RAGとは

RAG（読み方：ラグ）とは、生成AIが回答を生成する際に、あらかじめLLM（大規模言語モデル） に学習させた内容だけでなく、外部データベースから関連性の高い情報を検索して取得することで、より信頼性の高い回答を出力することができる技術です。

従来、新たなデータを生成AIにインプットするには、LLMを再学習させる必要があり、長い時間と大きなコストがかかっていました。また、LLMが特定の日時までの情報しか学習していないため、最新情報に基づかない誤った回答を生成してしまうリスクもありました。しかし、RAGを活用すれば、外部データベースを最新の状態に保つだけで、再学習の手間を省きながら、常に最新情報を反映した回答を得られます。

RAGを用いない生成AIでも、さまざまなタスクに対応できますが、得意不得意があります。文章の生成や翻訳、情報収集など、インターネットから一般的な手法ややり方を調べて取り組める作業については得意としていますが、社内規定やルールに基づいた経理や人事などには向いていません。

そこで、RAGのデータベースに社内規定などの独自情報をインプットしておけば、従来の生成AIで対応できなかった社内独自の業務に対応することができます。

事前に学習したモデルをタスクにあわせて調整する「ファインチューニング」という手法もありますが、これも再学習と同様に一定のコストと時間がかかるため、目的や状況によってはRAGの方が適しているケースもあります。

ここでは、RAGの主なプロセスについてご紹介します。

事前準備：検索用データベースとAIアプリケーションの構築

社内規定やルール、業務マニュアルなどの独自情報を格納した検索用データベースを用意し、RAGを組み込んだ生成AIアプリケーションと連携させます。

ステップ1：質問内容の入力

アプリケーションに対して質問内容（プロンプト）を入力します。例えば、出張費精算の手順や社内システムにトラブルが発生した際の対応といった質問が挙げられます。

ステップ2：検索用データベースから独自情報を取得

アプリケーションが入力された質問内容に応じて、データベースから関連性の高い情報を検索して取得します。

ステップ3：回答の出力

次に、データベースから得た独自情報とユーザーからの質問をLLMに送信します。生成AIはLLMに事前に学習したデータと送信された独自情報を踏まえた上で、適切な回答を返信します。

RAGを活用するメリットにはどのようなものがあるのでしょうか。ここでは、RAGの主なメリットについてご紹介します。

費用対効果が高い

上記で述べたように、RAGを活用すれば、既存のAIやLLMNに必要だった再学習の手間を省き、学習用データの準備・学習にかかるコストを削減できます。

情報更新がしやすい

RAGでは、データベースを更新するだけでAIが最新情報を活用できるようになります。再学習の必要がないため、リアルタイムでの情報反映が可能です。

パーソナライズされた回答を生成

趣味や嗜好、属性などユーザー情報を外部データベースから取得し、そのユーザーに合った回答を生成できます。例えば、製品に関する問い合わせに対して、購入履歴や各ページの閲覧履歴をもとに、最適化された回答を出力することが可能です。

RAGはさまざまな場面で活用されており、代表的な例として、社内チャットボット、カスタマーサポートが挙げられます。社内チャットボットでは、RAGで社内規定や業務マニュアルを検索できる仕組みを構築することで、従業員が必要な情報をすぐに取得できるようになります。

カスタマーサポートでは、製品情報やFAQをRAGのデータベースに登録することで、定型的な問い合わせにAIが対応できるようになり、コールセンターなどでの人手不足の解消に貢献します。