検索拡張生成（RAG）とは、大型言語モデルが回答を生成する際に外部知識ベースから最新や特定の情報を検索し、その参照結果を組み合わせて高精度な回答を生成する技術です。モデル単体では対応できない最新情報や社内固有のデータに基づいた正確な回答が可能となり、事実と異なる情報を生成するハルシネーションの抑制に貢献します。
検索拡張生成（RAG）とは
検索拡張生成（RAG）とは、一言でいうと「外部のデータベースから関連する情報を検索し、その情報を踏まえてAIに回答を作成させる技術」です。
詳しく解説
従来の大型言語モデルは学習完了時点の知識しか持っておらず、特定の専門文書や最新データに基づく質問に対して不正確な回答を出力する課題がありました。検索拡張生成（RAG）では、ユーザーの質問に対してまずベクトルデータベースなどの外部知識ベースを検索し、関連性の高い文書を抽出します。その抽出された情報をプロンプトに組み込んで大型言語モデルに入力することで、根拠に基づいた正確な回答を生成させます。これにより、モデルを再学習させることなく、常に最新かつ正確なドメイン固有知識を活用したテキスト生成が可能になります。
具体例・使われ方
企業の社内マニュアルや規約を蓄積した外部知識ベースと連携したカスタマーサポート用のチャットボットが代表例です。社員や顧客からの問い合わせに対し、検索拡張生成（RAG）を用いて該当する社内規定の文章を検索・参照した上で、分かりやすい回答を提示できます。また、最新のニュース記事を対象とした質疑応答システムなどでも利用されます。
似た用語との違い
モデル自体に新たな知識を学習させるファインチューニングとは異なります。ファインチューニングはモデルのパラメータを更新して応答のスタイルや特定のタスクへの適応力を向上させますが、学習データの更新にコストがかかります。一方、検索拡張生成（RAG）はモデル自体を再学習させず、検索システム経由で最新情報を与えるため、データの更新が容易で運用コストを抑えられる違いがあります。
注意点
外部知識ベースに誤った情報や古い情報が含まれている場合、検索拡張生成（RAG）を用いても正しい回答が得られない点に注意が必要です。また、検索精度が低いと無関係な情報に基づいてテキストが生成され、誤った結果を導く恐れがあります。完全にハルシネーションをゼロにできるわけではないため、検索インデックスの管理や情報源の精査が不可欠です。