概要
- Castform は企業のデータベース内に眠るデータを活用し、 RL後学習 でオープンソースモデルを最適化
- Neon（Lakebase Postgres） と連携し、検索・データ変換のインフラ構築不要
- 従来の Embedding検索 やRAGから エージェント型検索 への進化説明
- RL後学習による コスト削減・性能向上、データセット自動生成の仕組み
- Castform により、開発者が手軽に自社知識ベースをAIモデル化可能
CastformとNeonによるエージェント最適化の新潮流
- 多くの企業では 最良のトレーニングデータ が既存データベース内で未活用状態
- 生データを有用な形式へ変換し、エージェントが 効率的にデータ検索・更新 するには高度なインフラが必要
- Castform をNeonに適用することで、これらの課題を一挙に解決
- 優れたAIエージェント には「適切なデータ取得」と「最適な検索判断」の2要素が不可欠
- Neon のSearch拡張機能が前者を、 Castform が後者を担当
Embedding検索からエージェント型検索への進化
- 2022年頃、業界は Embedding検索 に注力し、RAGパイプラインが一般化
- 2025年頃からは エージェント型（multi-hop）検索 が主流へ移行
- モデルが 複数回の検索・計画ループ を実行し、複雑な問題を分解
- これにより、 コスト・レイテンシー増大 （例：gpt-5.6-solで10秒以上、1リクエストあたり約0.03ドル）
- 一方、 小規模オープンモデル は100分の1のコストだが、素の状態では能力が劣る
- RL後学習 により、特定タスクではオープンモデルが高性能・低コストを実現
Castformが解決する課題
- 多くの企業が「 トレーニングデータがない」「 ファインチューニングは難しい」と諦めがち
- Castform は既存コーパスから自動でタスク生成し、RLループを管理
- 例：社内ドキュメントから 質問・回答データセット を合成し、検索ツールと報酬関数を指定して学習
- 報酬関数例：「正しい情報を取得・引用・回答できたか」を評価
- RL後学習の流れ
- タスク（例：質問応答）
- エージェント実行環境（例：Lakebase Searchツール）
- 報酬関数（例：正答判定）
Castformの技術的特徴とメリット
- Lakebase Search と連携し、Neon上のPostgresに生データを保存
- 合成データ生成→タスク化→RLトレーニング→本番推論まで一貫自動化
- RL学習中は 大量の並列検索要求 にもNeonの自動スケールで柔軟対応
- Neonのブランチ機能 で各ロールアウトごとに独立したDB状態を確保、状態リセット・再現も容易
- トレーニング進捗や個別タスクの詳細観察 が可能な観測性を提供
Castformで実現できること
- 企業独自の知識ベース をAIモデル化し、コスト効率よく運用
- ファインチューニングや機械学習の専門知識不要 で、開発者が手軽に後学習を実施
- スケーラブルかつ安全な環境 で、状態付きエージェントの大量トレーニングが可能
まとめ・始め方
- Castform は、オープンソースモデルのRL後学習を誰でも簡単に実現する新しいプラットフォーム
- 自社データを活用した 安価・高速・高性能なAIエージェント 開発をサポート
- 詳細・導入はcastform.comを参照