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？検索拡張生成の基本概念
RAG（Retrieval-Augmented Generation、検索拡張生成）とは、LLM（大規模言語モデル）が回答を生成する際に、外部のデータソースから関連情報を検索・取得し、その情報をコンテキストとして与える技術です。回答時に検索しても参照先が常に最新とは限らず、元データと検索インデックスの更新、検索結果の適合性、生成回答の根拠を確認します。
代表的な原型は2020年にLewisらが発表したRAG論文です。原論文の著者所属は、当時のFacebook AI Researchに加えてUniversity College London、New York Universityで、現在のMetaという社名だけで提案主体を示すのは正確ではありません。企業のAI活用でも、業務の目的とデータの条件に合わせて利用を検討します。
RAGが必要とされる背景：LLMの限界
LLM単体には以下の根本的な課題があります。
- 知識のカットオフ：学習データの締切日以降の情報は回答できない
- ハルシネーション：知識がない領域で事実と異なる情報を生成してしまう
- 社内専門知識の欠如：企業固有の規定・製品情報・顧客データは学習されていない
- ファインチューニングのコスト：学習対象のパラメータ、モデル規模、データ量、学習手法で必要な計算資源・時間が異なる。LoRAなど一部のパラメータを効率的に学習する手法もあり、常に莫大な費用が必要とは限らない
RAGは、生成モデルの重みを変更せずに外部知識を参照する構成を取れますが、検索漏れや生成時の誤りがなくなるわけではありません。ファインチューニングと排他的な手法ではなく、原論文にも学習を伴う構成があり、検索器・生成器の調整と組み合わせることもできます。
RAGの仕組み：2つのフェーズで理解する
フェーズ1：インデックス構築（Indexing）
社内文書・製品マニュアル・規定集などを事前に分割・ベクトル化し、ベクトルデータベース（Pinecone・Weaviate・pgvectorなど）に格納する構成があります。情報を更新するときは、元文書の変更を取り込み、必要な再分割・埋め込み・インデックス更新を行い、削除した情報も検索結果に残らないか確認します。Weaviateの更新処理にも再ベクトル化・再インデックスの条件があり、元のDBを書き換えるだけで全構成が自動的に最新になるとは限りません。
フェーズ2：検索と生成（Retrieval & Generation）
- ユーザーの質問をベクトルに変換
- ベクトルデータベースから意味的に近い文書チャンクを上位K件取得
- 取得した文書をコンテキストとしてLLMに渡す
- LLMが提供されたコンテキストをもとに回答を生成
LLMへのRAG統合：主要なアーキテクチャパターン
Naive RAG（シンプルRAG）
Gaoらのサーベイで整理されたNaive・Advanced・Modularの分類に沿った説明です。Naive RAGはインデックス構築、検索、生成の基本的なパイプラインです。単純な構成から検証できますが、適否はデータや業務の要件で判断します。
Advanced RAG
クエリの前処理（クエリ拡張・分解）・再ランキング・チャンク戦略の調整など、検索前後の処理を組み込んで改善を図ります。導入しただけで検索精度が上がるとは限らず、業務の評価データで確認します。
Modular RAG
検索・リランク・生成の各コンポーネントをモジュール化し、柔軟に組み合わせる高度なアーキテクチャです。GraphRAGなど知識グラフと組み合わせた手法も含まれます。
企業でのRAG活用事例
社内ナレッジベースチャットボット
就業規則・業務マニュアル・過去の案件情報をRAGで検索し、従業員の質問に即座に回答するシステムが多くの企業で導入されています。
カスタマーサポートの高度化
製品マニュアル・FAQ・過去の問い合わせ履歴をRAGのデータソースとして活用し、問い合わせへの一次対応精度を大幅に向上させています。
法務・コンプライアンス審査
契約書テンプレート・法令・社内ガイドラインをRAGで検索し、契約書レビューの効率化と品質向上を実現しています。
調達・購買の自動化
取適法判定・契約レビュー・RFP比較など調達業務の複数ステップにRAGエージェントを組み込む先進的な取り組みも始まっています。
RAG導入のポイントと注意事項
- チャンク設計：分割粒度と文脈の保持が検索・回答に影響する。チャンク境界をまたぐ情報を保つためのoverlapと、検索結果に同じ情報ばかりを含める冗長な重複は区別する。小さい分割や重なりが一律に精度を下げるとは限らず、文書と質問に合わせて比較する
- 埋め込みモデルの選択：日本語文書にはOpenAI text-embedding-3やGeminiのembeddingモデルが有効
- 評価指標の設定：Faithfulness（回答中の主張が取得した文脈に支えられているか）・Relevancy（関連性）・Context Recall（網羅性）を定期測定する。Faithfulnessは参照文脈との整合性であり、参照資料自体の正確さや外部の事実との一致を保証する指標ではない。根拠資料の品質確認とは分けて評価する