技術 🔥 HOT
RAG（検索拡張生成）とは？
別名: Retrieval-Augmented Generation
外部のデータを検索しながらAIに答えさせる方法。
⚡ 30秒でわかる
RAG（検索拡張生成） の主なポイント
- 1 RAGは、AIが答える前に外部データを検索し、その内容を読ませてから回答させる手法（検索＝Retrieval＋生成＝Generation）。
- 2 LLMが知らない最新情報や社内の独自データを扱え、根拠（出典）を示せるためハルシネーション対策になる。
- 3 文書をEmbeddingsに変換してベクトルDBに保存し、質問と意味が近い部分を検索して取り出すのが基本の仕組み。
- 4 モデルを再学習させるファインチューニングと違い、データを入れ替えるだけで知識を更新できるのが利点。
- 5 社内マニュアル検索やカスタマーサポートのチャットボットなど、実務で最も普及しているLLM活用構成のひとつ。
📖 詳しく
RAG（検索拡張生成） とは
RAG（Retrieval-Augmented Generation／検索拡張生成）は、AIが答える前に外部のデータベースや社内ドキュメントから関連情報を「検索」し、その結果を一緒に渡して答えさせる手法です。LLMは学習した時点の知識しか持たず、最新情報や社内の独自情報は知らないため、そのまま聞くと古い答えや「それっぽいウソ（ハルシネーション）」が返ってきがちです。RAGはここに「カンニングペーパーを渡してから答えさせる」イメージで、回答の根拠を外から補います。たとえば社内マニュアルをベクトルDBに入れておけば、「経費精算の締め日は？」という質問に対し、該当ページを検索して取り出し、それを読んだうえでAIが答えてくれます。仕組み上は、文書をEmbeddings（数字のベクトル）に変換してベクトルDBに保存し、質問も同じくベクトル化して意味の近い部分を探し出す、という流れが土台です。モデル自体を再学習させるファインチューニングと違い、データを差し替えるだけで知識を更新できる手軽さと、出典を示せる信頼性の高さから、社内チャットボットや文書検索の定番構成になっています。
❓ FAQ
よくある質問
- Q. RAG（検索拡張生成）とは何ですか？
- A. AIが質問に答える前に、外部のデータベースや社内ドキュメントから関連情報を検索し、その内容を一緒に渡して答えさせる手法です。AIに「カンニングペーパーを渡してから答えさせる」イメージで、学習済みの知識だけに頼らず、最新情報や独自データに基づいた回答を作れます。
- Q. RAGとファインチューニングの違いは何ですか？
- A. ファインチューニングはモデル自体を追加学習させて知識や口調を内部に覚え込ませる手法で、RAGはモデルは変えずに回答時に外部データを検索して渡す手法です。RAGはデータを入れ替えるだけで情報を更新でき、出典も示しやすい一方、ファインチューニングは応答スタイルや専門タスクへの最適化に向きます。最新情報を扱いたいだけならRAGが手軽です。
- Q. なぜRAGはハルシネーション（AIのウソ）対策になるのですか？
- A. AIに「実際の文書」を読ませたうえで答えさせるため、知らないことを想像で埋める余地が減るからです。回答の根拠となった出典を提示できるので、利用者がファクトチェックしやすくなる点も大きな利点です。ただし検索でズレた情報を拾うと誤答も起きるため、万能ではありません。
- Q. 初心者がRAGを使うには何から始めればいいですか？
- A. まずはEmbeddingsとベクトルDB（Pinecone、pgvectorなど）の役割を理解するのが近道です。最近はChatGPTやClaudeにファイルをアップロードして質問する機能や、NotebookLMのように手元の資料に基づいて答えるツールが、簡易的なRAGをノーコードで体験させてくれます。いきなり自作せず、こうした既存サービスで「検索して答える」感覚を掴むのがおすすめです。
🔗 関連
あわせて読みたい
関連 AI モデル
📰 この用語が登場する記事
