3. コア機能：自己進化型AIパイプライン (Self-Evolving AI Pipeline)
システムのインテリジェンスは、単なる情報検索ではなく、利用者の行動を学習し自己改善を続ける「2段階のデータフライホイール」によって実現されます。
3.1. フェーズ1：知識の構造化（GraphRAGによるSSOTの特定）
データ間の意味的つながりを解析し、検索拡張生成（RAG）の精度と法的な安全性を担保します。
- データとしての機密性・著作権スクリーニングと分類: Rustバックエンドがファイル操作を監視する際、対象データの機密レベルに加え、データコンテンツとしての著作権・ライセンス情報を自動判定します。特に、対象がパブリックドメイン（CC0等）であるか、クリエイティブ・コモンズ（CCライセンス）のどの条件（BY:表示、NC:非営利、ND:改変禁止 等）に該当するかを識別・ラベリングします。自社の利用ポリシーに反する条件を持つデータはRAGソース化の段階で確実に遮断するだけでなく、「どのデータがオープンソースとして安全に再利用・共有可能か」をシステム内で自動整理します。
- 知識グラフの構築: 複数ユーザーの行動パターンを解析し、単語間の関連性や文書の重要度を学習。安全性が担保されたデータ同士を意味で結びつけたネットワークを構築します。
- SSOTの特定とオントロジー生成: 知識グラフの構造から、組織内の「真の正解（SSOT）」を特定。固有の業務文脈（オントロジー）を動的に形成します。
- デジタルツインへの統合: 特定されたSSOTをQGIS等の地理空間データと紐付け、デジタルツイン上の正確な座標へ自動マッピング。AIが常に「適法かつ正確」な情報源を参照する基盤となります。
3.2. フェーズ2：知識の深化（継続的学習による自己改善）
リアルタイム検索の精度を高めるフェーズ1に対し、フェーズ2はAIモデル自体の推論能力を恒久的に向上させます。
- 推論ログの教師データ化: GraphRAGがSSOTの特定に成功したプロセス（専門家の思考プロセスに相当）を、高品質な学習データ（JSONL等）へ自動整形。
- セキュアなファインチューニング（LoRA）: 業務時間外のローカルGPUリソースを活用し、軽量アダプター（LoRA）としてモデルを追加学習。外部への情報流出を完全に遮断します。
- 無停止でのモデル更新: 古い知識の忘却プロセス（知識の新陳代謝）を組み込み、生成されたLoRAを動的適用（ホットスワップ）。システムを停止することなくAIを最新の組織知識に適応させます。
3.3. 多世代Geminiモデルの動的切り替え機能【導入完了】（画面3 / pane3）
利用するシーンやタスクの難易度に応じて、画面3（右ペイン）のチャット画面から直接Geminiの様々なモデル（Flash系・Pro系モデル等）を自在に切り替えることができるモデルセレクト機能を実装し、ユーザーの用途に合わせた柔軟なAIアシスタント連携を提供します。