RAG(Retrieval-Augmented Generation、検索拡張生成)
RAG(Retrieval-Augmented Generation、検索拡張生成)は検索と生成AIを組み合わせた革新的な技術です。このページではRAGの概要や強みを解説します。また、RAG技術を応用し、ChatGPTと連携することで質問応答機能を提供するQuickSolutionについてもご紹介します。
QuickSolutionのChatGPT連携をみる目次
RAG(Retrieval-Augmented Generation、検索拡張生成)の概要
生成AIは現在、多くの人々に利用されるようになってきましたが、企業での活用にはいくつかの課題が残されています。その中でも特に重要な課題の一つは、一般的な生成AIが社内情報にもとづいた回答を生成できないことです。この問題を解決するために注目を集めているのが、RAG(Retrieval-Augmented Generation、検索拡張生成)と呼ばれる技術です。
RAGとは、欲しい情報を検索して抽出し、その内容をもとに生成AIに回答を生成させる技術です。これを応用すると、生成AIは学習済の情報だけではなく、未学習の社内情報などからも回答を生成することができます。
RAGの構成
①欲しい情報を検索して抽出
検索によって質問に関連する情報を抽出します。生成AIから正確な回答を得るためには、情報源から抽出される情報が正確である必要があり、検索の精度が重要です。
②生成リクエスト
抽出した情報と指示文を組み合わせたリクエスト(プロンプト)を生成AIに送ります。生成AIから正確な回答を得るためには、プロンプトの評価と精度改善を継続して行う必要があります。
RAGの強み
RAGの強み① LLMの追加学習は必要ない
RAGと比較される技術には、LLM(Large Language Models、大規模言語モデル)に追加学習させるファインチューニングや転移学習があります。
生成AIとはさまざまなコンテンツを生成するAIの総称であり、その1つにLLMがあります。LLMは自然言語処理に特化した生成AIで、質問への回答生成などを行うことが可能です。例えば、代表的な生成AIサービスであるChatGPTもLLMが回答生成を行っています。LLMは一般的にインターネットから集めた情報を学習しているため、社内情報などに答えることができません。
LLMに社内情報を追加学習させることで社内情報をもとに回答するようになりますが、高スペックのGPUをもつ環境で長時間の学習を行う必要があり、コストが課題になります。頻繁に学習させるとコストがかさむため、常に最新の情報を学習させることもできません。一方でRAGはLLMの追加学習は必要ないため、容易に利用可能であり、最新情報をもとにした回答が可能です。
RAGの強み② 回答精度が高い
ChatGPTなどの生成AIは間違った情報を生成してしまうことがありますが、これは学習データにもとづき確率に従って単語を組み合わせて文章を生成するためです。RAGは検索で抽出した結果を生成AIと連携し回答を生成するため、抽出結果にもとづく正確な回答が得られやすいという利点があります。また、回答が信用できない場合も情報源が明確なため、回答元の確認ができるという利点もあります。
RAGを活用して、社内情報をもとに回答を生成する社内用の生成AIを実現すれば、ナレッジ活用や業務効率化が推進され、企業の競争力強化に大きく貢献します。
RAGで社内用生成AIを実装するためのポイント
RAGを活用すれば、社内情報をもとに回答を生成する社内用の生成AIを実装することが可能です。RAGを活用する際に気を付けるべきポイントについて解説します。
ポイント① 検索エンジンの精度
社内用の生成AIは、ナレッジ活用や業務効率化の推進に大きく貢献します。しかし、RAGによる回答精度が低ければ、でたらめな回答が返ってきてしまい、期待する効果を得られない可能性があります。RAGの回答精度は、検索で抽出した情報に大きく影響を受けます。そのため、高精度な検索エンジンを利用し、適切な情報を抽出することが重要です。
ポイント② 閲覧権限の考慮
閲覧権限の考慮が不十分な場合、社内用の生成AIが全ての社内情報をもとに回答を生成してしまう可能性があります。社内用の生成AIには、ユーザごとに適切な閲覧権限を考慮する必要があります。適切な閲覧権限の考慮が行われていないと、機密情報が漏洩する可能性やセキュリティ上の問題が生じる可能性があります。したがって、閲覧権限の考慮は必要不可欠です。
QuickSolutionはRAG対応のChatGPT連携機能を提供
QuickSolutionは50TB 1億2000万ファイルのファイルサーバを1台のPCサーバで高速・高精度にセキュア検索できる純国産のエンタープライズサーチ(企業内検索システム)です。ファイルの保存場所を意識することなく、さまざまな形式のファイルを高速かつ横断的にファイルの中身まで検索できます。
QuickSolutionは、RAG技術を応用し、ChatGPTと連携することで社内外に散在する膨大な企業内情報からユーザが知りたい情報を的確に回答する質問応答機能も提供します。
たとえば、「開発中の製品Aの特長を教えて」や「社内の研修に参加する方法を教えて」などによる質問で問い合わせができ、ChatGPTからの回答に対して、深掘りした質問や「箇条書きで簡潔にまとめて」等の追加の指示もできます。さらに、ユーザの閲覧権限も考慮されているため、その権限の範囲で的確な回答が得られます。
QuickSolutionのChatGPT連携機能の詳細については、こちらのページもご覧ください。
ChatGPT連携のメリット① データの保管場所はそのまま
一般的なRAG対応システムは、情報源となるデータをクラウドへアップロードする必要があるものも多くあります。しかし、QuickSolutionでは必要な文書を抽出するためにファイルの保存場所を意識する必要がありません。そのため、データの保管場所はそのままで簡単に利用を始めることができます。
ChatGPT連携のメリット② 正確に回答
QuickSolutionは高精度に必要な文書を抽出し、信頼できる社内情報をもとに正確な回答を提供します。また、ChatGPTの学習データは過去の膨大なデータに依存しているため、最新情報の反映が難しいですが、QuickSolutionは最新情報を活用して回答を行います。
ChatGPT連携のメリット③ 利用者の閲覧権限を考慮した回答
情報源が社内情報であるため、利用者の閲覧権限を考慮する必要があります。QuickSolutionは利用者の閲覧権限を考慮して文書の抽出を行うため、セキュアな運用が可能です。
ChatGPT連携のメリット④ 追加学習させないため安心
ChatGPTは入力された質問／回答をトレーニングデータとして使用し、LLMの追加学習を行っています。そのため、個人情報／機密情報を含む質問をした場合、それが学習データとなり情報漏洩のリスクがあります。一方、QuickSolutionのChatGPT連携はLLMの追加学習を行わないため、安心して利用することができます。
※LLMに追加学習させない文脈内学習(In-Context Learning)は行っています。文脈内学習とは、生成AIが持つ学習能力で、少量の例を与えるだけでその文脈からパターンを学習し、そのパターンに沿った文章を生成することです。
まとめ
このページでは、RAG(Retrieval-Augmented Generation、検索拡張生成)について解説しました。RAGとは、欲しい情報を検索して抽出し、その内容をもとに生成AIに回答を生成させる技術です。RAGの強みとして、LLMに追加学習させる必要がなく、回答精度が高い点が挙げられます。
また、本ページではRAG技術を応用したChatGPT連携機能を提供するQuickSolutionについても紹介しました。QuickSolutionは企業内の膨大な情報からユーザが知りたい情報を的確に回答する機能を提供し、ナレッジ活用や業務効率化に大きく貢献します。関連記事も参考にして、効率的な情報探しを実現する方法をぜひご検討ください。
【関連記事】
