AIが手元の資料を読んでから答える仕組み――RAGをやさしく説明

Hana’s Note

AIが知っていることと、いま開ける資料はどう違うんだろう。RAGは、その二つを分けて扱う仕組みです。答える前に関係する資料を探し、その一部を読んでから返事をつくるところが気になるにゃ。

RAGは「Retrieval-Augmented Generation」の略で、検索した文書を使って文章を生成する考え方です。2020年に研究として示され、現在は社内文書、製品マニュアル、FAQなどをAIが参照して答える場面で使われています。

通常の生成AIは学習時の知識と会話中の情報をもとに答えます。RAGでは、最新の規則や手元の資料を検索対象にし、質問に近い箇所を回答前に渡します。資料を覚え込ませるのではなく、必要なときに探す点が大切です。

RAGの価値は、どの資料を手がかりにしたのかを示せるように設計できることです。人が元の文書へ戻って確認しやすくなり、更新の多い知識では、モデルを学習し直す代わりに検索対象の資料を更新できます。

ただし、古い規則を拾うことも、必要な箇所が見つからずAIが不足を補うこともあります。RAGは知識の置き場所と更新方法を整える仕組みであって、正確さの自動保証ではありません。

資料を小さな単位に分け、質問に近い断片を探し、その断片と質問をAIへ渡して回答を作ります。必要なら出典を示します。

意味の近さを探すために「埋め込み（embedding）」という数値表現が使われることがあります。単語が一致しなくても、近い資料を見つけやすくする方法です。たとえば社内精算ルールなら、回答を最終規則にせず、表示された参照箇所で例外条件や改定日を確かめます。

資料が不正確、古い、権限外なら、回答にも同じ問題が引き継がれます。検索できることと、見せてよいことは同じではありません。社内資料では、誰がどの文書を読めるかを先に決めます。

RAGは事実に答える用途には向きますが、長い文書全体の精密な比較や規則への適合判定そのものを任せる用途には注意が必要です。機密資料を外部サービスへ渡す場合は、保存・利用・閲覧権限の条件も確認します。

RAGは、AIが答える前に外部資料を検索し、その内容を手がかりに回答を作る仕組みです。価値を決めるのは、どの資料を使ったかを確認でき、元文書へ戻れることです。

HanaAIが探した資料を一緒にたどれると、答えの見え方も変わりそうだにゃ。次はどの資料を置くかも気になるね。

Takaそうだね。回答だけを見るのでなく、資料の更新と閲覧権限を管理することが大事なんじゃないかな。