RAGとは何か――AIに資料を読ませて答えさせる仕組みをやさしく理解する

前回は、「ファインチューニングとは何か」について説明しました。

ファインチューニングとは、すでに事前学習を終えたAIに追加の訓練を行い、特定の目的や分野に合わせて調整することです。

たとえば、会社らしい文章の書き方に寄せたり、決まった形式で回答しやすくしたり、特定の分類作業を安定させたりするために使われます。

しかし、会社のマニュアル、商品情報、FAQ、規約、議事録のような情報をAIに使わせたい場合、必ずしもファインチューニングが最適とは限りません。

なぜなら、そうした情報は更新されることが多いからです。

価格が変わることもあります。ルールが変わることもあります。マニュアルが改訂されることもあります。

そのたびにAI本体を学習し直すのは大変です。

そこで登場するのが、RAGです。

一言でいうと、RAGとは、AIに外部の資料を検索させ、その資料をもとに回答させる仕組みです。

RAGとは何か

RAGは、Retrieval-Augmented Generation の略です。

日本語では「検索拡張生成」と訳されることがあります。

少し難しい言葉ですが、分けて考えるとわかりやすいです。

• Retrieval：検索する、取り出す
• Augmented：強化された、補強された
• Generation：生成する

つまりRAGとは、検索によって情報を取り出し、その情報を使ってAIが回答を生成する仕組みです。

ChatGPTのような大規模言語モデルは、文章を作るのが得意です。

しかし、何も資料を見ずに答えると、情報が古かったり、事実と違う内容をもっともらしく答えてしまったりすることがあります。

そこで、AIに関連する資料を渡してから答えさせます。

たとえば、「この会社の返品ルールについて教えて」と質問されたとき、AIが会社の返品規約を検索し、その該当部分を読んでから回答する。

これがRAGの基本的な考え方です。

RAGは「資料を見ながら答えるAI」

RAGは、学校のテストでたとえるとわかりやすいです。

何も見ずに答えるテストでは、自分の記憶だけを頼りにします。

覚えていないことや、うろ覚えのことは間違えるかもしれません。

一方、資料を見ながら答えてよいテストなら、教科書やノートを確認しながら答えることができます。

RAGは、この「資料を見ながら答える」に近い仕組みです。

AIが自分の中にある知識だけで答えるのではなく、外部の資料を探して、その内容をもとに回答します。

これにより、AIの回答をより現実の資料に近づけやすくなります。

ただし、資料を見ているからといって、必ず完璧な答えになるわけではありません。

検索で間違った資料を拾うこともありますし、AIが資料の読み取り方を間違えることもあります。

それでも、何も見ずに答えるよりは、根拠のある回答に近づけやすくなります。

RAGの基本的な流れ

RAGの流れは、大きく分けると次のようになります。

• ユーザーが質問する
• システムが関連する資料を検索する
• 見つかった資料の一部をAIに渡す
• AIが資料を読んで回答を作る
• 必要に応じて、根拠となる資料も示す

