AI活用の基礎知識

RAGとは?LLMとの違いやメリット、活用例や導入方法を解説

RAGとは?LLMとの違いやメリット、活用例や導入方法を解説

LLMは幅広い質問に回答できますが、学習後に公開された最新情報や社内だけで管理されている情報をLLM単体で正確に扱うことはできません。そこで活用されるのが、外部データを検索して回答に反映する「RAG」です。

本記事では、RAGとは何か、LLMにRAGが必要とされる理由やメリットと注意点、活用例、導入までの流れを解説します。ファインチューニングとの違いにも触れているため、RAGが自社に必要なのか判断したい方はぜひ参考にしてください。

目次

RAGとは?

RAG(Retrieval-Augmented Generation:検索拡張生成)とは、生成AIが質問に答える前に、社内文書やデータベースなどから関連情報を検索し、その情報を参考にして回答を作る仕組みです。

通常、LLM(大規模言語モデル)は、あらかじめ学習した情報をもとに文章を生成します。

一方、RAGを活用したシステムでは、ユーザーから質問を受けると、社内規程・業務マニュアル・FAQ・商品資料などから質問に関係する情報を探すのが特徴です。その後、検索した情報を質問とあわせてLLMに渡し、回答を生成させます。

RAGを使うことで、LLMが学習していない社内独自のルールや、更新頻度が高い情報も回答に反映しやすくなります。

【関連記事】
RAGとは?仕組み・メリット・活用例と構築手順を解説

LLMにRAGが必要とされる理由

LLMにRAGが必要とされる主な理由は、LLM単体では最新情報や社内情報など、学習時に持っていない情報を十分に扱えないためです。

具体的には、以下の3つの理由が挙げられます。


  • LLMだけでは、最新情報を正確に扱いにくい
  • LLMは社内情報や専門的な独自データを持っていない
  • LLMの追加学習だけでは情報更新への対応に手間とコストがかかる

RAGの必要性を理解するには、まずLLM単体ではどのような情報に対応できないのかを把握することが大切です。ここを理解しておくことで、RAGがどのような課題を補う仕組みなのか、自社で導入する必要があるのかを判断しやすくなります。

【関連記事】
LLM(大規模言語モデル)とは?生成AIとの違いや仕組みを解説

LLMだけでは、最新情報を正確に扱いにくい

LLM(大規模言語モデル)は、主に学習時に使われたデータをもとに文章を生成します。

外部の検索機能やデータベースとの連携がないLLMは、学習後に公開・変更された情報を自力で確認できません。そのため、「現在の商品の価格」や「最新の社内規程」を質問しても、古い情報を回答したり、正確な情報を示せなかったりする可能性があります。

そこでRAGを活用したシステムを組み合わせると、質問を受けたタイミングで外部のデータベースや文書から関連情報を探し、その内容をLLMに渡して回答を作成できます。

商品情報や社内ルールのように変更が多い情報を扱う場合は、LLMがあらかじめもつ知識だけでは十分ではありません。質問時に信頼できる情報源を検索・参照できる仕組みを用意することが重要です。

LLMは社内情報や専門的な独自データを持っていない

一般的なLLMは、自社の業務マニュアル、社内規程、商品資料など社内だけで管理されている情報を自動的に知ることはできません。

社員が「経費精算の申請方法を教えて」と質問しても、その企業独自のルールをLLMが知らなければ、正確な回答はできません。こうした課題には、RAG(検索拡張生成)が役立ちます。RAGを活用したシステムでは、社内文書、FAQ、商品資料、業務マニュアルなどを回答時に参照する情報源として登録できます。

たとえば、「経費精算の申請期限はいつですか」と質問された場合、RAGは社内規程から申請期限に関する記載を探し、その内容をもとにした回答の作成が可能です。

RAGを使うことで、LLMの文章を理解・作成する能力と自社独自の情報を組み合わせられ、社内業務や自社の商品・サービスに合った回答を生成しやすくなります。

LLMの追加学習だけでは情報更新への対応に手間とコストがかかる

新しい知識をLLMに追加する方法として、「ファインチューニング」と呼ばれる追加学習があります。これは、既存のLLMに新しいデータを学習させ、モデル自体を調整する方法です。

ただし、頻繁に変わる情報を反映する目的では、追加学習だけで対応し続けるのは効率的とはいえません。商品情報や社内規程が変更されるたびにLLMを追加学習させる場合、その都度、学習用データを準備し、学習と検証の工程を行う必要があります。更新が多いほど、この作業にかかる手間や費用も増えていきます。

