Mention Me AI/LLM

RAGとは?仕組み・ファインチューニングとの違いと構築方法

公開日

監修:オープン株式会社 オートメーション事業本部 著者:オープン株式会社

RAGとは?仕組み・ファインチューニングとの違いと構築方法

この記事の概要

RAG(Retrieval-Augmented Generation:検索拡張生成)とは、生成AIが回答を作る前に、社内の文書やデータベースから関係する情報を検索し、その情報をもとに回答させる仕組みです。生成AIが学習していない社内の規程やマニュアル、最新の情報にも答えられるようになり、根拠の文書を示せるため、事実と違う回答(ハルシネーション)も減らせます。この記事では、RAGの仕組みとファインチューニングとの違い、社内データでRAGを作る手順、精度を上げるポイントと注意点を解説します。

RAGとは?

RAGとは、「検索(Retrieval)」で集めた情報を、生成AIの「回答の作成(Generation)」に「加える(Augmented)」仕組みです。日本語では「検索拡張生成」と訳されます。

ChatGPTのような生成AIは、学習したときのデータをもとに文章を作ります。そのため、学習していない社内の情報や、学習の後に変わった情報には正しく答えられません。RAGでは、質問のたびに社内の文書などから関係する部分を探し、その内容を生成AIに渡して「この情報をもとに答えて」と指示します。生成AIは、渡された情報を読んで回答を作ります。

RAGという考え方は、2020年にFacebook AI Research(現 Metaの研究部門)などの研究者が発表した論文で示されました(Lewis et al., 2020)。

RAGはどんな仕組みで回答する?

RAGは、「準備」と「回答」の2つの段階で動きます。

段階やること内容
準備文書を取り込む規程・マニュアル・FAQ・過去の資料などを集める
準備小さく分ける文書を、段落など意味のまとまりごとの小さな単位(チャンク)に分ける
準備検索できる形にする各チャンクの意味を数値の並び(ベクトル)に変換し、データベースに保存する
回答関係する情報を探す質問の意味に近いチャンクを、データベースから探す
回答生成AIに渡す質問と、見つかったチャンクを生成AIに渡す
回答回答を作る生成AIが、渡された情報をもとに回答を作る。根拠にした文書を示すこともできる
RAGの仕組み:文書をチャンクに分けてベクトル化し、質問に近い情報を検索して生成AIが回答する

意味の近さで探す方法(ベクトル検索)のほかに、キーワードで探す方法を組み合わせることもあります。

なぜRAGが必要なの?

生成AIだけでは、業務で使うときに次の3つの弱点があるためです。

生成AIの弱点RAGで変わること
社内の情報を知らない社内の規程・マニュアル・過去の資料をもとに答えられる
情報が古い文書を差し替えれば、すぐに最新の内容で答えられる
もっともらしい誤り(ハルシネーション)がある渡した文書の範囲で答えさせ、根拠の文書を示せるため、確認しやすくなる

ただし、RAGを使っても誤りがなくなるわけではありません。検索で関係のない文書が選ばれたり、文書の内容が古かったりすると、誤った回答になります。

RAGとファインチューニングの違いは?

ファインチューニングは、生成AIのモデルそのものを追加のデータで学習し直す方法です。RAGはモデルを変えず、回答のときに外から情報を渡します。

項目RAGファインチューニング
方法回答のたびに文書を検索して渡すモデルを追加のデータで学習し直す
情報の更新文書を差し替えればすぐ反映される学習し直す必要がある
根拠の提示参照した文書を示せる示しにくい
向いていること社内の規程・マニュアルなど、事実の情報に答える回答の口調や書式、専門分野の言い回しを身につけさせる
費用・手間文書の整備と検索の仕組みが必要学習用のデータの準備と計算の費用がかかる

社内の情報に答えさせたいなら、まずRAGを検討するのが一般的です。両方を組み合わせることもあります。

RAGはどんな業務に使える?

業務使い方の例
社内の問い合わせ就業規則、経費精算、情報システムの使い方などの質問に、規程やマニュアルをもとに答える
顧客対応製品のマニュアルや過去の問い合わせの記録をもとに、回答の下書きを作る
営業提案書、製品資料、過去の商談の記録から、必要な情報を探してまとめる
技術・品質設計書、作業手順書、不具合の報告から、関係する情報を探す
法務・総務契約書のひな形や社内規程を参照して、確認すべき点を挙げる

社内データでRAGを作る手順は?

手順やることポイント
1. 目的と対象を決めるどの業務の、誰の質問に答えるかを決める「総務への社内の問い合わせ」のように範囲を絞ると、文書の整備と評価がしやすい
2. 文書を集めて整える対象の文書を集め、古い版や重複を取り除く回答の質は文書の質で決まる。最新の版がどれかを決めておく
3. 取り込みの方法を決める文書の分け方(チャンクの大きさ)、表や画像の扱いを決める表やPDFの読み取りの精度が回答に影響する
4. 検索と生成AIをつなぐ検索の方法と、生成AIへの指示(プロンプト)を決める「文書にないことは答えない」「根拠の文書を示す」と指示する
5. 評価する実際の質問と正解を用意し、回答が正しいかを確かめる間違えた質問を分析し、文書・分け方・検索の方法を直す
6. 運用する利用者に公開し、文書の更新と回答の確認を続ける文書の更新の担当と、誤りを報告してもらう方法を決める

RAGの精度を上げるポイントは?

