RAG(検索拡張生成)の仕組み
生成AIを社内規定の問い合わせ対応に導入する際、モデルの再学習を行わずに最新の社内文書を検索して回答の根拠として参照させる手法はどれか。
正解と詳しい解説・ひっかけポイントを見る
正解:ア(RAG(検索拡張生成))
RAG(Retrieval-Augmented Generation)は、LLMに外部の最新文書を検索させてから回答を組み立てさせる手法です。モデルの再学習が不要なため、頻繁に更新される社内規程やマニュアル対応で定番となっています。
本番で狙われるひっかけポイント
「ファインチューニング」との違いが最頻出。再学習なし・外部検索つきならRAG、モデル自体を再学習するならファインチューニング。
全選択肢の解説
- ア. RAG(検索拡張生成):外部データベースや社内文書から関連情報を検索し、プロンプトに組み込んで回答を生成する手法。最新情報の反映とハルシネーション低減に有効。
- イ. ファインチューニング:既存モデルの重み自体を追加データで再学習・微調整する手法であり、再学習なしに最新文書を都度参照する仕組みではない。
- ウ. ディープフェイク:AIを用いて人物の顔や音声を精巧に合成・偽造する技術であり、社内検索とは無関係。
- エ. 転移学習:ある領域で学習済みのモデルを別タスクの学習の初期値として再利用する手法であり、再学習を伴う。