Retrieval-Augmented Generation（RAG）の基本

Retrieval-Augmented Generation（RAG）の基本について、以下のとおり詳しく説明します。

1. 概要

Retrieval-Augmented Generation（RAG）とは、生成系AI（特に大規模言語モデル）に外部知識を検索・取り込みながらテキストを生成させる手法です。従来の生成モデルは学習時点までの知識しか持ちませんが、RAGは外部データベースや文書集合からの検索結果を活用することで、より柔軟で最新の情報を含む出力が可能になります。

2. 構成要素

RAGは主に以下の2つのモジュールから成り立っています。

(1) Retriever（検索器）

  • クエリに関連する文書を外部データソース（例：Wikipedia、カスタムドキュメントベース）から検索します。

  • 多くの場合、Dense Retriever（例：DPR：Dense Passage Retriever）が用いられます。

  • クエリ（質問）と文書はベクトル空間にマッピングされ、**近傍探索（最近傍検索）**によって関連文書が取得されます。

(2) Generator（生成器）

  • Retrieverが取得した関連文書を元に、**大規模言語モデル（例：BARTやT5など）**が回答文や生成文を出力します。

  • 文書をそのまま生成器の入力に与えるのではなく、文書 + 質問（またはプロンプト）を組み合わせて生成するのが一般的です。

3. 動作フロー

RAGの処理フローは以下のように整理できます：

  1. 質問（Query）を受け取る

  2. Retrieverがその質問に対して関連文書を複数検索

  3. 各文書を元に、Generatorが回答候補を生成

  4. 複数の生成結果から最も適切な回答を選択（または統合）

4. 特徴と利点

知識の拡張性

  • モデルを再学習せずに、外部データを更新するだけで知識を最新化可能。

出力の正確性向上

  • モデル単体よりも、実際の文書を参照した方が事実性の高い出力が得られる可能性がある。

メモリ効率の良さ

  • モデルにすべての知識を詰め込むのではなく、必要に応じて外部から取得するため効率的。

5. 応用例

  • FAQボット：問い合わせに対して、社内ナレッジベースから情報を引き出して回答。

  • 文書要約＋引用付き生成：引用元を明示した情報生成。

  • 科学文献検索＋要約：研究論文から該当部分を抜き出して要約文を生成。

6. RAGの課題と今後

  • 検索品質の重要性：Retrieverの精度が低いと、生成結果も質が下がる。

  • 生成内容の検証：生成器が不正確な情報を出力する「幻覚（hallucination）」の問題が残る。

  • スケーラビリティ：非常に大規模なデータセットを対象にしたときの検索コスト最適化が課題。

以上が、Retrieval-Augmented Generation（RAG）の基本的な概念です。
GraphRAGはこのRAGの検索モジュールにグラフ構造の知識データを利用し、より構造的な意味検索を可能にする発展形です。

ChatGPT4o 生成日：2025/06/11