第3章|現在の生成AI
DAY 13 ・ 約15分検索とRAG
モデルの記憶だけに頼らず、正しい資料を探して根拠付きで答える。
検索・資料添付・RAGの違いと、取得から引用確認までの流れを説明し、権限と版を守る検索拡張を設計できる。
言葉を知る
用語だけを暗記せず、似た言葉との違いまで説明できる状態を目指します。
RAG(検索拡張生成)
Retrieval-Augmented Generationの略で、質問に関係する外部資料を取得し、その内容を文脈へ加えて回答を生成する設計です。モデルを毎回再学習する方法ではなく、検索と生成を組み合わせます。
検索(Retrieval)
質問に必要な情報を文書群やデータベースから探し、関連度の高い候補を取り出す工程です。検索結果が悪ければ、後段の生成モデルが高性能でも正しい根拠へ到達できません。
チャンク
長い文書を検索しやすい大きさへ分割した一部分です。小さ過ぎると前後関係が失われ、大き過ぎると不要な情報が混ざるため、見出しや段落のまとまりを考えて設計します。
インデックス
文書の本文、埋め込み、タイトル、版、更新日、閲覧権限などを検索できる形で整理した索引です。正本が更新されたら、索引側の追加・削除も追随させる必要があります。
ベクトル検索
文章を意味の近さを比較できる数値表現へ変換し、質問と意味が近い部分を探す方法です。表現が異なる質問に強い一方、型番や条文番号など完全一致が重要な語を落とすことがあります。
ハイブリッド検索
キーワード検索とベクトル検索を組み合わせ、両方の結果を統合して順位付けする方法です。固有名詞の一致と意味の近さを補い合えますが、設定しただけで必ず最適になるわけではありません。
メタデータ
文書名、部署、版、施行日、機密区分、所有者など、本文に付ける管理情報です。検索結果の絞り込み、旧版排除、権限確認、原文への追跡に使います。
グラウンディング
回答の主張を、取得した資料やデータなど確認可能な根拠へ結び付けることです。引用が付いていても、その箇所が主張を本当に支えるかは別に照合します。
仕組みを理解する
1.RAGが必要になった背景を知る
生成AIは学習したパターンから自然な文章を作れますが、学習後に改定された制度、社内だけの規程、利用者ごとの契約内容を自動で知っているとは限りません。分からない部分も文章として補うため、もっともらしい誤答が起こります。そこで、質問時に正本を探し、その抜粋をモデルへ渡して回答させるRAGが使われます。目的はモデルへ知識を永久に覚え込ませることではなく、今必要な根拠へその都度つなぐことです。資料を更新すれば検索側を更新でき、回答から原文へ戻りやすい利点があります。一方、RAGという名前だけで最新性や正しさが保証されるわけではありません。
2.検索、資料添付、RAGを分けて考える
Web検索は公開情報を探す行為、資料添付は選んだファイルをその会話へ渡す行為、RAGは多数の資料から質問に関係する部分を取得し、回答生成へ渡す仕組み全体です。チャットAIへ一冊のPDFを添付して要約するだけなら、検索索引を持つRAGとは限りません。反対に、RAGは会話画面がなくてもAPIや業務システムの裏側で動きます。チャットAIは利用者との対話形式、RAGは根拠を供給する設計です。両者を混同すると、添付しただけで全ページを正確に理解した、検索できるから自動で正本を選べる、と過信します。どの情報源を、誰の権限で、何件取得したかを確認します。
3.準備工程は、文書を検索できる形へ整える
RAGの準備では、正本となる文書を集め、文字を抽出し、見出しや段落を考えてチャンクへ分け、検索用インデックスへ登録します。各チャンクには文書ID、タイトル、版、施行日、部署、機密区分、原文URLなどのメタデータを付けます。表や図を文字だけへ変換すると関係が崩れる場合があり、OCRの読み違い、ページ順、注釈も確認します。登録後は元文書との差分、欠落、重複を検査します。文書が廃止されたら旧チャンクも検索対象から外します。モデルの回答を直す前に、必要な資料が索引へ入り、現在の正本と一致しているかを見ることが出発点です。
