検索拡張生成（RAG）

検索拡張生成（RAG）の学習へようこそ。このレッスンでは、大規模言語モデル（LLM）の正確性と信頼性を高める強力な手法を紹介します。

RAGは、LLMが持つ膨大な知識と、最新の外部情報を組み合わせます。難しい試験中にLLMへ教科書を渡すようなものです。

素のLLMは非常に優れていますが、いくつかの制限があります。

• ハルシネーション：事実と異なる情報や、意味をなさない情報を生成することがあります。
• 知識の古さ：知識が学習データのカットオフ日までに限られます。
• 具体性の不足：ニッチな分野や、非公開の専門領域に関する事実を知らない場合があります。
• 引用がない：情報の出典を簡単には示せません。

RAGは、検索システムと生成LLMを統合することで、これらの制限に対処します。

LLMが応答を生成する前に、RAGは信頼できる外部ナレッジベースから関連情報を検索します。検索された情報によって、LLMに与えるプロンプトが「拡張」されます。

RAGの最初のステップは検索です。ユーザーが質問すると、専用の「Retriever（検索器）」コンポーネントが動作を開始します。

• ユーザーのクエリを分析します。
• 大規模な外部ナレッジベース（例：ドキュメント、データベース、Webページ）を検索します。
• クエリに関連する最も重要な情報や「ドキュメント」を特定して取得します。

関連情報が検索されると、次のステップである拡張に進みます。

• 検索されたテキストの断片を、元のユーザープロンプトに直接挿入します。
• これにより、ユーザーの依頼と事実に基づくコンテキストの両方を含む「拡張プロンプト」が作成されます。
• この情報が充実したプロンプトによって、LLMは正確な回答を作成するために必要な具体的なデータを得られます。

最後に、生成のステップが行われます。大規模言語モデルが拡張プロンプトを受け取ります。

• 関連するコンテキストが明示的に提供されているため、LLMはそれに基づいて応答を生成します。
• 事前学習した知識だけに頼るのではなく、主に提供された情報に基づいて回答するよう指示されます。
• その結果、より根拠があり、事実に基づいた、検証可能な出力が得られます。

RAGを導入すると、次のような大きなメリットが得られます。

• ハルシネーションの低減：LLMの回答がナレッジベースの事実に基づくようになります。
• 最新情報の利用：LLMの学習データのカットオフ後に得られた最新データにもアクセスできます。
• ドメイン特化：組織内の非公開データや専門データを簡単に統合できます。
• 説明可能性：情報の取得元となったソースを引用できる場合があります。

シンプルなRAGのやり取りを見てみましょう。

1. ユーザークエリ：「エッフェル塔が完成したのはいつですか？」
2. 検索：システムが歴史的事実のデータベースを検索し、「エッフェル塔は1889年3月31日に完成しました」という情報を見つけます。
3. 拡張：プロンプトが「次の情報に基づいてください：『エッフェル塔は1889年3月31日に完成しました』。完成したのはいつですか？」になります。
4. 生成：LLMが「エッフェル塔は1889年3月31日に完成しました」と回答します。

RAGシステムは基本的に、2つの主な論理コンポーネントで構成されます。

• Retriever（検索器）：ユーザーのクエリに基づいて外部ナレッジベースから最も関連性の高いドキュメントやデータの断片を検索・取得する役割を担います。
• Generator（生成器）：大規模言語モデル（LLM）そのもので、ユーザーの元のクエリと検索されたコンテキストを組み合わせ、一貫性のある情報豊富な回答を生成します。

大規模言語モデル（LLM）で検索拡張生成（RAG）を使用する主なメリットは、次のうちどれですか？

検索拡張生成（RAG）の中核概念とアーキテクチャについて学びました。RAGは、より信頼性が高く、事実に基づき、コンテキストを認識するLLMアプリケーションを構築するための重要な手法です。

検索と生成を組み合わせることで、RAGによってLLMは動的な外部データを利用し、それに基づいて回答できるようになります。次は、RAGシステムで効率的な検索を実現するうえで重要な役割を果たすベクトルデータベースについて学びます。