← 知働化コミュニティ トップへ（chidouka-lab.com）
データ中心設計から、自己進化するAI指向（オントロジー）システムへ。〈オントロジー〉〈セマンティクス〉〈エージェント〉の三層構造を、同じ町工場の事例データを使って一歩ずつ学びます。
現場の混乱の真因は、「Excelが悪い」のではなく「役割の限界」にあります。本来は集計や下書きのための道具であるExcelが、組織の唯一の正本という重すぎる役割まで背負わされているのです。
Excelが正本となり、データがサイロ化する。
最新ファイルが不明確になり、情報が散乱する。
システム間の連携がなく、手作業での再入力が常態化する。
特定の担当者に依存し、他人は修正不能になる。
複雑なVBAが引き継がれずレガシー化する。
「Excelを捨てる」のではなく、「ファイル中心」から「データ中心」への段階的な移行が必要。
Step 0 の属人化Excelから、Step 8 のAI活用まで。この教材が深掘りするのは、右端に輝く Step 8 の中身です。
「品番・品名・材質」が毎回手入力されると、重複と表記ゆれが発生します。データ正規化の第一歩として、品名や材質はLOOKUPで取得し、データの「正本」を品番マスタに一本化します（STEP 2–3）。
| 品番 | 品名 | 材質 |
|---|---|---|
| A001 | シャフト | S45C |
| 受注番号 | 品番 | 数量 |
|---|---|---|
| R001 | A001 | 50 |
受注データは品番マスタを「参照」するだけ。マスタを直せば全ての受注に反映されます。
現場はExcelを開かない。Web画面による入力一本化。
顧客ID顧客名受注ID顧客ID明細ID品番ID品番ID品名関係性（リレーション）による管理への移行。
リレーショナルDB。データを「表」として整理。人間がクエリを書かなければ情報を取り出せない。
自律型AIエージェント。文脈を理解し、推論し、自己改善する。
オントロジー・セマンティクス・エージェントという3つの層を、土台の「データ層」の上に積み上げます。上から下へ〈Grounding・根拠づけ〉、下から上へ〈Integration・知識化〉が働きます。
計画・ツール使用・記憶・内省。「知覚→推論→行為」のループを回す動的な動力。
LLM・解釈・RAG。記号と対象を結ぶ柔軟な解釈のはたらき。
知識グラフ・概念・制約。静的な〈意味の骨格〉であり、AIの幻覚を防ぐ。
文書・信号・外部ソース。すべての意味が根を下ろす源泉。
この事例データで四層を実際にたどってみます。
| 認識の段階（L0〜L7） | 内容（人間側） | 対応するAI技術 |
|---|---|---|
| L0-L1（刺激/感覚） | 物理エネルギー → センサー・生データ | センサー・生データ |
| L2-L3（知覚/認識） | パターン化・カテゴリ化 | CNN・エンベディング |
| L4（概念） | 抽象化・言語化 | 〈オントロジー〉・知識グラフ |
| L5（意味） | 文脈統合・解釈 | 〈セマンティクス〉・LLM |
| L6-L7（判断/行為） | 意思決定・環境への働きかけ | 〈エージェント〉・プランニング・実行 |
| 横断（メタ認知） | 自己の認知の監視 | 内省・自己評価ループ |
「直観なき概念は空虚であり、概念なき直観は盲目である」—カント。
オントロジー（概念）なきLLM（直観）は暴走し、LLMなきオントロジーは動かない。
どんな種類のノード（人物・概念）とエッジ（著者・上位概念）を認めるかという「型」の定義。
型に基づいて格納される個々の事実データ。
同じ考え方を、事例データ（町工場の受注）のABoxとして書き起こすと次のようになります。
| 主語（ノード） | 関係（エッジ） | 目的語（ノード） |
|---|---|---|
| R001 | 対象品番 | A001 |
| A001 | 材質である | S45C |
| A001 | 担当工程 | 切削 |
受注データを題材に、「納期遅延リスクを予測したい」という問いに答える知識グラフを、実際に組み立ててみます。