4.質問時は、取得・絞り込み・生成を順に行う
利用者の質問を受けたら、検索に使う問い合わせを作り、キーワードや意味の近さで候補チャンクを取得します。次に、部署、商品、施行日、閲覧権限などで絞り、必要なら関連度を再評価して上位だけを選びます。その本文と出典情報を、回答ルールと一緒に生成モデルへ渡します。モデルには『根拠にないことは推測しない』『根拠不足なら保留と返す』『主張ごとに出典を示す』と伝えます。最後に回答、引用、原文への導線を表示します。この流れでは、検索の失敗と生成の失敗を分けて記録します。正しい資料を取れなかったのか、資料は取れたが誤って要約したのかで改善箇所が違います。
5.検索方式は、質問と文書の性質で選ぶ
キーワード検索は製品番号、法律名、人名、定型句の一致に強く、文書と質問で違う表現を使うと見逃しやすい特徴があります。ベクトル検索は『交通費の払い戻し』と『通勤費の精算』のような意味の近さを拾えますが、似た話題の別制度を混ぜることがあります。ハイブリッド検索は両方を実行して候補を統合します。さらに順位の再評価や、日付・部署などのフィルターを組み合わせます。どの方式も万能ではありません。代表質問だけでなく、略語、誤字、否定、複数条件、存在しない制度名を含む試験を行い、必要な根拠が上位に入る割合を測ります。
6.チャンクとメタデータが回答品質を左右する
規程を一文ずつ細かく分けると、条件と例外が別チャンクになり、都合のよい一文だけを引用する危険があります。反対に百ページを一塊にすると、入力上限を圧迫し、重要箇所が埋もれます。見出し、条項、表の単位を保ち、必要なら前後を少し重ねます。メタデータには有効開始日と終了日、版、対象地域、所有部署を付け、現行版だけを検索します。タイトルだけでなく、原文へ戻れる安定した識別子も必要です。設定値は一度決めて終わりではなく、検索漏れと不要取得の記録から調整します。変更時は評価セットを再実行し、別の質問の成績を落としていないか確認します。
7.権限は、検索より前に必ず適用する
社内文書へRAGを使うと、利用者が読めないはずの資料まで索引に入る可能性があります。検索結果を生成後に隠すのでは遅く、秘密はすでにモデルの文脈へ渡っています。利用者、所属、役割、案件ごとの閲覧権限を検索時に適用し、許可されたチャンクだけを候補にします。管理者用資料と一般資料を同じ索引に置く場合は、権限メタデータの欠落を拒否側へ倒します。退職、異動、共有解除が検索へ反映される時間も確認します。質問、取得文書、回答をログへ残す場合も、本文を無制限に複製せず、必要な識別子と評価情報へ絞ります。RAGは既存の過剰共有を直す仕組みではありません。
8.RAGでできることと、できないことを分ける
RAGは、変わりやすい情報や組織固有の文書を回答へ届け、引用元を示し、正本更新へ比較的早く追随することに向きます。文書探索、問い合わせ下書き、規程比較、技術資料の要約を助けられます。しかし、資料自体の誤り、矛盾、欠落は直せません。曖昧な規程の最終解釈、契約や医療の責任ある判断、計算結果の保証も自動では担えません。検索件数を増やせば正しくなるわけでもなく、関係の薄い文章が増えるほど回答がぶれます。また、引用はモデルが参照した候補を示すだけで、主張との一致を保証しません。高影響な回答は担当者が原文と適用条件を確認し、承認します。
9.引用と出典は、主張ごとに照合する