  • 文書を整える:見出しをはっきりさせる、古い版を消す、略語や社内用語の説明を加える、といった整備が最も効果的です。
  • 分け方を調整する:チャンクが小さすぎると前後の意味が失われ、大きすぎると関係のない情報が混ざります。文書の種類に合わせて調整します。
  • 検索の方法を組み合わせる:意味の近さで探す方法と、キーワードで探す方法を組み合わせると、型番や固有名詞を含む質問にも強くなります。
  • 検索結果を並べ直す:見つかった候補を、質問との関係の強さで並べ直してから生成AIに渡すと、回答の質が上がります。
  • 答えられないときは答えない:文書に情報がないときは「分からない」と答えるよう指示し、担当者への問い合わせ先を示します。
  • 評価の質問を用意する:よくある質問と正解の一覧を作り、設定を変えるたびに確かめます。

RAGを導入するときの注意点は?

  • アクセス権限:閲覧できる人が限られた文書(人事の情報など)を取り込むと、見られないはずの人に回答してしまうおそれがあります。利用者ごとに検索できる文書を制御します。
  • データの扱い:文書や質問が、生成AIのサービスでどう扱われるか(学習に使われないか、どこに保存されるか)を、契約や設定で確かめます。
  • 回答の確認:重要な判断に使う回答は、根拠の文書を人が確かめる運用にします。
  • 文書の更新:文書が古いままだと、古い内容で答え続けます。更新の担当と頻度を決めます。

RAGはどう作る?自社開発とサービスの違いは?

方法特徴向いている場合
自社で開発する検索・データベース・生成AIを組み合わせて作る。自由度が高いが、開発と運用の技術が必要社内に開発の体制があり、独自の要件が多い
クラウドのサービスを使うクラウド事業者が提供する、RAGの部品やサービスを組み合わせるクラウドの環境をすでに使っていて、開発の体制もある
RAGに対応したAIの基盤・製品を使う文書を取り込めば、画面の操作でRAGを使ったAIを作れる早く始めたい、開発の体制が限られている
構築を外部に依頼する要件の整理から構築・評価・運用までを任せる複数のシステムとの連携や、全社での展開が必要

オープン株式会社のMention Meとは?

Mention Meは、複数の言語モデルと社内の情報・業務ツールをまとめ、自社向けのAIエージェントを短期間・低コストで作れる開発基盤です。

  • データ連携:RAG・外部のAPIと接続し、社内のデータをもとに答えるAIエージェントを作れる
  • 複数のLLMから選べる:GPT、Claude、Geminiなどから、用途に応じて選べる
  • チャットの形で作れる:プログラミングの知識がなくても、会話の画面を設計できる
  • チャットツールで使える:SlackやTeamsから使える
  • 役割を設定できる:営業・法務など、専門の役割を持たせられる
  • RPAと連携できる:RPAや自動化のワークフローと組み合わせられる

料金は初期費用20万円と、月額2万円(ライト:1ユーザー・エージェント10個)、5万円(スタンダード:5ユーザー・50個)、15万円(プロ:20ユーザー・エージェント無制限)のプランです(いずれも税別)。社内文書の検索(RAG)やAIの応答には、プランに含まれる会話クレジットを使います。

▶ Mention Meのサービスページ ▶ お問い合わせ

よくある質問

RAGとは何ですか?

生成AIが回答を作る前に、社内の文書やデータベースから関係する情報を検索し、その情報をもとに回答させる仕組みです。日本語では「検索拡張生成」と呼ばれます。

社内データをAIに回答させるにはどうすればよいですか?

RAGを使うのが一般的です。社内の文書を検索できる形で取り込み、質問のたびに関係する部分を探して生成AIに渡します。文書の整備、アクセス権限の設定、回答の評価もあわせて行います。

RAGを構築するときの注意点は?

閲覧できる人が限られた文書のアクセス権限、文書や質問のデータの扱い、重要な回答の人による確認、文書の更新の4つです。回答の質は文書の質で決まるため、最新の版を整えることも欠かせません。

RAGとファインチューニングの違いは?

RAGはモデルを変えずに、回答のときに外から情報を渡します。ファインチューニングはモデルそのものを追加のデータで学習し直します。社内の事実の情報に答えさせるならRAG、口調や書式を身につけさせるならファインチューニングが向いています。

RAGを使えばハルシネーションはなくなりますか?

減らせますが、なくなりません。検索で関係のない文書が選ばれたり、文書が古かったりすると、誤った回答になります。根拠の文書を示させ、重要な回答は人が確かめる運用にします。

RAGの構築にはどのくらいの期間がかかりますか?

対象の範囲と方法によって違います。RAGに対応した製品を使い、文書が整っていれば短い期間で試せます。複数のシステムとの連携や全社への展開は、文書の整備と評価を含めて計画します。

まとめ

RAGは、社内の文書を検索して生成AIに渡すことで、社内の情報や最新の情報に答えられるようにする仕組みです。モデルを学習し直すファインチューニングと違い、文書を差し替えるだけで内容を更新でき、根拠も示せます。精度を決めるのは文書の質と検索の方法で、アクセス権限やデータの扱いにも注意が必要です。まず範囲を絞って試し、評価しながら広げましょう。

▶ お問い合わせ