RAG(検索拡張生成)とは、AIが答える前に社内の資料を検索し、その内容をもとに回答をつくる仕組みです。生成AIは、学習した一般的な知識をもとに答えるため、そのままでは社内の規程や最新の情報を知りません。RAGを使うと、社内の資料にもとづいて答えられるようになります。
RAGは、どんな仕組みか?
RAGは、資料を検索する、AIに渡す、答えをつくる、の3つの段階で動きます。
質問に関係する資料を検索する
社内の規程やマニュアル、過去の問い合わせなどから、質問に関係する部分を探します。
見つけた資料をAIに渡す
検索で見つけた資料を、質問と一緒に生成AIに渡します。
資料をもとに答えをつくる
生成AIが、渡された資料の内容をもとに回答をつくります。根拠になった資料を、一緒に示すこともできます。
RAGで、何ができるか?
社内の資料にもとづいて答える必要がある業務に向いています。
- 社内の規程や手続きについての問い合わせ対応
- 製品やサービスについての、お客様からの問い合わせへの回答の下書き
- 過去の提案書や報告書の検索と要約
- マニュアルを使った、新人の教育
RAGとファインチューニングは、何が違うか?
どちらもAIに社内の知識を使わせる方法ですが、RAGは資料を検索して渡す方法、ファインチューニングはAIそのものを追加で学習させる方法です。
| 比べる点 | RAG | ファインチューニング |
|---|---|---|
| 仕組み | 答える前に、資料を検索して渡す | AIのモデルを、追加のデータで学習させる |
| 情報の更新 | 資料を差し替えれば、すぐに反映できる | 学習し直す必要がある |
| 根拠の提示 | 参照した資料を示せる | 示しにくい |
| 向いている用途 | 社内の規程や最新の情報にもとづく回答 | 文体や専門的な言い回しをそろえること |
RAGを導入するときの注意点は?
主な注意点は、資料を整えること、見てよい資料を分けること、人の確認を残すことの3つです。
- 資料を整える
- 古い資料や重複した資料が残っていると、AIが誤った答えをつくる原因になります。
- 見てよい資料を分ける
- 部署や役職によって見てよい資料が違う場合は、検索できる範囲を利用者ごとに分けます。
- 人の確認を残す
- AIの答えが、いつも正しいとは限りません。重要な回答は、人が確認してから使います。
トラックファームでは、RAGをどう使うか?
社内の問い合わせ対応や、お客様への回答の下書きづくりなどに、RAGを使った仕組みを構築します。顧客データがAIの学習に使われない環境で動かし、資料の整備から一緒に進めます。
よくある質問
RAGを使えば、AIは間違えなくなりますか?
間違いは減りますが、なくなるわけではありません。検索で適切な資料が見つからなかった場合や、資料そのものが古い場合は、誤った答えをつくることがあります。重要な回答は、人が確認する前提で使います。
どんな資料でも使えますか?
文書やPDF、Webページなど、文字で書かれた資料の多くを使えます。図や表が中心の資料は、内容を文字にして整えると、答えの精度が上がります。
