RAG（検索拡張生成）

RAG（検索拡張生成）とは

検索拡張生成（RAG）は、情報検索とテキスト生成を組み合わせ、根拠に基づく正確な回答を生成するAIアーキテクチャです。古かったり不完全だったりする可能性のある大規模言語モデル（LLM）の内部知識だけに頼るのではなく、外部のナレッジソースから関連ドキュメントを検索し、そのコンテキストを生成時に言語モデルへ渡します。この「検索してから生成する」アプローチは、AIハルシネーションを減らし、検証済みの最新情報に基づく回答を担保するため、現代のAIカスタマーサービスプラットフォームの基盤となっています。

RAGの仕組み

RAGのパイプラインは、検索と生成という2つの主要な段階で動作します。

検索段階： 顧客が質問を送信すると、システムはそれを密ベクトル埋め込み（意味を捉えた数値表現）に変換します。この埋め込みを、事前に処理されたドキュメント（ヘルプ記事、製品ドキュメント、ポリシーページ、過去のチケット）のベクトルインデックスと、コサイン類似度や近似最近傍（ANN）探索などの類似検索アルゴリズムを用いて照合します。最も関連性の高いドキュメントのチャンクが検索され、ランク付けされます。高度な実装では、ベクトル検索にナレッジグラフの参照やキーワードベースの検索（ハイブリッド検索）を組み合わせ、意味的な内容と、製品コードやエラーIDのような完全一致が必要な語句の両方を捉えます。

生成段階： 検索されたドキュメントのチャンクは、コンテキストとしてLLMのプロンプトに挿入されます。言語モデルは検索された情報を統合し、一貫性のある自然な言葉で回答を生成します。モデルはパラメトリックな記憶だけでなく実際のソース資料に基づいて回答するため、その回答は事実に根ざし、特定のドキュメントまでたどることができます。

本番運用レベルのRAGシステムでは、中間ステップが追加されます。検索品質を高めるためのクエリの書き換え、最も関連性の高いチャンクを優先するためのリランキング、そして複数の検索戦略の結果を統合するRAG Fusionの手法です。これらの改良によりノイズが減り、精度が向上します。

RAGが重要な理由

大規模言語モデルは強力な生成能力を持つ一方、重大な限界があります。もっともらしく聞こえても事実と異なる情報を生成してしまうことがあるのです。これがハルシネーションであり、カスタマーサービスでは、誤った請求ポリシー、間違ったトラブルシューティング手順、存在しない機能を顧客に案内することを意味します。RAGは、すべての回答を検索された根拠に結び付けることでこの問題に対処します。

NeurIPSで発表されたLewisらによるRAGの基礎論文（2020年）では、事前学習済みの言語モデルと外部ドキュメントを対象とするニューラル検索器を組み合わせることで、パラメトリックのみのモデルよりも具体的で多様かつ事実に即した出力が得られることが示されました。以来、このアーキテクチャは知識集約型AIアプリケーションの標準となっています。詳細はarXivに掲載されたRAGの原論文をご覧ください。

カスタマーサービスにおいて、RAGの効果は明確です。AIエージェントは出典を示すことができ、サポートチームは正確性を検証でき、顧客はモデルの推測ではなく企業の実際のナレッジに基づいた回答を受け取れます。また、RAGによりAIを最新の状態に保つことも容易になります。ドキュメントのインデックスを更新するだけで、再学習なしにAIが新しい情報を即座に反映します。

ユースケースと活用例

RAGは、業界を問わず正確なAIサポートを支える技術的な基盤です。

• カスタマーサポート： ヘルプ記事、製品ドキュメント、アカウントデータを検索し、顧客の質問に的確な回答を生成します
• 社内ナレッジ管理： 従業員が自然言語でConfluence、Notion、Google Driveなどのリポジトリを横断的に検索できるようにします
• コンプライアンスと規制業界： すべてのAIの回答を承認済みのポリシー文書に基づかせ、監査に備えて引用の記録を保持します
• 技術的なトラブルシューティング： エラーに関するドキュメント、APIリファレンス、過去の解決パターンを取得し、SaaSサポートの対応を支援します
• 多言語サポート： ある言語のソースドキュメントを検索し、顧客の希望する言語で回答を生成します

Mavenの強み

Maven AGIのプラットフォームは、高度なRAGアーキテクチャを基盤に構築されています。Agent Mavenは、100以上の接続されたデータソースを対象に、密ベクトル埋め込みと構造化されたナレッジグラフの参照を組み合わせたハイブリッド検索を行います。多段階のリランキングとコンテキストの統合により、最も関連性の高い情報が生成レイヤーに届き、正確で漏れのない回答を生成します。

PropTech企業のEnumerateは、Maven AGIにより91%の解決率を達成しました。この精度は、MavenのRAGパイプラインがLLMのパラメトリックな記憶ではなく、企業自身のナレッジベースと製品システムから検証済みの情報を取得することで初めて実現できるものです。これにより、AIサポートへの信頼を損なうハルシネーションのリスクを排除しています。

$78Mの資金調達を受けているMaven AGIは、RAGを基盤レイヤーと位置付けています。Agent Mavenが生成するすべての回答は検索された根拠に基づいており、透明性のために出典が示されます。だからこそ、K1xは80%の解決率（以前のAIの10倍）を、Papaya Payは90%の自律解決を実現しています。詳しくはIBM Researchによる検索拡張生成の解説をご覧いただくか、ナレッジグラフを用いたRAGに関する最新研究でハイブリッド検索の進展をご確認ください。

よくある質問

RAGはどのようにAIのハルシネーションを減らしますか？

RAGは、内部パラメータだけに頼るのではなく、検索されたソースドキュメントに基づいて言語モデルに出力させることでハルシネーションを減らします。モデルは特定の検証済みテキストから情報を引き出します。検索されたコンテキストに答えが含まれていない場合、適切に設計されたRAGシステムは回答を捏造するのではなく、情報が不足していることを示します。

ベクトル埋め込みとは何ですか？RAGにおいてなぜ重要なのですか？

ベクトル埋め込みは、テキストの意味を捉えた数値表現です。たとえば「refund（返金）」という単語と「get my money back（お金を返してほしい）」という表現は、共通する単語がなくても似た埋め込みになります。RAGでは埋め込みによってセマンティック検索が可能になり、キーワードの一致だけでなく概念的に関連するドキュメントを見つけられます。これが、会話型AIにおいてRAGが従来の検索よりはるかに効果的な理由です。

RAGでは言語モデルの再学習が必要ですか？

いいえ。RAGの主な利点の1つは、情報が変わっても言語モデルを再学習する必要がないことです。チームがドキュメントのインデックスを更新すれば、検索レイヤーが生成時に最新の情報を即座に取り出します。そのため、ドキュメントが頻繁に変わるSaaSサポートのような変化の速い環境にRAGは最適です。

RAGシステムにおけるハイブリッド検索とは何ですか？

ハイブリッド検索は、ベクトルベースのセマンティック検索と、キーワードベース（BM25など）の検索を組み合わせたものです。ベクトル検索は意味や意図の理解に優れ、キーワード検索は製品コードやエラーIDのような完全一致に強みがあります。両者を組み合わせることで、会話的な質問でも具体的な質問でも、RAGパイプラインが関連性の高い結果を取得できます。Maven AGIは、エンタープライズAIサポートプラットフォーム全体でこのハイブリッドアプローチを採用しています。