RAGとは、大規模言語モデルが回答を生成する際、外部のデータベースや文書から関連情報を検索して参照し、その情報を基に正確な回答を組み立てる技術です。これにより、モデル自体の学習データに含まれない最新情報や社内文書に基づいた精度の高い回答が可能になります。
RAG（検索拡張生成）とは
一言でいうと、大規模言語モデルが外部データを「検索」して知識を「拡張」し、それをもとに文章を「生成」する仕組みです。
詳しく解説
大規模言語モデルは、膨大な事前学習データをもとに自然な対話を行いますが、学習時に含まれていない最新の出来事や、特定の企業が持つ非公開の社内文書については知識を持っていません。そのため、不正確な情報を生成してしまう「ハルシネーション」が発生することが課題でした。RAGはこの問題を解決するため、ユーザーの質問が入力された際に関連する外部ドキュメントを検索し、そのテキストをプロンプトに組み込んで回答を生成させます。モデルを再学習させることなく最新情報や固有の知識に対応できるため、コスト効率が高く実用的な手法として注目されています。
具体例・使われ方
企業のカスタマーサポートにおいて、製品のマニュアルや過去の問い合わせ履歴が保存されたデータベースとRAGを連携させます。顧客からの質問に対して、マニュアルの正確な記述を参照した上で適切な回答を自動生成することで、的確なサポートを実現できます。また、社内規程や業務マニュアルを検索対象にして、社員からの総務・人事に関する質問に答える社内チャットボットとしても広く利用されています。
似た用語との違い
事前学習やファインチューニングとの違いとして、RAGはモデル自体の重みやパラメータを変更しません。ファインチューニングがモデルに新しい知識を覚え込ませる「学習」のプロセスであるのに対し、RAGは外部の資料を図書館のように「参照」しながら答えるアプローチです。
注意点
RAGの性能は、検索フェーズでいかに正確に関連文書を抽出できるかに大きく依存します。検索精度が低いと、誤った情報や無関係なテキストが大規模言語モデルに渡ってしまい、結果として質の低い回答や誤情報が生成される原因になります。また、参照する文書の機密管理やアクセス権限の制御を適切に行わないと、セキュリティ上のリスクが生じる点にも注意が必要です。