「受注R001の納期遅延リスクに答えたい」という目的を固定する。
ノード型「受注・品番・工程」、エッジ型「対象品番・担当工程」を定義（TBox）。
LLMで作業日報から [R001]──対象品番──[A001] のようなトリプルを下書きする。
「シャフト」「SHAFT-01」等の表記ゆれを正準ID A001 に統合。品質の要。
初期は重いグラフDBを避け、JSONの配列＋Git版管理で身軽に開始する。
「受注には品番が必須」等のスキーマ制約に照らし矛盾を点検。人間の確認を挟む。
解釈のはたらき：オントロジーの静的な構造に対し、LLMの自然言語処理・エンベディング・RAGを用いて「文脈に即した柔軟な理解」を与える。記号と対象を概念を介して結ぶ。
動的な動力：意味を用いて世界を理解し、存在論で検証し、自律的に行為する。
タスク実行中の試行履歴。例）「検査工程の待ち行列が長い」という一時メモ。
タスクを越えて残す教訓（Upstash Redis等に保存し、知識グラフへ還元）。例）「検査工程は繁忙期に遅延しやすい」という教訓としてオントロジーへ格上げ。
ゴール「R001の納期遅延リスクを評価せよ」を例に、自己改善のループをたどってみます。
ゴールを分解——各工程の進捗を確認する計画を立てる。
ツールを使い行為——各工程DBを参照する。
結果を取得——検査工程がまだ未着手だと分かる。
基準と照合——「残り工程時間 < 残り日数か」を判定する。
停止条件の明示：トークン浪費を防ぐ（基準達成・最大反復・収束）。
評価基準（ルーブリック）：「良いか？」ではなく「事実誤りはないか」「指定形式か」など具体的に。
知識グラフへの還元：得られた教訓（長期記憶）はオントロジー層へ書き込まれ、次回の計画に活かされる。
モデルからの期待。例）検査完了予定 11:40。
結果を取得。例）実績は 11:55。
−log p(o)。ズレの大きさを数値化する。
既存スキーマに素直に取り込み（事実の追加）。この受注の実績として記録するだけ。
知識グラフ・型（スキーマ）自体を作り変える改訂。複数受注で「検査＋20分」のズレが続くなら、標準工程時間モデル自体を改訂。
自由エネルギー最小化。ここで得た教訓は、次の「予測」の精度へ還元される。
F ≈ 複雑性 − 正確性「調節」の引き金。誤差が大きい箇所を特定し、いつグラフを改訂すべきかを決定。
例：検査工程のズレが続けば改訂を発動。
行動の門（停止条件）。確信度が低ければ行為を止め、情報収集へ回帰。
例：担当者未確定なら提案を保留。
探索の方向づけ。「最も不確実性を減らせる」領域を特定し、学習を促す。
例：遅延要因が未知の工程を優先調査。
知識グラフの正則化。冗長なノード追加を防ぎ、名寄せ・品質を維持するブレーキ。
例：似た品番ノードの乱立を抑制。
労力の最適配分。誤差が速く減る「最近接発達領域」にメタ認知の注意を集中させる。
例：改善余地の大きい検査工程に注力。
| ファイル中心（STEP 0-3） | データ中心（STEP 4-7） | 知識中心（STEP 8） | |
|---|---|---|---|
| 管理のパラダイム | 属人化・サイロ化 | 構造化・単一情報源 | 意味と自律性の統合 |
| データの姿 | 個別ファイルの乱立 | テーブルとリレーション | 知識グラフ（トリプル） |
| 主なツール | Excel | RDB・Web UI | オントロジー＋LLM＋エージェント |
| AIの適性 | 無 | 低（意味がない） | 完全 |
| 進化のメカニズム | 人間による手作業の更新 | 人間によるクエリと設計 | 予測誤差による自己進化（同化と調節） |
「AI活用の本質は、データを貯めることではありません。
データの背後に〈存在の構造〉と〈意味〉を与え、自ら学び続ける知識体系へ発展させることです。」
— オントロジー・セマンティクス・エージェントを分離しながら連結し、内省ループで自己改善する。
知識グラフ（オントロジー）でAIの幻覚を防ぎ、検証可能な基盤的真理をつくる。
セマンティクス層が文脈を柔軟に解釈し、記号と対象を結ぶ。
予測誤差を制御シグナルとして、自ら学習し続けるエージェントへ。