検索拡張生成（RAG）とは？

生成AIを支える大規模言語モデル（LLM）は、複雑な質問への回答からオリジナルコンテンツの作成まで、あらゆることを行うことができます。しかしLLMを使用する企業は、データの制限という重要な課題に直面しています。そこで登場するのが、検索拡張生成（RAG）です。

企業はRAGを導入すると、自社のデータをLLMに連携できるようになります。これにより、信頼性が高く、適切で、タイムリーな人工知能の利用機会をビジネスに提供できます。たとえば、RAGを使用して内部データと連携すると、自律型AIエージェントが、過去の質問を考慮したカスタマーサービスの応答を提供できます。また、現在のブランドガイドラインにもとづいてマーケティング概要を生成することも可能です。

RAGとは何か、RAGがビジネスにどのようなメリットをもたらすのか、どのように機能するのか、そしてどのように始めるのか、具体的に見ていきましょう。

このガイドの内容：

• 検索拡張生成（RAG）とは？
• 検索拡張生成（RAG）の利点
• 検索拡張生成（RAG）が機能する仕組み
• 検索拡張生成（RAG）の種類
• 検索拡張生成（RAG）アーキテクチャのLLMエージェントとは？
• 検索拡張生成（RAG）はチームにどのように役立つのか
• 検索拡張生成（RAG）に関する業界別の使用例
• 検索拡張生成（RAG）の始め方

検索拡張生成（RAG）は、企業が最新かつ関連性のある独自のデータを既存のLLMに自動的に提供できるようにすることで、より優れた生成AIの結果を提供できるようにする技術です。

人工知能（AI）モデルの活用は、教えられたデータに大きく左右されます。能力を最大限に伸ばすには、一般的な情報ではなく、適切なコンテキストと大量の事実データが必要です。既製のLLMで使用されているデータは常に最新とは限りません。また、企業データに安全にアクセスしたり、実際の顧客関係を理解したりすることもできません。そこで役に立つのがRAGです。

RAGを通じて、企業は最新の内部情報からAIモデルを引き出すことができます。検索対象は、スプレッドシートやリレーショナルデータベースのような構造化データだけではありません。メール、PDF、チャットログ、ソーシャルメディアの投稿、AI出力の向上につながりそうな情報などの非構造化データを含む、利用可能なすべてのデータが検索対象となります。

検索拡張生成（RAG）は、より高品質な従業員体験と顧客体験を提供することで、AI戦略を強化する費用対効果の高いアプローチです。RAGモデルを使用する主なビジネス上のメリットには、以下のようなものがあります。

• 適時性と関連性：RAGは、最新の社内データへのアクセスを提供することで、LLMがより適切な回答を生成することを可能にします。新鮮な情報や過去のやり取りからの学習は、多くの場合、品質の向上につながります。
• 信頼性の向上：既製のLLMの主な課題は、幻覚（ハルシネーション）、つまり不正確または不完全な応答を提供することです。RAG LLMは、企業の専有情報を既存のモデルに付与します。精査された最新の企業データにもとづいて生成することにより、幻覚の可能性を低減します。
• 高レベルな制御：既製のLLMは通常、不透明で広範囲にわたるデータソースのセットでトレーニングされます。RAG LLMを使用すると、指定したソースからの情報で一般的なデータを補強するため、制御性を高めることができます。
• 拡張検索：今日のビジネスは、さまざまなソースからの大量のインサイト、インタラクション、情報に取り組んでいます。RAGは、AIの利点を企業データに適用することで、検索機能を向上させます。

RAGは、セマンティック検索を使用して、LLMのトレーニング対象ではない情報が含まれる任意のデータソースから、関連する情報のスニペットを取得します。たとえば、社内の顧客データプラットフォームがこのようなデータソースに含まれます。これらのスニペットは、ビジネスのナレッジベースを組み込んだ生成AIの応答を提供するために使用されます。この結果は、「グラウンディングされた生成AI」と呼ばれることもあります。グラウンディングされた生成AIは、AIによるより適切な回答 を得るのに役立ちます。

RAGのコア要素は以下のとおりです。

• 前処理とインデックス作成：RAG AIは、顧客メモ、メール、PDF、チャットログなど、企業の貴重な大量の非構造化データを取得し、それらを連携することから始まります（「前処理とインデックス作成」）。
• Retrievers（検索ツール）とRetrieval（情報の取得）：次に、RAGは強力なセマンティック検索ツール（「Retrievers」）を使用して、ビジネスの内部データをふるいにかけ、特定のクエリに必要なものを見つけます（「Retrieve」）。
• グラウンディングされた生成AIと拡張:最後に、RAGLLMは検索した情報のスニペットを取得し、それらを応答生成に組み込み、もっとも関連性の高い回答を提供します（「グラウンディングされた生成AIと拡張」）。

検索拡張生成（RAG）には、データの整理、連携、取得に向けたいくつかのアプローチが含まれます。これらのアプローチに頻繁に関連し、含まれるものには以下のようなものがあります。

• ベクトルベースのRAG：RAGは、ベクトルデータベースと呼ばれる特別な種類のデータベースと連携して、AIにとって意味のある数値形式で情報を格納できます。
• ナレッジグラフ：ナレッジグラフでは、データがノードと関係性を中心に整理されるため、RAG AIは人間がそれらを作るのと同様の方法で接続できます。
• アンサンブルRAG：複数の検索が同時に実行され、その結果が結合されます。これにより、1つのモデルが別のモデルの弱点を補い、応答をクロスチェックすることができます。

