生成AI活用におけるRAGとナレッジグラフの最新動向

企業における生成AIの活用が進む中、特定の企業文脈に沿った回答を生成するためのアプローチとして、RAG（Retrieval Augmented Generation）とファインチューニングが注目されています。

特に、少ないリソースで企業独自の情報を活用できるRAGアプローチが広く採用されています。

RAGは、大規模言語モデル（LLM）による生成と、企業の外部情報ソースを組み合わせる手法です。

たとえば、社内チャットボットに休暇規定に関する質問が投げかけられた際、このシステムは関連する社内ドキュメントを検索し、回答を生成します。

このプロセスの核となるのが類似性検索であり、質問に対して最も関連する情報を抽出します。

しかし、最近の調査によると、類似性検索に基づくRAGには精度の限界があることが明らかになりました。

Writer社が実施したRobustQAベンチマークの結果では、RAGの精度は60～70％にとどまり、さらなる改善が求められています。

また、回答生成に1秒以上かかる現状も浮き彫りとなりました。

この限界を克服するため、Writer社は新たなナレッジグラフを活用したRAGシステムを導入しました。

ナレッジグラフは、データ間の意味的な関係を構造化し、複雑な情報を正確に表現する技術です。

従来の類似性検索とは異なり、意味的なつながりを重視するため、より精度の高い回答を生成できるとされています。

たとえば、企業の情報システムに関するナレッジグラフでは、ファイアウォールとクラウドサーバーの関係や、データ暗号化ポリシーとSSL・TLS技術の関連を明確に示すことが可能です。

これにより、単純なキーワード検索やベクトル検索では難しかった複雑な質問にも、文脈を考慮した包括的な回答を提供できます。

Writer社の新システムは、1,000万ワード（約2万ページ分）のデータを検索対象とし、精度86.31％、応答速度0.6秒という優れたパフォーマンスを示しました。

このように、ナレッジグラフの活用により、企業独自の知識に基づいた高度なAIソリューションが今後も進化していくことが期待されています。

参考記事：AMP