基本原則は常に同じです。AI モデルそのものは、ユーザー自身のシステム上でローカルに動作します。Offline、Hybrid、Online はモデルの実行場所を切り替えるものではなく、Rainbow が利用できる追加接続の範囲を決めるものです。Offline モードでは外部接続を使用しません。Hybrid モードでもモデルはローカルのままで、たとえば最新の天気情報を取得するために必要な API を選択的に利用できます。Online モードでもモデルはローカルのまま動作し、さらに統合された Rainbow Apex Router を有効にできます。

RAG はすでに個人向け機能に含まれています。必要に応じて、自分の文書や提供した情報を追加の知識源として利用できます。たとえば PDF、Word ファイル、その他の文書を分析したい場合、モデルを再学習させることなく、その問い合わせに必要な内容を利用できます。ローカルモデルが基盤であり、RAG は追加情報や最新情報が必要な場面でそれを補完します。同時に、自分のデータを自分で管理できることは Rainbow の中核的な考え方です。ローカルのデータ保存は AES-256 で保護され、Argon2id を追加の保護層として用います。個人ユーザーにとって重要なのは、モデルが自分のシステムに残り、個人データをローカルで管理でき、追加接続も本当に必要な場合にだけ利用されることです.

企業向けでは、Rainbow はさらに一歩進みます。Rainbow 企業モデルは、単なる従来型の Business 版でも、汎用 AI サービスへのアクセスだけでもありません。企業ごとに個別調整された専用モデルを提供し、どの知識をその AI の一部にするかは企業自身が決定します。そのために指定された情報は整理され、企業専用モデルの学習・調整プロセスへ目的に沿って組み込まれます。ドイツ語の言語基盤およびドイツ固有の基礎情報はあらかじめ含まれており、企業用トークンとしては計算されません。完成した顧客モデルと、そこから生じる企業固有の学習成果物およびモデル構成要素は、その企業専用です。

RAG は企業モデルを補完しますが、置き換えるものではありません。長期的に保持したい企業知識は専用モデルの一部にでき、新しい情報や最新情報は RAG を通じて追加できます。たとえば新しい Word ファイル、PDF、レポートがあり、その内容をすぐ利用したい場合でも、企業モデルを再学習する必要はありません。その文書を現在の処理に使う追加の知識源として提供できます。役割分担は明確です。企業モデルには自社 AI に恒久的に持たせたい知識を組み込み、RAG は最新の文書や情報を柔軟に補完します。

企業モデルもローカルで動作し、自社のインフラ内で運用できます。企業は、どの知識をモデルへ組み込むかだけでなく、どのインフラ上で動作させるか、どの外部接続を許可するかも決められます。導入前には既存ハードウェアを確認し、モデル規模と技術構成を実際のインフラに合わせて調整します。既製の標準構成を当てはめるのではなく、利用可能な技術資源に合った環境を構成します。

技術面でも、企業モデルは見えているインターフェースだけではありません。モデル／システムアーキテクチャ、トークン化、企業知識の準備、学習またはモデル調整、RAG、ローカル推論までを含みます。Tokenizer はテキストを処理可能な単位である Token に分割します。推論とは完成したモデルが実際に動作する処理で、入力を処理して出力を生成する段階を指します。Rainbow の AES-256 暗号化と Argon2id ベースの保護も引き続きシステムの一部です。Rainbow は同じ技術基盤の上で二つの明確な目的を実現します。個人向けでは、ローカル AI モデル、RAG、制御された接続を備えた整理されたデジタルワークスペースを提供し、企業向けではさらに、企業知識とインフラに合わせた専用モデルを追加します。どちらの場合も原則は同じです。モデルはローカルに留まります。個人ユーザーは自分のどの情報と外部接続を利用するかを決め、企業はさらに、どの知識を専用モデルに含めるか、どのインフラで運用するかを決定します。