RAGアーキテクチャのLLMエージェントは、検索拡張生成（RAG）または大規模言語モデルから始まります。「エージェント」の部分は、AIエージェントとも呼ばれる自律型エージェントを組み合わせに追加することを指します。

AIエージェントは、タスクを独立して実行し、進行しながら学習できる高度な形式のAIです。これらはエージェントビルダーを使用して作成され、機械学習と自然言語処理（NLP）を活用します。エージェントがLLMとRAGアーキテクチャの上に構築されている場合、エージェントはビジネスに固有の微妙なニュアンスとコンテキストに応じたインタラクションに関与しながら、継続的に適応し、改善することができます。

RAGは、LLM、クラウドベースのデータエンジン、顧客関係管理（CRM）システム、会話型AIを統合することで、組織全体で効率を高め、より大きな成功を収めることができます。この組み合わせにより、各部門のニーズに合わせたパワフルなAIエージェントの組み合わせを作成できます。これらは単なるチャットボットにとどまらず、ワークフローに統合された非常に有能なデジタルアシスタントとして機能し、常時新しい情報を処理し、継続的に学習します。

実際のケースを見てみましょう。以下に例を示します。

• サービス：サービス向けのAIエージェントでは、CRMプラットフォームを活用して、より迅速かつ効率的で役立つカスタマーサービスを提供できます。AIエージェントは、RAG技術を介して関連付けられたデータを使用して、パーソナライズされた対話を行います。予想されるニーズにもとづいてプロアクティブなサポートを提供したり、複数のチャネルでサービスを管理したりすることも可能です。
• 営業：CRMに統合された営業向けのAIエージェントにより、パイプラインの成長と収益を加速させることができます。AIエージェントは、インバウンドリードの自律的な育成から、営業担当者へのコーチングの提供まで、あらゆることに取り組むことができ、営業チームの生産性と能力を向上させることができます。
• マーケティング：マーケティングAIエージェントを搭載したプラットフォームは、顧客エンゲージメントを深め、チームの生産性を向上させることができます。AIエージェントを使用すると、マーケターはタッチポイント全体でパーソナライズされたコンテンツとオファーを生成し、顧客のライフサイクル全体を通じて顧客にリーチするスマートなキャンペーンを展開できます。最新のキャンペーンKPIにもとづいて自律的に最適化することが可能です。
• コマース：統合プラットフォームの一部であるコマース向けのAIエージェントは、統合された顧客データを使用してパーソナライズされたショッピング体験を提供し、関連性の高いコンテンツを配信して、注文を合理化することで、売上を伸ばすことができます。また、在庫の最適化や製品/サービスの説明の生成などのタスクも実行でき、バックエンド業務に役立ちます。

RAGのメリットは、業界やビジネス規模にも及びます。中小企業からスタートアップ企業まで、AIと社内の顧客データを組み合わせることで、エクスペリエンスを向上させ、従業員と顧客の両方をサポートできます。

たとえば、金融サービス会社のAIエージェントは、顧客情報を利用して、関連するインサイトを担当者に提示したり、個人の特定の財務目標にもとづいて推奨事項を調整したりすることができます。同様に、ヘルスケア分野のAIエージェントは、患者の質問に答え、患者のニーズに最適なプロバイダーのスケジュールを立てるのに役立ちます。

製造業では、自律型エージェントを使用して、機器を監視し、生産プロセスを最適化することができます。また自動車業界では、RAG AIエージェントが、リアルタイムの在庫レベルにもとづいたプロモーションの作成から、車両のメンテナンス問題の積極的な提供まで、あらゆるタスクを全面的に支援することができます。

適切なテクノロジーを使用すれば、RAGの使用を開始するのに費用がかかったり、厄介なことが起きたりする心配は要りません。

基盤となるのは、さまざまなソースやファイルタイプに対応するための強力なデータエンジンを搭載した統合プラットフォームです。ベクトルデータベースなどを活用してすべてのデータを接続し、検索のための最適化を行うことも必要です。プラットフォームには、Agentforceのように、従業員や顧客をサポートするための自律型AIエージェントの作成とカスタマイズができる高度なエージェントビルダーが必要です。

RAGの導入に取り掛かる際に覚えておくべき重要な点は、RAGの成功は、選択したLLMの品質と密接に結びついているということです。適切なRAG LLMを組み合わせるには、信頼性が高く、正確で、忠実なコンテキスト生成機能を備えた高品質なモデルを優先的に使用する必要があります。人間的な要素が依然として重要であることを覚えておいてください。クエリが優れていればいるほど、応答も改善されます。適切なプロンプトの書き方を社員に理解してもらいましょう。

結局のところ、検索拡張生成（RAG）は、AIへの投資に対するリターンに他なりません。データと生成AIを組み合わせることで、AIエージェントを次のレベルに引き上げ、その応答と実行タスクをよりパーソナライズし、関連性が高く、タイムリーなものにすることができます。

たとえば、SalesforceプラットフォームのエージェントレイヤーであるAgentforceは、このテクノロジーを使用して、企業がより多くのタスクを迅速に実行できるよう支援しています。Atlas推論エンジンは、Agentforceを支える頭脳であり、RAGを使用して情報を分析し、リクエストやタスクを完了するための最適な方法を決定します。

RAGアーキテクチャのLLMエージェントは、ビジネス全体にもたらすメリットが多く、顧客関係の強化や、運用の最適化を実現します。また、マーケティングと販売のパフォーマンスを向上させ、効率的に成長させることもできます。