生成AIに社内文書を参照させても、必要な情報が複数の資料に分かれていると、十分な回答を得られないことがあります。文章の類似性だけでは、人物や組織、製品などの関係性を捉えにくいためです。
こうした課題の解決に役立つ技術が「Graph RAG」です。情報同士のつながりをナレッジグラフとして整理し、その関係性を検索に利用します。
本記事では、Graph RAGの仕組みや従来のRAGとの違い・メリット・企業の活用事例・導入時の注意点をわかりやすく解説します。
目次
- Graph RAGとは?
- ナレッジグラフとGraph RAGの関係
- 従来のRAGとの違い
- Graph RAGの仕組み
- 文書から人物・組織・製品などの要素と関係性を抽出する
- 抽出した情報からナレッジグラフを構築する
- 質問に関連する要素や情報同士のつながりを検索する
- 検索結果をもとに生成AIが回答を作成する
- Graph RAGを活用するメリット
- 複数の情報を組み合わせた複雑な質問に回答しやすくなる
- 曖昧な質問にも対応しやすくなる
- 回答の根拠となる情報や関係性を確認しやすくなる
- Graph RAGの活用事例4選
- 1. LinkedIn|過去の問い合わせ履歴をグラフ化して顧客対応を効率化
- 2. 株式会社リネア|サプライチェーン上の人権リスクを検知・評価
- 3. NTTデータグループ|契約書のリスク判定と審査根拠の可視化を検証
- 4. 富士通株式会社|解析精度と可読性の高いシステムの設計書を自動生成
- Graph RAGを導入する際の注意点
- ナレッジグラフの構築・運用に時間と費用がかかる
- 情報の抽出ミスや更新漏れがあると回答精度が低下する
- 単純な情報検索では従来のRAGのほうが適している場合がある
- まとめ
- よくある質問
Graph RAGとは?
Graph RAGとは、人物・組織・製品などの情報と、それらの関係性をグラフ形式で整理し、生成AIの回答に活用する仕組みです。
RAGは「Retrieval-Augmented Generation(検索拡張生成)」の略で、外部の文書やデータを検索し、その結果をもとに生成AIが回答を作成します。Graph RAGでは、文章だけでなく情報同士のつながりも検索対象にするため、複数の情報を組み合わせる必要がある質問に対応しやすくなります。
なお、「Graph RAG」はナレッジグラフを利用するRAGの総称として使われます。一方、Microsoftが公開している「GraphRAG」は、Graph RAGを実装するためのソフトウェアの名称です。
Graph RAGは、社内情報を参照しながら回答や処理を行うAIエージェントにも活用できます。
ナレッジグラフとGraph RAGの関係
ナレッジグラフは、Graph RAGが情報の関係性を扱うための土台です。
ナレッジグラフとは、人物や組織、製品などの要素を「点」、要素同士の関係を「線」で表したデータ構造です。たとえば、「人物Aは企業Bに所属している」「企業Bは製品Cを販売している」という情報をつなげて整理します。
Graph RAGは、このナレッジグラフから質問に関係する要素やつながりを探し、生成AIに渡します。これにより、別々の文書に書かれた情報でも、関係性をたどりながらまとめて参照できます。
従来のRAGとの違い
従来のRAGとGraph RAGの主な違いは、質問に近い文章を探すだけか、情報同士のつながりまでたどるかです。
| 比較項目 | 従来のRAG | Graph RAG |
|---|---|---|
| 情報の探し方 | 質問と意味が近い文章を探す | 関連する文章に加え、情報同士のつながりもたどる |
| 向いている質問 | ひとつの文書から答えを探せる質問 | 複数の情報を組み合わせる質問 |
| 導入の負担 | 比較的小さい | 情報の関係性を整理するため、比較的大きい |
従来のRAGは、質問と意味が近い文章を検索し、その内容をもとに回答します。たとえば、「出張手当はいくらですか?」のように、特定の文書に答えが書かれている質問に向いています。