一方RAGでは、LLMそのものを学習しなおすのではなく、検索対象となる文書やデータを更新することで、新しい情報を回答に反映させることが可能です。文書を差し替えたり追加したりするだけで済むため、モデルの再学習に比べて、更新にかかる手間とコストを抑えやすいという特徴があります。

「回答の文体や形式、特定業務での対応の仕方を調整したい場合はファインチューニング」「頻繁に更新される知識を回答に反映したい場合はRAG」といったように、目的に応じて使い分けることが重要です。

LLMにRAGを組み合わせるメリット

LLMにRAGを組み合わせる主なメリットは、LLMが持っていない情報を外部データから補い、より業務に適した回答を生成できることです。

具体的には、以下の4つのメリットがあります。


  • 回答精度を高められる
  • 回答の出典を提示しやすくなり信頼性を高められる
  • 社内データや最新情報を回答に反映させやすい
  • LLMを再学習せずに専門知識を追加できる

RAGのメリットを理解しておくことで、LLM単体で利用する場合との違いが明確になり、自社のどのような業務で活用できるのかを判断しやすくなります。

メリット1.回答精度を高められる

RAGを適切に活用することで、LLM単体で利用する場合よりも回答の精度を高めやすくなります。

RAGでは、質問に関連する文書やデータを検索し、その情報をLLMに渡したうえで回答を生成します。そのため、LLMがもともと持っている知識だけに頼るのではなく、質問に合った具体的な情報をもとにした回答が可能です。

ただし、RAGを導入すれば必ず正しい回答が得られるわけではありません。適切な情報を検索できているか、取得した情報に沿って回答できているかの継続的な確認・改善が重要です。

メリット2.回答の出典を提示しやすくなり信頼性を高められる

RAGには、回答とあわせて参照した文書や情報源を提示しやすいというメリットもあります。

RAGでは、回答のもとになった文書を紐づけて表示する設計がしやすいため、利用者が「この回答は、どの資料をもとに作られたのか」の確認が可能です。LLMの回答だけを表示する場合と比べ、内容が正しいかを確認しやすく、正確性が求められる業務で役立ちます。

ただし正しい文書を参照していても、LLMがその内容を誤って解釈したり、言い換えの過程で意味がずれてしまったりする可能性はあります。重要な判断を行う際は、出典として示されたもとの資料を実際に確認することが大切です。

メリット3.社内データや最新情報を回答に反映させやすい

RAGを利用すると、LLMがもともと持っていない社内データや最新情報を、回答に反映させやすくなります。

LLMは学習した時点までの情報しか持っていませんが、RAGを使えば、社内規程や業務マニュアルのように、外部に公開されていない自社独自の情報も検索対象にできます。たとえば、社内規程を改訂した場合は改訂後の文書を検索対象に登録しなおすだけで、その内容を反映した回答の作成が可能です。

また、Web検索の機能を組み合わせたRAGでは、LLMの学習後に公開されたニュースや、更新された公開情報も回答に取り込めます。

社内情報と公開情報のどちらも、資料を差し替えるだけで新しい内容に対応できる点がRAGの強みです。

メリット4.LLMを再学習せずに専門知識を追加できる

RAGを活用すると、LLMそのものを再学習させなくても、特定の業務や分野に必要な専門知識を回答に反映させられます。

一般的なLLMは、幅広い分野の知識を持っている一方、業界特有の専門用語や、特定の分野に限られた詳細な知識までは十分に扱えないことがあります。RAGでは、専門資料や業界ガイドラインなど、その分野に特化した文書を検索対象として用意することで、LLMが本来持っていない専門知識を補うことが可能です。

たとえば、法務・医療・建設など専門性の高い分野で業界固有の基準や手続きについて質問された場合、RAGは専門資料から関連箇所を検索し、その内容に基づいた回答を作成できます。