たとえば、社内マニュアルを使ったAIを考えてみましょう。

社員が「経費精算の締切はいつですか」と質問します。

するとシステムは、社内マニュアルの中から「経費精算」「締切」に関係する部分を検索します。

その見つかった部分をAIに渡します。

AIは、その資料をもとに「経費精算の締切は毎月○日です」のように回答します。

このように、RAGでは、AIが直接すべてを記憶している必要はありません。

必要なときに、必要な資料を探して、それを使って答えるのです。

RAGと普通のAI回答の違い

RAGを使わない場合、AIは主に事前学習で身につけたパターンと、入力されたプロンプトをもとに回答します。

そのため、一般的な説明や文章作成には強いです。

しかし、特定の会社の最新ルールや、個別のマニュアル内容には弱いことがあります。

RAGを使うと、AIは外部の資料を参照できます。

そのため、社内文書、FAQ、規約、商品情報のような個別の資料に基づいた回答を作りやすくなります。

たとえば、「生成AIとは何かを説明して」という質問なら、通常のAI回答でも十分なことが多いです。

しかし、「当社の有給休暇申請ルールを教えて」という質問では、その会社の就業規則や社内マニュアルを見なければ正確には答えられません。

このような場面で、RAGが役に立ちます。

RAGとファインチューニングの違い

RAGは、前回説明したファインチューニングとよく比較されます。

どちらもAIを実用的に使うための方法ですが、役割が違います。

ファインチューニングは、AIモデルそのものを追加学習で調整する方法です。

一方、RAGは、AIモデル本体を変えるのではなく、外部資料を検索してAIに渡す方法です。

たとえば、会社の文章のトーンをそろえたいなら、ファインチューニングが候補になります。

一方、会社のマニュアルをもとに質問へ答えさせたいなら、RAGが候補になります。

もちろん、実際には両方を組み合わせることもあります。

たとえば、回答スタイルはファインチューニングで整え、回答の根拠はRAGで社内文書から取り出す、という形です。

RAGはなぜ社内AIで重要なのか

RAGは、会社でAIを使うときに特に重要です。

なぜなら、会社の業務では、一般的な知識だけでは答えられない質問が多いからです。

たとえば、次のような質問です。

• この商品の保証期間は何年ですか
• 交通費精算のルールを教えてください
• この契約書の注意点を整理してください
• 過去の議事録から決定事項を探してください
• 社内マニュアルに沿った回答文を作ってください
• FAQにある範囲で、お客様向けの説明文を作ってください

これらは、一般的なAIが何も見ずに答えるべきものではありません。

会社ごとにルールが違いますし、情報が更新されることもあります。

RAGを使えば、AIに社内文書やマニュアルを参照させたうえで回答させることができます。

そのため、AIを社内業務に組み込むうえで、RAGは非常に重要な考え方になります。

RAGに必要な準備

RAGを使うには、ただ資料を大量に置いておけばよいわけではありません。

AIが使いやすい形で資料を整える必要があります。

主に必要になるのは、次のような準備です。

• 使わせたい資料を集める
• 古い資料や不要な資料を整理する
• 資料を適切な単位に分割する
• 検索しやすい形に変換する
• 質問に対して関連資料を取り出せるようにする
• AIが資料をもとに答えるように指示する

特に重要なのは、資料の整理です。

古いマニュアルと新しいマニュアルが混ざっていると、AIが古い情報を拾ってしまう可能性があります。

同じ内容の資料が複数あり、表現が違っていると、AIの回答が不安定になることもあります。

RAGは、AIの仕組みだけでなく、資料管理の仕組みでもあります。

AIに正しく答えてほしいなら、AIに見せる資料も正しく整理されている必要があります。

RAGとベクトル検索

RAGでは、関連する資料を検索して取り出す必要があります。

ここでよく使われるのが、ベクトル検索です。

ベクトル検索とは、文章の意味の近さをもとに検索する方法です。

普通のキーワード検索では、同じ言葉が含まれているかどうかが重要になります。

しかし、RAGでは、質問と資料の言葉が完全に一致しないことがあります。

たとえば、ユーザーが「返品できますか」と聞いたとします。

一方、マニュアルには「キャンセルおよび返金の条件」と書かれているかもしれません。

キーワードだけを見ると、「返品」という言葉は出てこないかもしれません。

しかし、意味としては関係しています。

ベクトル検索を使うと、このような意味の近さをもとに資料を探しやすくなります。

ベクトル検索については、次回以降で詳しく説明します。

RAGと埋め込み

ベクトル検索を理解するには、さらに「埋め込み」という考え方も重要です。

埋め込みとは、文章や単語の意味を、AIが扱いやすい数値の並びに変換することです。

文章を数値の並びに変換することで、コンピューターは「この文章とこの文章は意味が近い」と計算しやすくなります。

たとえば、「返品したい」と「商品を返したい」は、言葉は少し違いますが、意味は近いです。

埋め込みを使うと、このような意味の近さを数値として扱えます。

RAGでは、資料を埋め込みに変換し、質問と意味が近い部分を検索することがあります。

この仕組みによって、AIは必要な資料を見つけやすくなります。

埋め込みについても、後の回で詳しく説明します。

RAGの強み

RAGの大きな強みは、AIに外部資料を参照させられることです。

これにより、AIが何も見ずに答えるよりも、根拠に近い情報を使った回答がしやすくなります。

• 社内文書やマニュアルを活用できる
• 情報を更新しやすい
• 根拠となる資料を示しやすい
• ハルシネーションを減らしやすい
• モデル本体を毎回学習し直さなくてもよい
• 会社ごとの情報に基づいた回答を作りやすい