Graph RAGは文章を探すだけでなく、人物・組織・製品などの関係性もたどります。そのため、「製品Aの不具合によって影響を受ける取引先は?」のように、複数の情報を組み合わせる質問に対応できる点が特徴です。
どちらが優れているかではなく、質問の内容によって使い分けることが大切です。単純な情報検索には従来のRAG、複雑な関係性を調べる場合にはGraph RAGが適しています。
Graph RAGの仕組み
Graph RAGが文書から回答を生成するまでの基本的な流れは、次のとおりです。
Graph RAGが回答を生成するまでの流れ
- 文書から人物・組織・製品などの要素と関係性を抽出する
- 抽出した情報からナレッジグラフを構築する
- 質問に関連する要素や情報同士のつながりを検索する
- 検索結果をもとに生成AIが回答を作成する
具体的な処理は、使用する製品や目的によって異なります。たとえば、MicrosoftのGraphRAGでは、文書から抽出した要素と関係性をナレッジグラフにまとめ、関連する要素をグループ化したうえで、グループごとの概要を作成します。
文書から人物・組織・製品などの要素と関係性を抽出する
最初に、社内文書やニュース、問い合わせ履歴などから、検索に必要な要素と関係性を抽出します。
たとえば、「田中さんは営業部に所属し、製品Aを担当している」という文章から、「田中さん」「営業部」「製品A」という要素を取り出します。さらに、「所属している」「担当している」といった関係性も整理します。
抽出にはLLMや自然言語処理技術を利用します。文書の表記が統一されていない場合は、同じ人物や製品が別の要素として登録されないよう、名称の統合も必要です。
抽出した情報からナレッジグラフを構築する
次に、抽出した要素を点、関係性を線としてつなぎ、ナレッジグラフを構築します。
たとえば、「田中さん―所属―営業部」「田中さん―担当―製品A」のように情報を整理します。複数の文書から抽出した情報を統合すれば、文書をまたいだ関係性も表現できます。
元の文書との対応も保存しておくと、回答の根拠を確認しやすくなります。
質問に関連する要素や情報同士のつながりを検索する
質問を受け取ると、Graph RAGは関連する要素を特定し、その周辺のつながりを検索します。
たとえば、「製品Aの不具合に関係する担当者と取引先は?」という質問では、製品Aを起点に、不具合情報・担当者・取引先などの関係をたどります。
質問がデータ全体の傾向を尋ねる内容であれば、関連する要素のグループや要約情報を検索する方法もあります。質問の種類に応じて検索範囲を変えることで、必要な情報を絞り込みます。
検索結果をもとに生成AIが回答を作成する
最後に、検索した要素・関係性・元の文章をLLMへ渡し、回答を作成します。
ナレッジグラフだけでは、自然な文章による説明はできません。LLMが検索結果を整理し、質問に沿った文章へまとめることで、利用者が理解しやすい回答になります。
ただし、LLMが誤った解釈をする可能性は残ります。重要な回答には参照元を表示し、利用者が確認できるようにしましょう。
Graph RAGを活用するメリット
Graph RAGは、情報同士の関係性をたどることで、複数の情報を組み合わせた質問や、対象が明確でない質問にも対応しやすくなります。回答に使った情報のつながりも追跡できるため、根拠の確認にも役立ちます。
ここでは、Graph RAGを業務利用する具体的なメリットについて解説します。
複数の情報を組み合わせた複雑な質問に回答しやすくなる
Graph RAGを活用すると、複数の文書や要素を組み合わせる必要がある質問に回答しやすくなります。
たとえば、「製品Aで発生した不具合の原因と、影響を受ける取引先を教えて」という質問に生成AIが回答するには、製品・不具合・原因・取引先に関する情報をたどらなくてはなりません。Graph RAGでは、それぞれの関係性を検索し、回答に反映できます。
曖昧な質問にも対応しやすくなる
Graph RAGは、質問に含まれる言葉の周辺情報をたどることで、質問の意図を絞り込みやすくなります。