専門資料が更新された際も、検索対象のデータを差し替えるだけで、常に最新の専門知識を反映できます。

RAGを導入する前に知っておきたい3つの注意点

RAGはLLMの回答に最新情報や社内情報を反映しやすくなる一方、検索処理やデータ管理が加わることで新たな課題も生じます。

RAGを本格的に導入する前に確認しておきたい注意点は以下の3つです。


  • 回答スピードが少し遅くなる
  • 参照データの品質が低いと回答精度が下がる
  • 社内情報が漏れないようアクセス権限の設計が必要になる

RAGを安全かつ効果的に活用するためにも、導入前にそれぞれの注意点を確認しておくことが大切です。

注意点1.回答スピードが少し遅くなる

RAGは、LLM単体で利用する場合よりも回答に時間がかかることがあります。

LLM単体では、質問を受け取ると、その内容だけをもとにそのまま回答を生成します。一方、RAGは回答を生成する前に関連する文書やデータを検索し、必要な情報を取得してからLLMに渡す仕組みです。検索という工程が増える分、質問から回答が返ってくるまでの時間は長くなりやすい傾向があります。

回答速度は、検索対象となるデータの量や検索の方法、利用するLLMの種類によっても変わります。たとえば、検索対象の文書が非常に多い場合や、検索の設定が最適化されていない場合は、検索にかかる時間が長くなることも少なくありません。

本格的に導入する前には、回答の正確さだけでなく、実際にどの程度の時間で回答が返ってくるのかを確認しておきましょう。

注意点2.参照データの品質が低いと回答精度が下がる

RAGは、検索で見つけた情報をもとにLLMが回答を生成する仕組みであるため、検索対象として登録した文書の質が悪いと、回答の質や精度が下がることがあります。

検索対象に古い資料や誤った情報、内容が重複した文書などが含まれていると、LLMが不適切な情報を根拠にして回答する可能性があるため、注意が必要です。

導入前には、古いデータや不要なデータを整理し、検索対象となる情報をできるだけ正確な状態にしておきましょう。導入後も、よくある質問などを用い、必要な情報を正しく検索できているかの定期的な確認が大切です。

注意点3.社内情報が漏れないようアクセス権限の設計が必要になる

社内データをRAGで利用する場合、誰がどの情報を閲覧できるかの事前設定が必要です。

アクセス権限が適切に設定されていないと、本来その情報を閲覧できない社員への回答にも機密情報がそのまま含まれてしまう可能性があります。たとえば、人事部だけが閲覧できる資料や特定のメンバーだけが利用できる文書については、権限をもつ利用者だけが検索・参照できるよう設定しておく必要があります。

RAGを社内で安全に活用するには、回答の精度だけでなく、利用者ごとのアクセス権限まで含めた設計が重要です。

LLMとRAGを組み合わせた活用例

LLMとRAGは、社内文書や商品情報など、特定の情報を参照して回答する業務に適しています。

代表的な活用例として、以下の4つが挙げられます。


  • 社内FAQ・ナレッジ検索への活用
  • PDFや業務マニュアルをもとにした質問応答
  • 商品情報やFAQを参照するカスタマーサポート
  • 契約書・社内規定などの文書検索

活用例を知っておくことで、RAGを自社のどの業務に導入できそうかをイメージしやすくなります。

社内FAQ・ナレッジ検索への活用

RAGは、社内FAQや社内文書から必要な情報を探し、社員からの質問に回答する仕組みへの活用が可能です。

たとえば、社員が「出張時の宿泊費の上限を教えて」と質問すると、出張規程や社内FAQから該当する情報を検索し、その内容をもとにLLMが回答を生成します。

従来のキーワード検索では、適切な検索語を入力しなければ、必要な情報にたどり着けないことが少なくありませんでした。RAGを活用すれば、普段使っている言葉で質問しながら必要な情報を探せるようになります。

人事や総務、情報システム部門などに繰り返し寄せられる質問を検索対象として整理しておけば、社員自身が疑問を解決しやすくなり、問い合わせ対応の負担軽減にもつながります。

PDFや業務マニュアルをもとにした質問応答

RAGは、PDFや業務マニュアルなど、ページ数の多い資料の内容を質問形式で確認する用途への活用が可能です。

たとえば、業務マニュアルに対して「新しく取引先を登録するときの手順は?」と質問すると、該当する箇所をもとに、必要な手順をLLMがわかりやすく整理して回答します。利用者はマニュアルを最初から読み進める必要がなく、知りたい内容を自然な文章で質問できるため、必要な情報を確認する時間の短縮につながります。

ただし、表や画像が多く含まれるPDFでは内容を正しく読み取れないことがあるため、注意が必要です。RAGに登録する前に、抽出された内容をもとのPDFと見比べ、表の行数や列数が一致しているか、項目名が正しく反映されているかを確認しておくことが大切です。

