RAG

RAGとは

RAGとは、生成AIが回答を作る前に外部の情報を検索し、その検索結果を参考にして答えを生成する手法のことです。

簡単に言うと、AIに「自分の記憶だけで答えさせる」のではなく、「関連する資料を調べてから答えさせる」ようにする仕組みを指します。Retrieval-Augmented Generation（検索拡張生成）の略です。

RAGは何のためのものか

生成AIの中心であるLLM（大規模言語モデル。大量の文章で学習したAI）は、学習に使ったデータの範囲でしか答えを作れません。そのため、学習後に出た新しい情報や、社内資料のような非公開の情報には対応しにくいという課題があります。

RAGは、この課題を解決するために考案されました。回答を作る前に外部の情報源を検索し、その内容を手がかりとして答えを生成します。これにより、モデルを作り直すことなく、最新の情報や特定分野の情報を答えに反映しやすくなります。

RAGの主な特徴

回答の前に外部情報を検索する

利用者の質問に関係する文書を、用意された情報源（社内文書やデータベースなど）から探し出します。この検索の結果を、AIが答えを作るときの材料にします。

検索結果を加えてから回答を生成する

検索で見つけた情報を質問とあわせてLLMに渡し、その情報を踏まえた回答を作らせます。AIが自分の記憶だけに頼るのを避けることが目的です。

事実に基づかない回答を抑えやすい

外部の情報源に基づいて答えるため、根拠のない内容をそれらしく出力してしまうハルシネーションを抑えやすくなります。信頼できる情報源を参照させることで、誤った情報の出力を抑えやすくなります。

どのような場面で使われるのか

• 社内のマニュアルや規程をもとに質問へ答える社内向けチャット
• 製品ドキュメントを検索して回答するカスタマーサポート
• 最新の資料やニュースを踏まえて回答させたいとき

これらの場面では、AIが学習済みの知識だけでなく、その場で検索した情報を参照することが重要になります。

具体的な例

社内文書を参照する質問応答

社内の規程やマニュアルを情報源として登録しておき、「この手続きの申請方法は？」といった質問に対して、該当する文書を検索したうえで回答を作らせる使い方があります。

出典つきで回答する

RAGでは、回答に参照元（出典）を示せる場合があります。利用者は示された情報源をたどることで、回答の内容を自分で確認できます。

関連する用語

LLM（大規模言語モデル）

大量の文章で学習し、文章の続きを予測して回答を作るAIです。RAGは、このLLMに外部の情報を組み合わせて使う手法です。

ハルシネーション

生成AIが事実と異なる内容を、もっともらしく出力してしまう現象です。RAGは、この現象を抑える方法の一つとして使われます。

利点と注意点

利点

• モデルを作り直さなくても、新しい情報や特定分野の情報を答えに反映しやすい
• 信頼できる情報源に基づくため、根拠のない回答を抑えやすい

注意点

• 検索で適切な情報を見つけられないと、回答の質が下がることがある
• 情報源そのものが古かったり誤っていたりすると、その内容が答えに反映される

名前の由来

RAG は Retrieval-Augmented Generation の頭文字をとった略語です。Retrieval は「検索・取り出し」、Augmented は「拡張された」、Generation は「生成」を意味し、検索によって生成を補強する手法であることを表しています。日本語では「検索拡張生成」と訳されます。

まとめ

RAGとは、生成AIが回答を作る前に外部の情報を検索し、その結果を参考にして答えを生成する手法です。

主に、最新の情報や社内資料のように、AIが学習済みの知識だけでは答えにくい内容に対応するために使われます。

初心者のうちは、「RAGは、AIに調べものをさせてから答えさせる仕組みで、誤った回答を減らし最新情報に対応しやすくする」と理解しておけば問題ありません。