技術

RAG (Retrieval-Augmented Generation)

RAG(Retrieval-Augmented Generation)は、AIが回答を生成する前にウェブ上の情報を検索できるアーキテクチャです。固定されたトレーニングデータに限定されず、モデルは最新のコンテンツを取得し、分析し、統合してソース付きの回答を生成します。ChatGPTのウェブブラウジング機能、Perplexity、GoogleのAI OverviewsはすべてRAGを使用しています。

RAGの仕組み

プロセスは3つの段階で構成されます:

1. クエリの分析: AIがユーザーの質問を検索意図に分解します。

2. 取得(Retrieval): システムが検索エンジン(ChatGPTの場合はBing、Perplexityの場合は独自インデックス)にクエリを送信し、最も関連性の高い抽出内容を取得します。

3. 拡張生成: AIが取得した情報を既存の知識と統合し、一貫性のある回答を生成します。

なぜRAGが可視性を変えるのか

RAGは、LLMに対するあなたのアクションの窓口です。モデルのトレーニングデータを遡って変更することはできません。それは固定されています。しかし、取得システムに選ばれるようにコンテンツを最適化することは可能です。

Bingが戦略的になる: ChatGPTはRAGにBingを使用しています。Bingでのあなたのポジショニングは、ChatGPTの回答におけるあなたの可視性に直接影響します。

コンテンツの構造が重要: RAGはページ全体ではなく、パッセージを抽出します。自己完結型のブロックを持つ適切に構造化されたコンテンツが選ばれる可能性が高くなります。

RAG vs トレーニングデータ

側面トレーニングデータRAG
時間性特定日付で固定リアルタイム
コントロールほぼゼロ最適化可能
引用ソースなしが多いソースが表示される
アクション期間数ヶ月/数年数週間
AIの回答で、担当するブランドはどのように紹介されていますか?

代理店、コンサルタント、社内チーム向け。独自のシナリオと選択した言語・モデルで得られた回答を比較できます。私たちのインフラと、皆様のシナリオ・専門知識を組み合わせてください。

さらに詳しく

このテーマを掘り下げた記事をご覧ください

Lire l’article