当初、いくつかのシングルプロンプトLLMチェックを導入した。これらのチェックは、検証のために設計された:
- 書類の正確さ
- 顧客の期待に応える
- ワークフローの適時性(SLAの遵守)
- コスト管理
しかし、このアプローチには限界がある。シングルプロンプトのLLMは、ワークフロー全体の全体像を把握できない、コンテキストが限られている、多次元的なシナリオを正しく扱えないなど、さまざまな理由から、不動産取引プロセスの複雑さに対処するのに苦労している。
レクセラは、何千ものワークフローでテストされた以下の3つの主要指標を用いて、LLM検査の有効性を評価しています:
- 精度問題識別の正解率
- 効率トランザクションあたりの実行速度
- 費用対効果LLMに関連する費用
このアプローチでは、潜在的な問題にフラグを立て、手作業によるレビューの必要性を減らすことで、品質管理を簡素化しました。しかしレクセラは、複雑な不動産ワークフローを効果的に処理するため、より高度なソリューションの必要性を認識していました。
AIインテリジェンスへの進化:CrewAIを試す
シングル・プロンプトLLMの限界を感じたレクセラは、LLMのプロンプトとして、以下のものを使ってみた。 クルーAI マルチ・インテリジェンス・アプローチでは、各AIインテリジェンスが取引プロセスの異なる部分を担当する。例えば、インテリジェンスは次のように定義される:
- 役割:"シニア・コンテンツ・クオリティ・チェック・アナリスト"
- TASK: "顧客の要求通りにすべてのHOA書類が発注されたことを確認し、適切なETAとコスト情報が顧客に送信されたことを確認する。"
このアプローチは、シングルキューLLMに比べて多くの改善をもたらす:
- 誤報(誤って非問題とされた)35%から8%に減少した。
- 遺漏(現実的な問題のフラグが立てられなかった)10%から5%に減少した。
しかし、CrewAIのアプローチは重要な課題にも直面している。そのパワーにもかかわらず、AIインテリジェンスは時として、GPSシステムがより長いルートを選択するように、その意思決定において誤った道を歩むことがある。この正確な制御の欠如は、複雑なシナリオにおいて、インテリジェンスが軌道を外れ、誤ったアラームやアラームの見逃しにつながる可能性があることを意味する。
LangGraphに移行して精度と制御性を高める
LangGraphはLangChainチームによって構築された制御されたインテリジェンス用のフレームワークで、人間が関与するワークフローの統合や状態管理など、Rexeraにさらなる利点をもたらします。LangGraph
新しいLangGraphベースのアプローチの有効性を説明するために、迅速な注文を例にしてみましょう。これは、標準的なスケジュールよりも早く取引を完了させる必要がある不動産ビジネスプロセスでよくある複雑なものです。
LangGraphを使って、レクセラは品質管理(QC)アプリケーション用に、ループと分岐をサポートするツリー状のシステムを作りました。この構造により、QCアプリケーションは、迅速化要求に基づいて異なる経路をナビゲートすることができます。
アプリケーションは、急ぎの注文を認識すると、ツリー構造の「急ぎの注文」ブランチに従う。通常の注文の場合、アプリケーションは別のブランチに従い、通常の処理チェックに集中します。
このLangGraph対応ツリー構造は、より決定論的な意思決定プロセスを導入し、誤ったパス選択に伴うランダム性を低減することで、レクセラのQCプロセスの正確性と完全性を劇的に向上させます。この変更により、結果の一貫性が保証され、ワークフローを正確かつ効率的に完了することができます。
LangGraphを既存のCrewAIの改良に適用することで、以下の最適化が達成された:
- 偽陽性率は次のように増加した。 8% 2%に減少
- 偽陰性率は次のように増加した。 5% 2%に減少
同じ迅速注文シナリオについて、以下の例では、それぞれの新しいアーキテクチャの下でのQC結果を分析している:
単一プロンプトに対する大規模言語モデル(LLM)出力:
- 問題が見つかった: 真
- 説明する: "クライアントとのコミュニケーションでは、迅速な要請を明確に認めていなかった"
- 分析する: 偽陽性 --迅速なリクエストは実際に承認され、実行されたが、LLMは複雑な複数ステップのやりとりを処理する能力が限られているため、このことを認識できず、その結果、誤ってフラグを立ててしまった。
CrewAIの出力:
- 問題が見つかった: "偽"
- 説明する: "顧客は迅速な注文を要求し、チームはその要求を承認して処理した"
- 分析する: やや正確 --CrewAIは、迅速な注文が実行されたという正しい結果を確認したが、システム内で迅速な注文として正しくフラグが立てられ処理されたかどうかなど、注文の種類の違いには気づかなかった。
LangGraphの出力:
- 問題が見つかった: 真
- 説明する: 顧客から迅速な注文の依頼があり、迅速な注文を承認し実行したにもかかわらず、注文の詳細には「迅速な注文:なし」と表示されています。
- 分析する: 完全に正確 --LangGraph は、迅速なオーダーが承認され、実行されたことを確認するだけでなく、オーダータイプのレコードの不整合も特定しました。カスタマイズされたデシジョンパスに従うことで、迅速なリクエストの承認とオーダータイプの正しい処理の両方が検証され、潜在的な遅延や問題を回避することができました。
評決を下す
LangGraphのループと分岐機能を活用することで、レクセラはよりスマートで適応性の高いQCアプリケーションを構築し、AIエージェントが各シナリオに適した検査を実行できるようにし、不動産取引の効率と精度を向上させました。