Elastic Agent Builder活用術：AIで「デキる人」を簡単検索

POST kbn://internal/kibana/settings
{
   "changes":{
       "agentBuilder:enabled":true
   }
}

{
  "employee_id": "EMP-1788",
  "name": "山田太郎",
  "role": "テックリード",
  "experience_years": 14,
  "hard_skills": ["Go", "JavaScript", "Kubernetes", "Terraform", "TypeScript"],
  "soft_skills": ["Problem Solving"],
  "last_rating": 95,
  "is_available": true,
  "onboard_date": "2011-10-02"
}

{
  "project_id": "PRJ-0001",
  "project_name": "データパイプライン改善",
  "project_type": "Data",
  "status": "成功",
  "score": 81,
  "start_date": "2025-02-27",
  "end_date": "2025-06-09",
  "team_members": ["遠藤直美", "小島涼子", "宮崎健"],
  "evaluation_summary": "プロジェクトは大成功。高いチームワークと相互サポートが特徴的だった。宮崎健の専門知識がなければ、この成果は達成できなかっただろう。"
}

{
  "properties": {
    "experience_years": {
      "type": "long"  // 👈 longは不要に大きい
    },
    "onboard_date": {
      "type": "date",
      "format": "iso8601"  // 👈 yyyy-MM-dd形式に対応していない
    }
  }
}

{
  "properties": {
    "@timestamp": {
      "type": "date"
    },
    "employee_id": {
      "type": "keyword"
    },
    "experience_years": {
      "type": "integer"  // ✅ integerで十分
    },
    "hard_skills": {
      "type": "keyword"  // ✅ 完全一致検索用
    },
    "is_available": {
      "type": "boolean"
    },
    "last_rating": {
      "type": "integer"
    },
    "name": {
      "type": "keyword"
    },
    "onboard_date": {
      "type": "date",
      "format": "yyyy-MM-dd||strict_date_optional_time||epoch_millis"  // ✅ 複数フォーマット対応
    },
    "role": {
      "type": "keyword"
    },
    "soft_skills": {
      "type": "keyword"
    }
  }
}

{
  "properties": {
    "@timestamp": {
      "type": "date"
    },
    "end_date": {
      "type": "date",
      "format": "yyyy-MM-dd||strict_date_optional_time||epoch_millis"
    },
    "evaluation_summary": {
      "type": "keyword"  // ✅ 元テキストも保持（表示用）
    },
    "project_id": {
      "type": "keyword"
    },
    "project_name": {
      "type": "keyword"
    },
    "project_type": {
      "type": "keyword"
    },
    "score": {
      "type": "integer"
    },
    "start_date": {
      "type": "date",
      "format": "yyyy-MM-dd||strict_date_optional_time||epoch_millis"
    },
    "status": {
      "type": "keyword"
    },
    "team_members": {
      "type": "keyword"
    },
    "evaluation_summary_semantic": {
      "type": "semantic_text",  // ✅ セマンティック検索用
      "inference_id": ".multilingual-e5-small-elasticsearch"  // ✅ 多言語対応の軽量モデル
    }
  }
}

You are a corporate **Talent Strategy Assistant**.
Your primary function is to analyze employee skill profiles and project evaluations to provide recommendations such as who to assign to which project, which skills correlate with success, and where skill gaps exist.

### Input Handling Rules:

* If the user asks about a person or skill that is not present in the datasets, respond with a friendly message listing available names/skills.
* If the user provides incomplete information (e.g., just a skill but no project type), ask them for the missing information.
* If names or skills are typed with incorrect spelling or case, infer the correct match from your dataset.
* If the user asks for something outside talent strategy (for example, marketing metrics or personal opinions unrelated to skills/projects), *politely refuse* and say you can only discuss the defined domain.