たとえば、社内に同じ名称の製品が複数ある場合でも、利用者が「営業部が担当する製品A」のように担当部署を含めて質問すれば、Graph RAGは部署と製品の関係性をたどって対象を絞り込めます。
ただし、質問に含まれる情報が少なすぎると、Graph RAGでも対象を特定できません。候補が複数ある場合は、生成AIが利用者に確認する仕組みも必要です。
回答の根拠となる情報や関係性を確認しやすくなる
Graph RAGでは、回答に使った要素と関係性をたどることで、回答の根拠を確認しやすくなります。
たとえば、生成AIが「企業Aにはサプライチェーン上のリスクがある」と回答したとします。システムの画面に「企業Aは取引先Bから部品を調達している」「取引先Bでは人権問題が報じられている」といった情報と参照元を表示する機能を設ければ、利用者は企業Aにリスクがあると判断された理由を確認できます。
ただし、Graph RAGがナレッジグラフを表示しても、回答の正しさが保証されるわけではありません。導入時には、利用者が元の文書や該当箇所も確認できるように設計することが重要です。
Graph RAGの活用事例4選
Graph RAGや、ナレッジグラフとLLMを組み合わせた関連技術は、問い合わせ対応・リスク分析・契約書審査・システム開発などに活用されています。
ここでは、企業による実運用や検証、研究開発の事例を紹介します。
1. LinkedIn|過去の問い合わせ履歴をグラフ化して顧客対応を効率化
LinkedInでは、過去の問い合わせや対応履歴をナレッジグラフとして整理し、カスタマーサービスの回答作成に活用しました。
LinkedInが導入したナレッジグラフを用いる質問応答手法は、1件の問い合わせ内の構造と、複数の問い合わせ間の関係性を保ったまま、過去の類似事例を検索します。
同手法を約6ヶ月間運用した結果、問い合わせ1件あたりの解決時間の中央値が28.6%短縮されました。
2. 株式会社リネア|サプライチェーン上の人権リスクを検知・評価
株式会社リネアは、Graph RAGを活用した「サプライチェーン上の人権リスク検知サービス」の開発に取り組んでいます。
株式会社リネアが開発するサービスは、企業間の取引データ・ニュースなどをナレッジグラフ化し、人権リスクや影響範囲を検索・表示できる仕組みを目指しています。このサービスの開発提案は、AWS主催の「ビジネスをグロースする生成AIコンテスト2025」でGold Awardを受賞しました。
3. NTTデータグループ|契約書のリスク判定と審査根拠の可視化を検証
NTTデータグループは、ナレッジグラフとLLMを組み合わせ、契約書のリスクを判定する方法を検証しました。
NTTデータグループが検証した契約書のリスク審査手法は、契約書から「誰が」「何をする」「何に対して」という情報を抽出し、あらかじめ定めたリスクのパターンと照合します。検証の結果、リスクの判定精度と審査理由の出力精度が向上しました。
4. 富士通株式会社|解析精度と可読性の高いシステムの設計書を自動生成
富士通株式会社は、ソースコードを解析して設計書を自動生成するサービス「Fujitsu Application Transform powered by Fujitsu Kozuchi」を提供しています。
「Fujitsu Application Transform powered by Fujitsu Kozuchi」には、富士通独自の「Fujitsu ナレッジグラフ拡張RAG for Software Engineering」が使われています。ソースコードの解析結果や既存の設計情報からナレッジグラフを構築し、関連する情報をソースコードとともにLLMへ渡す仕組みです。
富士通株式会社は、ソースコードだけを使って設計情報を生成した場合と比べ、設計書生成にかかる時間を約1/30に短縮し、解析の網羅性を95%、可読性を60%向上させたと報告しています。
Graph RAGを導入する際の注意点
Graph RAGは複雑な情報検索に役立つ一方、すべてのデータや質問に適しているわけではありません。構築・運用の負担と期待できる効果を比較し、利用範囲を決める必要があります。
