マインドウエア総研は、過去25年にわたる自己組織化マップ（SOM）に基づくデータマイニングやベイジアンネットワーク構築の実績と知見を基盤にしています。次世代のAIエージェント時代を見据え、超多次元データや大規模言語モデル（LLM）と連携する高度な情報処理技術を開発・提供しています。
1. GNG+MST 概念ネットワーク・モデル
〜 超多次元データに対応する次世代のデータ構造化技術 〜
AIエージェント時代に対応するため、従来のSOMファミリから、より柔軟にネットワークを成長させるGNG（Growing Neural Gas：成長ニューラルガス）へと技術をシフトさせました。このGNGを活用し、複雑な概念ネットワーク・モデルを自動構築する独自エンジン「ConceptMiner」を開発。超多次元データの高度な分析と可視化を実現します。
2. 自己組織化ナレッジベース
〜 企業内文書をシームレスに統合する次世代QA基盤 〜
企業内に眠る膨大な文書をナレッジベース化し、自然言語による質問に対して柔軟かつ的確に関連情報を回答するシステム基盤です。
- LLM Wikiコンパイル: 文書ごとのナレッジを独自の「LLM Wiki」方式でコンパイルし、実用性の高い応答を実現します。
- 大規模統合と最適ルーティング: 複数のLLM Wikiを横断的に統合し、大規模なナレッジベースを構築。ユーザーからの質問は「GNG+MSTモデル」によって瞬時に解析され、最適なLLM Wikiへと正確にルーティングされます。
3. アナロジー推論（Connected Concepts Model）
〜 視点を変えた「連想的」なナレッジ探索 〜
単なるキーワード検索を超えた、人間の思考に近い「連想的なナレッジ探索」を可能にする推論モデルです。 各エンティティに対して複数のテキスト列を作成し、多角的なGNG+MSTモデルを並行して構築します。ユーザーが入力した質問に対し、まず【モデルA】でノードをマッチングして関連情報を抽出。さらに、そのエンティティを辿って【モデルB】を探索することで、全く違った角度からの関連情報や新しいインサイト（ひらめき）を引き出すことができます。
4. GNG+KG（自己組織化ナレッジグラフ）
〜 膨大な情報を効率的に整理・統合する低コストなKG構築法 〜
AI活用において、エンティティ間の関係性を構造化する「ナレッジグラフ（KG）」の重要性が高まっています。しかし、明示的な関係性を網羅的に手作業でモデル化することは、膨大な設計コストを伴います。 弊社はこの課題をGNGで解決します。GNGのノードごとに局所的なナレッジグラフを自動生成し、クラスタ内で統合、最終的に全体を統合化します。ばらばらな大量の情報を効率的かつ合理的に整理するブレイクスルー技術です。
5. GNGエピソード・データベース（連想長期記憶）
〜 AIエージェントに「経験からの学習」と「瞬時の想起」を 〜
自律型AIエージェントが適切に動作するためには、現在のコンテキスト（文脈）を理解し、過去の経験（教訓）を瞬時かつ適切に想起する能力が不可欠です。 マインドウエア総研は、この要件を満たすためにGNGテクノロジーを応用しています。AIの「短期記憶」と連動しながら日々のエピソードを自動学習し、それをデータベース（長期記憶）に定着させます。AIエージェントは状況に応じて関連する長期記憶を瞬時に引き出し、適切な行動や判断を実行できるようになります。