### Tools Usage:

* If you need to check which skills link to high-scoring projects, call tool **SkillCorrelationTool**, passing the relevant project type or score threshold.
* If you need to evaluate how well a team of people has performed together, call **TeamEffectivenessTool**, passing the list of employees.
* If you need to explore project evaluation texts for thematic insights, call **ProjectInsightTool**, passing a query term or score threshold.
* If you need to recommend available employees for a new project based on required skills, call **CandidateRecommendationTool**, passing required skills and how many top candidates you need.
* If you need to identify missing skills among failed or low-scoring projects, call **SkillGapAnalyzerTool**, passing the project type and a score threshold.

### Example Output Format:

```markdown
#### Recommendation Summary
- **Project Type**: Data Analytics  
- **Required Skills**: Kubernetes, Terraform  
- **Top Candidate**: 山田太郎 (average project score: 89, available)  
- **Runner-Up**: 宮崎健 (avg score: 86, available)  

#### Skill Correlation Insight
| Skill         | Avg Project Score | Project Count |
|---------------|-------------------|---------------|
| Kubernetes     | 88                | 14            |
| Terraform      | 85                | 10            |

#### Why This Recommendation
- 山田太郎 has consistently high‐performing history in Data Analytics projects requiring Kubernetes/Terraform.  
- The correlation between these skills and project success is high.  
- He is currently marked as available.

#### Next Step
Assign 山田太郎 for the upcoming Data Analytics project and consider training additional staff in Terraform to close the skill gap.
```

FROM project_evaluation_reports
| WHERE score >= ?min_score
| WHERE evaluation_summary : ?query_text
| SORT _score DESC
| LIMIT ?top_n

FROM project_evaluation_reports
| LOOKUP JOIN employee_skills_data_lookup ON team_members == name
| WHERE score >= 80 AND is_available == true
| MV_EXPAND hard_skills
| STATS avg_score = AVG(score), project_count = COUNT(*) BY hard_skills
| SORT avg_score DESC
| LIMIT 10

FROM project_evaluation_reports
| LOOKUP JOIN employee_skills_data_lookup ON team_members == name
| WHERE is_available == true
| STATS avg_score = AVG(score) BY name
| SORT avg_score DESC
| LIMIT 10

FROM project_evaluation_reports
| EVAL status_group = CASE(score >= ?threshold, "success", "failure")
| LOOKUP JOIN employee_skills_data_lookup ON team_members == name
| MV_EXPAND hard_skills
| STATS count = COUNT(*) BY hard_skills, status_group
| SORT count DESC

FROM project_evaluation_reports
| LOOKUP JOIN employee_skills_data_lookup ON team_members == name
| EVAL is_success = CASE(score >= ?threshold, 1, 0)
| STATS success_rate = AVG(is_success) BY role
| SORT success_rate DESC

FROM project_evaluation_reports
| WHERE score >= ?score_threshold
| LOOKUP JOIN employee_skills_data_lookup ON team_members == name
| MV_EXPAND hard_skills
| STATS usage_count = COUNT(*) BY hard_skills
| SORT usage_count DESC
| LIMIT ?top_n

FROM project_evaluation_reports
| LOOKUP JOIN employee_skills_data_lookup ON team_members == name
| STATS avg_score = AVG(score) BY name
| SORT avg_score DESC
| LIMIT ?top_n

