生成AIインデックス｜ロジカル・アーツ株式会社

生成AIインデックス

RAG（検索拡張生成）

社内データの活用を目的としたRAG
（Retrieval-Augmented Generation）

RAGの回答品質向上に向けた技術検証例①

RAGの回答品質向上に向けた技術検証例②
マルチモーダル対応

マルチモーダルな資料への対応の重要性
資料には文章だけでなく、図や表、写真などさまざまな形式の情報が含まれています。これを「マルチモーダル」と言います。

AIがこれら全てを理解できるようになると、資料の内容をより正確に把握し、活用できます。
例えば、製品マニュアルでは、文章だけでなく設計図や画像もAIが理解することで、より詳しく正確な情報提供が可能になります。

RAGが図や表に弱い理由
RAGは、テキストを元に情報を検索し、回答を生成する技術です。
しかし、図や表のような視覚情報を直接処理するのは苦手です。

これは、RAGが主にテキストベースで設計されており、数値が並んだ表などをそのまま理解するのが難しいためです。

メタデータを用いてRAGの精度を向上させる方法
AIが図や表をより正確に理解できるようにするために、「メタデータ」を活用する方法があります。

メタデータとは、図や表の内容を説明する補足情報のことです。
例えば、「この表は2023年の売上推移を示している」といった説明を付けることで、AIがより正しく解釈できるようになります。

適切なメタデータを付与することで、RAGの精度を向上させることが可能です。

Advanced RAG（高度な検索補助生成）

検索精度を向上させる2つのポイント

必要な情報をしっかり探し出すこと
見つけた情報の中から、回答に適した部分を AI に正確に伝えること

RAGが図や表に弱い理由
検索前処理（pre-retrieval）

検索システムを最適化（インデックス構造の改善）
検索キーワードの最適化（クエリの改善）

検索後処理（post-retrieval）

情報のランク付け（関連性が高いものを優先）
情報の圧縮・最適化（AIが理解しやすい形に要約）

これらの工夫により、AI（大規模言語モデル、LLM）に与える情報がより的確で簡潔になり、結果として回答の質が向上します。

プロンプトエンジニアリング最適化

【事例1】プロンプトエンジニアリング

プロンプトエンジニアリングは、 AIに正確で有用な回答を得るために必要な指示（プロンプト）を設計する技術です。適切な質問や指示を与えることで、AIの性能を最大限に引き出し、ビジネスの課題解決や業務効率化をサポートします。この技術により、 AIをより効果的に活用できるようになります。

議事メモから議事録を生成した例

【事例1】プロンプト作成テクニックの一例

プロンプトエンジニアリングとは、AIに対してどのように質問や指示を出すかを工夫する技術です。これを上手に行うことで、AIから望んだ答えを正確に得ることができます。その基本を解説している有名な資料が「Prompt Engineering Guide」です。この資料ではプロンプト（AIへの指示）の重要な４つのポイントが紹介されています。

① 命令・指示

AIに「何をしてほしいのか」を明確に伝える部分です。シンプルで分かりやすい指示が鍵です。

② 背景・文脈

AIが正しい判断をするために、必要な背景情報や状況を教えることが大切です。

③ 入力	AIが判断するためのデータや質問の内容そのものを入力します。

④ 出力形式

AIにどんな形で答えてほしいか（文章で説明してほしいのか、リストで欲しいのか）を決めます。

AWSを用いたRAGシステム構成例

AWSに構築された生成AIを利用したRAGシステムのアーキテクチャ例です。 LangChainを使用して大規模言語モデル（LLM）と連携し、ユーザーのリクエストに応じたテキスト生成を行う仕組みです。

各コンポーネントの役割

ユーザーと
API Gateway
1. ユーザーはAPI Gateway 経由でシステムにアクセス
2. リクエストを AWS Lambdaへ転送
AWS Lambda
(上部の処理フロー)
1. リクエストを処理し、 LangChain経由でLLM(大規模言語モデル)を呼び出し
2. リクエストに応じたテキストを生成
ユーザーと
API Gateway
1. 検索精度を向上させるため、データをベクトル化
2. 検索キーワードに対して最適な情報を検索