ここでは、Graph RAGを業務利用する際の注意点を紹介します。
ナレッジグラフの構築・運用に時間と費用がかかる
Graph RAGは、従来のRAGよりも構築や運用の負担が大きくなる傾向があります。
導入企業は、文書から要素と関係性を抽出し、重複を整理したうえでナレッジグラフを構築する必要があります。LLMの利用料金に加え、グラフデータベースや運用環境の費用を負担する場合もあります。
Graph RAGを導入する際は、対象業務とデータを限定し、効果を確認してから利用範囲を広げましょう。
情報の抽出ミスや更新漏れがあると回答精度が低下する
Graph RAGが情報を誤って抽出・登録すると、生成AIも誤った情報に基づいて回答する可能性があります。
たとえば、Graph RAGが同姓同名の人物を同一人物として登録したり、表記の異なる企業名を別会社として扱ったりすると、ナレッジグラフ内の関係性が不正確になります。運用担当者が組織変更や製品情報をナレッジグラフへ反映しないと、生成AIが古い関係性に基づいて回答する可能性もあるでしょう。
Graph RAGを業務利用する際は、抽出結果の確認方法や情報の更新頻度を決め、重要な情報を担当者が点検できる体制を整えましょう。
単純な情報検索では従来のRAGのほうが適している場合がある
特定の文章や事実を探す用途では、従来のRAGのほうが効率的な場合があります。
たとえば、「就業規則の休暇日数を教えて」という質問に対して、従来のRAGは関連する文章を直接検索し、回答に必要な情報を生成AIへ渡せます。生成AIが回答するために複雑な関係性をたどる必要がないため、ナレッジグラフを構築しても、導入・運用の費用に見合う効果を得られない場合があるでしょう。
単純な質問には従来のRAG、複数の情報を組み合わせる質問にはGraph RAGを使うなど、目的に応じて使い分けることが大切です。
まとめ
Graph RAGは、人物・組織・製品などの要素と関係性をナレッジグラフで整理し、検索結果を生成AIの回答に活用する仕組みです。情報同士のつながりをたどれるため、複数の情報を組み合わせた質問や曖昧な質問に対応しやすく、回答の根拠も確認しやすくなります。
一方、ナレッジグラフの構築や更新には時間と費用がかかり、単純な情報検索では従来のRAGのほうが適している場合もあります。企業は解決したい質問や対象業務を明確にし、小規模な検証を通じてGraph RAGの効果を確認したうえで、利用範囲を広げることが大切です。
よくある質問
Graph RAGと従来のRAGの違いは何ですか?
従来のRAGとGraph RAGでは、検索する情報が異なります。従来のRAGは質問と意味が近い文章を検索するのに対し、Graph RAGは質問に含まれる人物や製品などの要素に加え、要素同士の関係性も検索します。
従来のRAGは特定の事実を調べる質問に、Graph RAGは複数の情報を組み合わせる質問に適しています。
詳しくは、記事内「従来のRAGとの違い」をご覧ください。
Graph RAGはどのようなデータに向いていますか?
Graph RAGは、人物・組織・製品などの情報が複数の文書に分かれ、それらのつながりが回答に必要となるデータに向いています。
たとえば、「製品Aの不具合は、どの顧客に影響するか」を調べる場合、Graph RAGは製品Aに発生した不具合と、その製品を利用している顧客の情報を結び付けて検索します。一方、「就業規則に定められた休暇日数」のように、ひとつの文書から答えを見つけられる質問には、従来のRAGが適している場合があります。
詳しくは、記事内「Graph RAGを活用するメリット」をご覧ください。
Graph RAGを導入すればハルシネーションを防げますか?
Graph RAGを導入しても、ハルシネーションを完全には防げません。
ナレッジグラフに誤りや更新漏れがある場合や、LLMが検索結果を誤って解釈した場合は、LLMが不正確な回答を生成する可能性があります。
導入企業は、回答に参照元を表示し、重要な判断や操作を利用者が確認できる仕組みを整えましょう。あわせて、運用担当者がナレッジグラフの内容を定期的に点検・更新することが重要です。
