検索拡張生成 (RAG)
検索拡張生成とは、言語モデルの出力を、そのパラメトリックな記憶だけに頼るのではなく、検索されたソース文書に根拠づける技術です。システムはナレッジベースから関連する一節を取得し、それを文脈として供給し、その証拠だけを使って回答するようモデルに求めます。
同義語: RAG, retrieval augmented generation, grounded generation, context augmentation
検索拡張生成は、モデルが知っていることを、それが何で訓練されたかから切り離します。クエリ時に検索器が、維持されているナレッジベースから最も関連するチャンクを引き出し、モデルはその証拠に制約された回答を構成します。これはハルシネーションを減らし、引用を通じて回答を監査可能にし、チームが再訓練なしに知識を更新できるようにします。ガバナンスされた環境では、RAG は質問を、人やポリシーが信頼する前に検証できる、根拠があり引用された応答へと変える仕組みです。
よくある質問
ファインチューニングではなく、なぜ RAG を使うのですか？
RAG は知識を即座に更新できる外部ストアに保つため、回答は最新であり続け、すべての主張をソースまで追跡できます。ファインチューニングは知識を重みに焼き込むため、更新が遅く帰属も困難です。
RAG パイプラインには何が含まれますか？
通常は取り込みとチャンキング、埋め込み、ベクトルまたはハイブリッド検索のためのインデックス、検索器、そして検索された一節でモデルを条件付け、引用された証拠を返す生成ステップです。