直近3件のプロジェクト評価レポートにおけるチームワークテーマ分析
分析概要
直近3件のプロジェクト評価レポートを分析した結果、チームワークに関連するテーマの出現状況と頻出キーワードは以下の通りです。
プロジェクト別分析
1. PRJ-0067「グローバル向け機能拡張」(Backend) - スコア: 92点
チームワーク関連記述:
チームの高い技術力とコミュニケーションにより、予定より早くプロジェクトを完了した。特に岡本悟は困難な技術的課題を主導的に解決し、プロジェクトの成功に大きく貢献した。
キーワード: コミュニケーション、主導的、貢献
特徴: 高いコミュニケーション品質が早期完了の要因として明示的に言及されており、チームワークの成功例として評価されています。
2. PRJ-0188「グローバル向け機能拡張」(Mobile) - スコア: 85点
チームワーク関連記述:
顧客からのフィードバックを迅速に取り入れ、MVPリリース後すぐに大きな改善を達成した。アジリティの高さは竹内里奈の調整能力によるものが大きい。
キーワード: 調整能力、アジリティ、フィードバック対応
特徴: 直接的な「チームワーク」という言葉はないものの、チーム内の調整能力とアジリティに言及しており、暗にチームの連携の重要性を示しています。
3. PRJ-0231「次世代顧客ダッシュボード開発」(Backend) - スコア: 66点
チームワーク関連記述:
プロジェクトは完了したが、納期の遅延があり、顧客満足度は低迷した。この経験は、将来のプロジェクト計画における教訓となった。
キーワード: 遅延、顧客満足度低迷、教訓
特徴: チームワークに関する明示的な言及はなく、むしろその欠如が問題の一因である可能性が示唆されています。
総合分析
チームワークとプロジェクト成功の相関:
最も高いスコア(92点)のプロジェクトでは「コミュニケーション」が明示的に成功要因として挙げられています
中間スコア(85点)のプロジェクトでは「調整能力」が評価されています
最低スコア(66点)のプロジェクトではチームワーク関連の言及がなく、問題が発生しています
頻出キーワードとテーマ:
コミュニケーション
調整能力
主導的解決
アジリティ
成功プロジェクトの共通点:
個人の貢献が明確に認識されている
チーム内の情報共有や調整が効果的に行われている
結論
直近3件のプロジェクト評価レポートでは、高評価のプロジェクトほどチームワークに関連する要素（コミュニケーション、調整能力）が明示的に言及されており、プロジェクトの成功との相関が見られます。一方、低評価のプロジェクトではチームワークへの言及がなく、これがプロジェクトの問題の一因である可能性があります。

テックリードの平均プロジェクトスコア分析
現状分析
テックリードのメンバー情報を確認したところ、現在A社には13名のテックリードが在籍しています。彼らの個人評価（last_rating）の平均は約83点となっています。

主なテックリードメンバーとその評価：

山田太郎：95点（Go, JavaScript, Kubernetes, Terraform, TypeScript）
宮崎健：95点（Cloud-AWS, Cloud-Azure, Go, Java, Tailwind CSS）
森田恵：90点（Cloud-AWS, Docker, Java, JavaScript, Kubernetes, PyTorch）
西村健一：90点（Kubernetes, PyTorch, Python, Scrum, Terraform, TypeScript）
スコア向上のために必要なスキル
テックリードの平均プロジェクトスコアを80以上に向上させるために、以下のスキルの強化が推奨されます：

クラウドインフラストラクチャスキル

高評価のテックリード（山田太郎、宮崎健、森田恵など）は、Cloud-AWS/Azureやコンテナ技術（Kubernetes）に精通しています
クラウドネイティブアーキテクチャの設計・実装スキルが重要です
自動化・IaCスキル

Terraform、Kubernetesなどのインフラ自動化ツールの知識
高評価のテックリードはこれらのスキルを持っていることが多い傾向があります
最新のプログラミング言語とフレームワーク

Go言語のスキルを持つテックリードは高評価の傾向
TypeScriptやモダンなフロントエンドフレームワーク（React等）の知識
AIと機械学習の基礎知識

PyTorch、TensorFlowなどのAIフレームワークの基本理解
データ駆動型の意思決定ができるスキル
リーダーシップとコミュニケーションスキル

プロジェクト管理手法（Scrumなど）の実践的知識
チーム内の効果的なコミュニケーション促進能力
具体的な改善策
スキルアップト���ーニングの実施

クラウドインフラ（AWS/Azure）の認定資格取得支援
Terraform、Kubernetesのハンズオントレーニング
チーム構成の最適化

高評価テックリードと低評価テックリードのペアリング
スキル補完を考慮したチーム編成
知識共有の促進

高評価テックリードによる社内勉強会の開催
プロジェクト成功事例の文書化と共有
継続的学習の文化醸���

新技術のPoC（概念実証）プロジェクトの奨励
技術カンファレンスへの参加支援
これらの施策を実施することで、テックリードの平均プロジェクトスコアを80以上に向上させることが期待できます。特に、クラウドインフラとIaCスキルの強化が最も効果的と考えられます。