回答末尾に文書名が並んでいても、本文の数値や条件を支えているとは限りません。確認では、第一に引用箇所が実在するか、第二にその版が施行中か、第三に引用が回答の主張を直接支えるか、第四に例外条項を落としていないかを見ます。出典の件数ではなく、主張と根拠の対応を評価します。回答文を文単位に分け、『支持あり』『一部支持』『支持なし』『根拠間で矛盾』へ分類すると欠陥が見えます。根拠がない場合は、一般知識で穴を埋めるより、必要な資料名や確認先を示して保留する方が安全です。引用表示は利用者が原文へ戻れることまで含めて設計します。
10.実務例は、就業規程の問い合わせ支援
社員が『育児休業中の手当と申請期限を教えて』と質問する場面を考えます。検索対象は施行中の就業規則、会社の申請手順、公的機関の案内へ限定し、社員の所属と地域で絞ります。回答には、会社が決める申請手順と、公的制度の給付条件を混ぜず、文書名、版、条項、確認日を付けます。金額や対象可否は個人条件で変わるため、断定せず人事への確認事項を示します。担当者は引用が条件を支えるかを確認してから案内します。これにより、AIは関連箇所の探索と分かりやすい下書きを担い、人は個別判断と責任を担います。通常のチャットだけで記憶から答える場合との差は、現在の根拠へ戻れる点です。
11.失敗例から、検索と生成を別々に直す
旧版と新版が索引へ残り、表現がよく似た旧版が上位に出た結果、廃止された申請期限を案内する失敗があります。別の例では、営業部員の質問へ人事部限定の資料を取得し、回答文では伏せてもログに秘密が残りました。さらに、取得文書内の『以前の指示を無視せよ』という文章を命令として扱う間接的なプロンプトインジェクションもあります。対策は、現行版フィルター、権限を取得前に適用すること、外部文書を命令ではなくデータとして隔離することです。検索で何も見つからないときに一般知識で埋める失敗もあるため、取得ゼロと低信頼の停止条件を明示します。
12.確認方法と読者演習を、評価表へ落とす
RAGの評価では、正解文だけでなく、期待する文書と箇所が上位へ取得されたかを先に測ります。次に、回答の正確さ、引用一致、根拠不足時の保留、権限違反、旧版混入、応答時間、費用を記録します。通常質問、言い換え、複数条件、答えがない質問、権限外の質問、文書内の悪意ある指示を評価セットへ入れます。読者演習として、自分の業務資料を三種類選び、正本、所有者、更新頻度、閲覧者、版情報を書いてください。次に代表質問を五つ作り、期待する根拠箇所と『見つからなければ何と返すか』を決めます。最後に回答の各主張と引用を線で結び、結べない文を削るか保留へ直します。
実例で理解する
具体例で考える
経費精算の問い合わせ支援なら、就業規程、最新の経費規程、申請画面の操作手順だけを検索対象にします。文書を条項単位で分け、文書ID、版、施行日、対象部署、閲覧権限、原文URLを付けます。利用者が『出張の宿泊上限と例外承認者は誰か』と聞くと、システムは現行版かつ閲覧可能なチャンクをキーワードと意味の両方で探し、上位候補を再評価します。モデルは取得箇所だけから、上限、例外条件、承認者、未確認事項を分けて下書きし、条項へのリンクを添えます。該当部署の例外規程が見つからなければ推測せず、経理担当への確認を案内します。公開前に担当者が主張と引用、金額、施行日を照合します。旧版を混ぜた質問、存在しない経費区分、権限外資料を求める質問でも同じ停止条件が働くかを試し、合格後も規程更新のたびに再評価します。
手を動かして理解する
- 今日の三つの用語を、見ずに説明する
- 仕事や生活の例へ置き換える
- 間違えた確認問題の理由を声に出して説明する
04|今日の理解度を確認する
今日の理解度を確認する
社内規程への質問に答えるRAGの基本的な処理順として、最も適切なものはどれですか。
RAGは、質問に関係する情報を先に取得し、その内容を生成モデルの文脈へ渡して回答と出典を作ります。権限は取得前に適用します。
回答を先に作り、後から似た資料名を添える: 主張を作った後に出典を飾る方法では、根拠に基づく回答にならず、引用の捏造も防げません。