商品情報やFAQを参照するカスタマーサポート

RAGは、商品情報やFAQを参照しながら顧客からの質問に回答するカスタマーサポートにも活用できます。

商品仕様や利用方法、よくある質問などを検索対象にしておけば、問い合わせ内容に関連する情報を探し、LLMがわかりやすい文章にまとめて回答できます。

たとえば、「この商品は●●に対応していますか?」といった質問に対し、最新の商品情報を確認しながら回答する仕組みの構築が可能です。商品情報が変更された場合も、検索対象のデータを更新することで、新しい内容を反映しやすくなります。

ただし、返品や解約、契約など重要な判断が必要な問い合わせまでAIだけで完結させるのは、適切ではありません。AIが回答する範囲をあらかじめ決め、必要に応じて担当者へ引き継げる仕組みにしておくことが大切です。

契約書・社内規定などの文書検索

RAGは、契約書や社内規定など、複数の文書を横断して関連する記載を探す用途への活用も可能です。

たとえば、「契約解除に関する条件が記載されている契約書を確認したい」と入力すると、複数の契約書から関連する記載を検索し、該当する文書や箇所を提示できます。文書の保存場所やファイル名がわからない場合でも、質問内容に関連する記載を探せるため、大量の契約書や規定の中から目的の文書を探す作業の効率化につながります。

ただし、LLMによる要約や解釈が必ず正しいとは限りません。契約条件や社内ルールなど重要な内容を確認する場合は、該当箇所の原文や出典も表示し、利用者自身が正式な文書を確認できるようにしておくことが大切です。

RAG導入を検討・スタートする4ステップ

RAGを導入する際は、必要なデータを整理したうえで特定の業務や部署に限定してRAGの有効性を検証し、効果を確認しながら対象範囲を広げていく方法がおすすめです。

具体的には、以下のステップで進めていくとよいでしょう。


  • ステップ1:データの仕分けとクレンジング
  • ステップ2:特定部署での小規模検証(PoC)
  • ステップ3:導入アプローチ(実装手法)の選定
  • ステップ4:継続的なメンテナンス体制の構築

あらかじめ導入の流れを理解しておくことで、必要な準備や検証内容を整理しやすくなり、自社に合ったRAGの導入方法を検討しやすくなります。

ステップ1:データの仕分けとクレンジング

RAGの回答精度は、LLMの性能だけでなく、参照する文書やデータの品質にも大きく左右されるため、検索対象となるデータを整理しましょう。

古い情報や誤った情報が含まれていると、それをもとに不正確な回答を生成する可能性があるため、注意が必要です。

まずは、PDFや社内規定、FAQ、業務マニュアルなどからRAGで利用したい資料を選びます。そのうえで、古い文書や重複しているデータ、誤った情報などを取り除き、内容を整理します。

必要な情報を検索しやすくするために、長い文書を適切な長さに分割する作業も必要です。データの更新日や閲覧できる社員の範囲なども整理しておくと、導入後の情報更新やアクセス権限の管理も進めやすくなります。

ステップ2:特定部署での小規模検証(PoC)

データを整理したら、対象となる部署や業務を限定して、小規模な検証からはじめます。本格導入の前に小さな範囲で効果や実現可能性を確かめる取り組みをPoC(概念実証) と呼びます。

たとえば、人事部の社内規定に関する質問対応や情報システム部門のマニュアル検索など、対象となる業務をひとつに絞って試してみましょう。

実際の業務で想定される質問を入力し、必要な情報を正しく検索できるか、その情報をもとに適切な回答を生成できるかを確認します。回答の正確さだけでなく、回答にかかる時間や利用コストも確認しておくことが大切です。

小規模な検証で課題を把握できていれば、改善したうえで本格導入へ進められるため、導入後の失敗や手戻りを減らしやすくなります。

ステップ3:導入アプローチ(実装手法)の選定

PoCでRAGの有効性を確認できたら、自社の用途や環境に合った導入方法を選びましょう。

RAGの構築方法には、クラウドサービスやAPIの組み合わせ・既存の検索システムの活用・自社環境でのシステム構築など、さまざまな選択肢があります。どの方法が適しているかは、扱うデータの機密性や必要な機能、開発にかけられる人員や予算によって異なります。開発のしやすさや回答速度、導入・運用コストなどを比較し、自社の条件に合った方法を選ぶことが重要です。