特に、情報更新のしやすさは重要です。

マニュアルが変わった場合、RAGなら資料側を更新すれば、新しい情報を参照しやすくなります。

AIモデル本体を学習し直すより、運用しやすい場合が多いです。

RAGの弱点

RAGは便利ですが、万能ではありません。

まず、検索で正しい資料を取り出せなければ、AIはよい回答を作れません。

関係のない資料を渡してしまえば、回答もずれてしまいます。

また、資料そのものが間違っていれば、AIも間違った情報をもとに答えてしまいます。

さらに、AIが資料を読み間違えることもあります。

• 検索で正しい資料を取り出せないことがある
• 資料が古いと回答も古くなる
• 資料が間違っていれば回答も間違う
• AIが資料の内容を誤解することがある
• システム設計や資料整理に手間がかかる
• 権限管理や情報漏えい対策が必要になる

RAGは、AIの回答を正確にするための重要な方法ですが、使えば必ず正しくなるわけではありません。

検索、資料管理、プロンプト設計、権限管理、人間の確認が必要です。

RAGを使うときの注意点

RAGを使うときには、いくつか注意したい点があります。

まず、AIに見せる資料をきちんと管理する必要があります。

古い資料、重複した資料、矛盾した資料が混ざっていると、AIの回答も不安定になります。

また、社内文書を扱う場合は、誰がどの資料を見られるのかという権限管理も重要です。

本来見てはいけない資料をAIが参照してしまうと、情報漏えいにつながる可能性があります。

さらに、RAGの回答にも確認は必要です。

資料を見て答えていても、AIが要約や解釈を間違えることがあるからです。

• 資料を最新に保つ
• 古い資料や重複資料を整理する
• 資料ごとの権限を管理する
• AIが参照した資料を確認できるようにする
• 重要な回答は人間が確認する
• 回答できないときは無理に答えさせない

RAGは、AIだけの問題ではありません。

資料管理、業務設計、セキュリティの問題でもあります。

RAGはハルシネーションをなくせるのか

RAGは、ハルシネーションを減らすために有効な方法の一つです。

AIが何も見ずに答えるより、資料を見ながら答えた方が、事実に基づいた回答になりやすいからです。

しかし、RAGを使えばハルシネーションが完全になくなるわけではありません。

検索された資料が間違っていれば、AIも間違った回答をする可能性があります。

また、正しい資料を渡しても、AIが内容を誤ってまとめることがあります。

さらに、資料に書かれていないことを、AIが推測で補ってしまうこともあります。

そのため、RAGでは「資料に書かれていないことは答えない」「根拠となる箇所を示す」「不明な場合は不明と答える」といった設計が重要になります。

RAGはハルシネーションを減らす道具ですが、最後の確認や運用設計も必要です。

RAGを理解するとAI活用が現実的になる

RAGを理解すると、AIを仕事で使うイメージがかなり現実的になります。

AIにすべてを覚えさせる必要はありません。

むしろ、必要な資料を整理し、AIがその資料を参照できるようにする方が実用的な場合があります。

たとえば、会社のマニュアル、FAQ、商品情報、議事録、契約書、技術資料などを、AIが検索できる形にしておく。

そして、質問が来たら、関係する部分だけを取り出してAIに渡す。

これにより、AIは会社ごとの情報を使った回答がしやすくなります。

RAGは、生成AIを「一般的な会話相手」から「自社の資料を使える業務支援ツール」に近づける重要な技術です。

まとめ

RAGとは、AIに外部の資料を検索させ、その資料をもとに回答させる仕組みです。

Retrieval-Augmented Generation の略で、日本語では検索拡張生成と呼ばれることがあります。

RAGは、AIが自分の中にある知識だけで答えるのではなく、必要な資料を見ながら答える方法です。

そのため、社内文書、マニュアル、FAQ、商品情報、規約、議事録などをAIに活用させたい場合に役立ちます。

ファインチューニングがAIモデルそのものを調整する方法だとすると、RAGは外部資料を検索してAIに渡す方法です。

最新情報や更新される情報を扱う場合には、ファインチューニングよりRAGの方が向いていることがあります。

ただし、RAGも万能ではありません。

正しい資料を検索できなければ、よい回答はできません。資料が古かったり、間違っていたりすれば、AIの回答も間違う可能性があります。

また、AIが資料を読み間違えることもあります。

RAGをうまく使うには、資料の整理、検索の設計、権限管理、プロンプト設計、人間の確認が重要です。

RAGを理解すると、AIを仕事でどう使えるのかが見えやすくなります。

次回は、「ベクトル検索とは何か」について説明します。

ベクトル検索は、RAGで必要な資料を探すときによく使われる技術です。キーワードが完全に一致しなくても、意味の近い情報を探せる仕組みを、やさしく整理していきます。