株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
RAGとは
RAG（Retrieval-Augmented Generation：検索拡張生成）とは、LLMの生成能力と外部データベースの検索を組み合わせた手法です。LLMが学習していない最新情報・社内固有情報・専門知識を、検索によってリアルタイムで補完し、より正確・根拠ある回答を生成します。
ハルシネーション（誤情報生成）の抑制、情報の最新性確保、社内知識の活用を目指す場合、必要な情報を検索して回答の根拠にするRAGが選択肢になります。ファインチューニングは出力形式・振る舞い・特定タスクへの適応に用いるため、目的に応じて使い分けます。
RAGのアーキテクチャ
基本構成（Naive RAG）
- ドキュメント取り込み（Indexing）：PDFやWebページなどのデータをチャンクに分割し、Embeddingモデルでベクトル化してDBに保存
- 検索（Retrieval）：ユーザーのクエリをベクトル化し、類似度の高いチャンクをDBから取得
- 生成（Generation）：取得したチャンクをコンテキストとしてLLMに渡し、回答を生成
高度なRAG手法
- Hybrid Search：ベクトル検索＋キーワード検索を組み合わせた精度向上
- Re-ranking：検索結果を別モデルで再ランク付けして精度を向上
- HyDE（Hypothetical Document Embeddings）：クエリから仮想回答を生成し、それを使って検索する手法
- Graph RAG：知識グラフを組み合わせてより複雑な推論を実現
RAG構築に使用するツール
フレームワーク
- LlamaIndex：RAG構築に利用できるPythonフレームワーク。データコネクタ・インデックス・クエリエンジンを提供
- LangChain：モデルやツールを組み合わせるLLMアプリフレームワーク。検索処理と生成を組み合わせたRAGの構築に利用できる
- Dify：GUIでナレッジベースを整備し、知識検索ノードとLLMノードをつないでRAGパイプラインを構築できるプラットフォーム
Embeddingモデル
- text-embedding-3-small（OpenAI）
- multilingual-e5-large（Microsoft）
- Cohere Embed（多言語対応）
ベクトルデータベース
Pinecone・Chroma・Weaviate・pgvector（各リンク先の公式資料で、検索方法や導入手順を確認できます）
実装手順
- 対象ドキュメントの収集・整備（PDF・Word・Webページなど）
- チャンキング戦略の設計（固定長・段落単位・セマンティックなど）
- Embeddingモデルの選定と実装
- ベクトルDBへのインデックス構築
- 検索パイプラインの実装（クエリ処理→検索→フィルタリング）
- LLMへのプロンプト設計（コンテキスト活用・ハルシネーション防止）
- 評価・改善（Ragasなどの評価フレームワーク活用）
よくある質問（FAQ）
Q1. RAGとファインチューニングはどちらが優れていますか？
用途によります。最新情報の参照・情報ソースの明示にはRAG、特定スタイルの出力統一・専門分野のタスクへの適応にはファインチューニングを検討します。低コストや高速化は一律に決まらず、ファインチューニングによる小型モデルの利用やプロンプト短縮が有効な場合もあります。必要な回答品質を満たす構成で費用・応答時間を比較してください。最新情報や社内知識の参照が目的なら、まずRAGを試すと評価を進めやすくなります。
Q2. RAGシステムの精度を評価する方法は？
Ragasフレームワークを使い、Faithfulness（回答中の主張が検索結果に基づいているか）・Response Relevancy（質問に沿った回答か）・Context Recall（参照回答に含まれる情報を検索結果がどれだけカバーするか）などの指標で評価します。LLMベースのContext Recallには参照回答が必要です。これらの指標による評価と、回答内容の事実確認は分けて行います。
Q3. 日本語文書のRAGは難しいですか？
日本語対応のEmbeddingモデル（multilingual-e5-large等）と日本語対応のLLMを組み合わせることで、実用的な日本語RAGが構築できます。形態素解析を活用したチャンキングも精度向上に有効です。
Q4. RAGのレイテンシ（応答速度）はどのくらいですか？
検索＋LLM生成を含む全体のレイテンシは、検索件数・検索処理やネットワークの所要時間に加え、モデル規模・入力コンテキスト量・出力トークン数によって変わります。想定質問で検索時間、最初のトークンが返るまでの時間、回答完了までの時間を分けて計測しましょう。検索の最適化・キャッシュ活用・ストリーミング出力でUXを改善できます。
Q5. RAGで機密情報を扱う場合の注意点は？
ユーザーのアクセス権限に基づいたドキュメントフィルタリング（セキュリティフィルター）の実装が必須です。また外部LLM APIへのデータ送信を避け、プライベートLLMの活用を検討してください。
AI導入・開発支援はrenueへ
renueでは、LLM・AIエージェント・RAG構築など最先端AI技術を活用した業務改善・システム開発を支援しています。貴社の課題に合わせた最適なAI活用をご提案します。
無料相談はこちら