ステップ4:継続的なメンテナンス体制の構築

RAGは、一度構築すれば終わりというものではなく、導入後もデータの更新や回答品質の確認を継続する必要があります。

検索対象となる資料が古くなったり、社内ルールが変更されたりすると、RAGが古い情報をもとに回答してしまう可能性があるため、注意が必要です。

また、利用者が増えることで、導入時には想定していなかった質問が出てくることもあります。誰が文書を更新するのか、どのタイミングでデータを入れ替えるのかといった運用ルールをあらかじめ決めておくことが大切です。

あわせて、実際の質問と回答を定期的にチェックし、必要な情報を正しく検索できているか、参照した情報に沿って回答できているかを確認しましょう。問題が見つかった場合は、登録するデータや文書の分け方や検索方法、LLMへの指示内容などの見直しが必要です。

継続的に改善する体制を整えることで、RAGの回答品質を維持しやすくなります。

まとめ

RAGを活用すれば、LLM単体では対応できない社内情報や最新情報を参照しながら、質問に応じた回答を生成できます。社内FAQやマニュアル検索、カスタマーサポートなど、さまざまな業務への活用が可能です。

ただし、RAGを導入するだけで正確な回答が保証されるわけではありません。データの整理や回答品質の検証、適切なアクセス権限の設定などが必要です。

まずは活用する業務を限定し、実際の質問を使って効果や課題を確認するとよいでしょう。

よくある質問

RAGを使えば誤回答は完全になくなりますか?

RAGを導入しても、検索結果に適切な情報が含まれていなかったり、LLMが取得した文章を誤って解釈したりする可能性が残るため、誤回答を完全になくすことはできません。

検証段階では、必要な情報を検索できているか、取得した根拠に忠実な回答になっているか、質問に対して適切な回答になっているかを評価する必要があります。

重要な業務では出典を表示し、利用者が原文を確認できるようにするほか、回答できない場合に無理に生成させない仕組みの構築や人による確認を組み合わせる方法が有効です。

RAGの構築・運用にはどの程度の費用がかかりますか?

RAGの構築・運用費用は、扱うデータ量や利用者数、LLM、検索基盤、開発方法によって大きく変わるため、一律の金額で示すことはできません。

主な費用としては、以下のようなものがあります。


  • データの整備にかかる費用
  • システム開発にかかる費用
  • LLMをAPIで利用する費用
  • 文章を検索用のデータに変換する処理の費用
  • 検索用データベースやサーバーの運用費用
  • ローカル環境で動かす場合、モデルを動かすためのコンピューターの計算資源にかかる費用

RAGの導入を検討する際は、対象の部署や文書を限定した小規模なPoCを行い、回答精度や利用頻度を確認したうえで、本番運用時に必要な処理量や保守作業を見積もる方法が適しています。

ローカルLLMを活用したRAGの構築は可能ですか?

ローカル環境で動作するLLMを利用し、RAGを構築することは可能です。

RAGは特定のクラウド型LLMだけに依存する仕組みではなく、検索した情報を入力として受け取り、回答を生成できるLLMと組み合わせられるためです。

社内環境でLLMや検索基盤を運用すれば、外部サービスへ送信するデータを抑えた構成も検討できます。

RAGを使うには、必ず「ベクトルデータベース」を新しく用意する必要がありますか?

RAGを構築するために、新しいベクトルデータベースを必ず用意しなければいけないわけではありません。

RAGは、質問に関連する情報を文書から検索し、その内容をLLMに渡して回答を作る仕組みです。関連する情報を探すための方法はいくつかあり、ベクトルデータベースはそのひとつにすぎません。

文章の意味を読み取って探す「ベクトル検索」は代表的な方法ですが、単語の一致で探すキーワード検索や、すでに社内で使っている検索エンジンを使う方法でもRAGを構築できます。

まずは既存システムの検索機能で十分な精度が出るかを確認し、精度が足りない場合にベクトルデータベースの追加を検討するという順番で進めるのがおすすめです。

RAGとファインチューニング(追加学習)の違いは何ですか?

RAGは、LLM自体を変えずに、質問時に外部の文書を検索して回答の材料にする仕組みです。

ファインチューニングは、LLMに追加データを学習させ、モデル自体を調整する方法です。

知識の更新が多い場合はRAG、回答の形式や特定タスクへの対応力を調整したい場合はファインチューニングが適しています。

AI freee。目指したものは、AIに最も選ばれるクラウドSaaS。詳しくはこちら

今なら30日間無料でお試し可能
登録はメールアドレスのみ