RAGの処理プロセス

前回の記事では、生成AIを業務で利用可能な水準にするには知識の拡張が必要であることを述べ、その代表的な手法としてRAG（検索機能を拡張した生成：Retrieval-Augmented Generation）、Fine-Tuning、自社独自モデル開発の3つを紹介した。これら手法の中でもRAGは、その手軽さから多くの企業から注目されている。そこで、今回はRAGの基本的な仕組みを概説する。

なお、本文中の意見に関する部分については、筆者の私見であることを、あらかじめお断りする。

1.RAGの概要

RAGとは、「LLM（大規模言語モデル）によるテキスト生成にデータ検索機能を付加したもの」である。検索機能を組み合わせることで、LLM単独では知識不足で回答できなかった質問に対しても、業務利用可能な水準に近づけることができる。人間に例えるならば、「勉強はしていないが教科書を持ち歩いているため、その場で教科書を読んだうえで回答ができる状態」だ。

	生成方法	結果
LLM単独	事前学習データのみを参照して質問への回答を生成	自社規約などに関する問い合わせには回答できない
LLM + 検索機能（RAG）	必要に応じて追加データを検索・参照したうえで回答を生成	自社規約などを検索して回答を生成することが可能

2.RAGの処理プロセス

RAGでは、LLMで回答を生成する前にVector Store（データをベクトル形式で格納することにより、意味的な類似度による柔軟かつ精度の高い検索が可能となるデータベース）でデータ検索を行い、取得した結果とユーザーの質問をセットにしてLLMに渡す。

ここではユーザーが「育児休暇を申請する手続きについて教えてください」と質問（以下、「プロンプト」。ここでは、AIに対する指示のことを指す）した場合を例に、RAGの処理プロセスをみていこう（図表）。

図表　RAGの処理プロセス

プロンプトが入力されると（1）、エージェントがユーザーの入力に基づいて次に実施すべき処理の判定を行い、ツールを動的に使い分けてタスクを処理する。ここではVector Storeに格納されているデータから「プロンプトとベクトルの類似度の高いデータ」の取得を行い（2）、結果として以下のようなデータを取得することになる（3）。