全資料を毎回一つの入力へ入れ、権限は生成後に確認する: 不要情報と秘密をモデルへ渡してしまい、入力上限や情報流出の危険も増えます。
質問に関係する閲覧可能な箇所を取得し、根拠として回答と出典を作る: 取得、権限、生成、出典確認を正しい順でつなぐRAGの基本です。
モデルへ規程を永久に覚えるよう一度だけ依頼する: 会話上の依頼は基盤モデルの恒久的な再学習ではなく、改定への追随や根拠提示も保証しません。
製品番号の完全一致と、言い換えられた問い合わせの両方を探したい場合、検討に適した検索方法はどれですか。
キーワード検索は型番などの一致、ベクトル検索は意味の近さに強みがあります。組み合わせた後も代表質問で取得品質を評価します。
キーワード検索とベクトル検索を組み合わせるハイブリッド検索: 完全一致と意味の近さを補い合う候補です。設定後の評価は別に必要です。
文書を無作為に一件だけ選ぶ方法: 質問との関連性を使わないため、必要な根拠へ安定して到達できません。
回答文の長さだけで資料を順位付けする方法: 文章量は質問との関連性や正本性を示しません。
検索せずにモデルの学習済み知識だけを使う方法: 社内固有情報、最新の改定、正確な製品番号へ到達できる保証がありません。
旧版の規程が検索結果へ混ざる問題を減らすため、最も有効な準備はどれですか。
現在有効な版を検索時に選べる管理情報が必要です。正本更新時には旧チャンクの削除や無効化も確認します。
旧版のタイトルを短くして目立たなくする: 表示名を変えても、検索索引に残る旧内容を排除できません。
検索件数を無制限に増やす: 旧版や無関係資料も増え、重要な根拠が埋もれる可能性があります。
文書の版を回答生成後に推測する: 版は推測せず、文書登録時の管理情報と正本から確認します。
施行日・終了日・版をメタデータへ持たせ、現行版で絞り込む: 検索前に現行性を制御し、回答から版へ追跡できる適切な設計です。
部門限定の資料を含むRAGで、情報流出を防ぐための権限制御として最も適切なものはどれですか。
秘密を生成モデルへ渡した後で隠すのでは遅いため、取得候補を作る段階で利用者の権限を適用します。権限不明は拒否側へ倒します。
全資料をモデルへ渡し、回答画面で秘密の文だけを隠す: 表示されなくても、秘密はすでにモデルの文脈やログへ渡る可能性があります。
利用者の権限を検索時に適用し、許可されたチャンクだけを取得する: 情報をモデルへ渡す前に境界を守る正しい制御です。
一度ログインした利用者には、以後すべての部署資料を許可する: 認証と全資料への認可は別で、職務に必要な最小権限へ限定します。
文書に権限情報がない場合は一般公開として扱う: 管理情報の欠落を許可へ倒すと秘密を公開する危険があるため、取得を拒否します。
RAGの回答に引用が付いているとき、公開前の確認として最も適切なものはどれですか。
引用は自動的な正しさの保証ではありません。主張を直接支えるか、現行版か、例外を落としていないかを人が原文で確かめます。
引用件数が多ければ本文を読まずに承認する: 出典数は、個々の主張が根拠で支えられている証拠になりません。
リンクが開けば、版や適用条件は確認しない: 実在する文書でも旧版や対象外の条件である可能性があります。
回答の各主張を引用箇所と照合し、版・例外・根拠不足を確認する: 主張と根拠の対応、現在性、適用範囲を確認できる方法です。
引用元に書かれていない部分は一般知識で自然に補う: 根拠のない補完はRAGの確認可能性を失わせるため、保留や確認先を示します。
04|今日の理解度を確認する
今日の理解度を確認する
今日の整理をする
この3点を持ち帰る
- ✓ RAGは質問時に外部資料を取得して生成へ渡す設計
- ✓ チャンク・版・メタデータ・権限が検索品質と安全を左右する
- ✓ 引用は保証ではないため、主張との一致と根拠不足時の停止を確認する