RAG
RAG (Retrieval-Augmented Generation) とは？
RAG (Retrieval-Augmented Generation) は、大規模言語モデル（LLM）によるテキスト生成に、外部情報の検索を組み合わせることで、回答精度を向上させる技術です。日本語では「検索拡張生成」や「取得拡張生成」とも訳されます。メタ秋田では、単なるセマンティックサーチを用いたRAGではなく、KnowledgeGraph（ナレッジグラフ）を用いた精度の高いAIチャットボットを構築しています。
RAGの利点
①情報の最新化：外部情報の検索を通じて、大規模言語モデルの出力を最新の情報に更新できます。
②信頼性の向上：検索結果を基にした生成により、出力結果の根拠が明確になり、事実に基づかない情報（ハルシネーション）の生成を抑制できます。また、一般に公開されていない社内のデータ（社内規定、約款、マニュアル等）を活用し、生成AIを用いた回答を作成することが可能です。
RAGの構成
RAGは以下の2段階のプロセスから成ります。
1. 検索フェーズ
ユーザーの質問に関連する情報を、データベースや文書から検索します。
2. 生成フェーズ
検索フェーズで得られた情報とユーザーの質問を組み合わせ、大規模言語モデルに入力し、テキストを生成します。
検索フェーズの重要性
検索フェーズの工夫が、RAGの回答精度向上において特に重要です。外部情報のフォーマット整備や検索方式（キーワード検索やベクトル検索など）の設計が求められます。
RAGのユースケース
RAGはさまざまな業務分野で活用可能です。以下はその一例です。
1. カスタマーサポート
社内に蓄積したFAQや事務処理マニュアルを活用したチャットボットやオペレーター支援ツールをRAGで開発することで、オペレーターが手作業で情報を探す時間を短縮し、応答品質を向上させることが可能です。
2. 医療
薬の情報（効用、用法、用量）などを蓄積したRAGを構築することで、自然言語で薬の情報を簡易に検索することが可能になります。
社内に蓄積している過去の企画書/提案書/稟議書などを蓄積したRAGを構築することで、自然言語による的確な資料検索と過去実績を参考にした提案内容の自動作成が可能になります。
4. 法務
法律に関する資料と過去の判例を蓄積することで、法律相談をした資料の自動作成が可能になります。
※これらはあくまでRAGを活用したユースケース案であり、業務で実際に生成AIを利用するには、ハルシネーションを防ぐためのプロンプト設計や回答精度を高めるためのファインチューニングが必要になります。
お問い合わせ先
株式会社Meta Akitaは上流から下流までの生成AIを活用したRAGの企画開発・導入を支援しています。生成AIの社内活用に関してはお気軽にメタ秋田にご相談ください
- お客様のニーズのヒアリング
- お客様の現状の把握
- 課題の抽出・分析
- ソリューションの設計/検討（業務改革/DX/AI）
- DID/VCを含むソリューション開発
- ツールの導入/オペレーション教育
本件に関するお問い合わせは下記フォームよりお願いいたします。