30秒で分かる説明
RAGは、AIに答えさせる前に、社内の資料などから関係する部分を探し出し、それを添えて答えを作らせる仕組みです。「資料を見ながら答えるAI」と考えると分かりやすいです。
詳しい説明
RAGは Retrieval-Augmented Generation の頭文字で、「検索で補強した生成」という意味です。LLMは学習した時点までの一般的な知識しか持っていないため、そのままでは社内の規程や最新の商品情報について正しく答えられません。
そこでRAGでは、まず質問に関係しそうな文書を探します。探す部分には、言葉がそのまま一致しなくても意味の近い文章を見つける「ベクトル検索」がよく使われます。見つけた文章を質問と一緒にLLMに渡し、「この資料をもとに答えて」と指示します。
根拠になる資料を渡すので、でたらめな答えは減りやすくなり、どの資料を元にしたかを示すこともできます。ただし、探す段階で見当違いの文書を拾えば、答えもずれます。元の資料が古かったり、矛盾していたりすると、その内容がそのまま答えに出ます。
どこで使われる？
- 社内規程や手順書に答える社内向けの問い合わせAI
- 製品マニュアルをもとにしたサポートのチャット
- 過去の議事録や提案書から、関係する記述を探す作業
具体例
総務の担当者が、就業規則や経費のルールをまとめた文書をRAGの仕組みに登録します。社員が「出張の日当はいくら？」と聞くと、AIは該当する規程の部分を探し、その内容をもとに答えを返し、元の文書名も示します。
よくある勘違い
- RAGを使えばAIが資料を学習して賢くなる、と思われがちですが、AI自体は変わりません。質問のたびに資料を探して渡しているだけです。
- RAGにすれば間違いはなくなる、と思われがちですが、探す段階の失敗や資料の古さは防げません。大事な答えは元の資料で確かめます。