RAGの活用事例

1. 指摘事項を用いた改善フィードバック機構

1. 以下の3つを事前にVectorStore化

• FAQ.CSV
• 応答履歴.CSV
• 取扱説明書.PDF

2. 質問を受け取り、応答履歴から類似質問を検索

3. 類似質問に対して、文書から過去の回答を参照し回答生成

4. 生成した結果に対して内容が正しいかユーザが判断し、指摘事項があればVectorStoreを作成

5. 指摘内容を加味した応答履歴を参照できるようになる。

(今後の展望) ユーザがチェックするのではなく、正誤チェックもLLMが行うように学習することで、工数削減&ナレッジ蓄積を実現

2. 最新情報を自律的に更新し回答生成

在庫情報、○年前 など回答のタイミングによって出力内容が異なる場合

1. 質問を受け取り、文書から過去の類似質問、回答を参照し回答生成

2. 生成した回答内容をLLMが確認し情報を更新すべき場合に外部APIを呼び出し、実行

3. 基幹システムと連携したAPIから更新された情報を受け取り、生成回答に反映させる

4. 質問/回答時の時系列に沿った最終的な回答内容を出力する

ReActを用いたタスク推論、自律実行

1. 応答履歴から生成回答(過去情報)

2002年11月に廃止された商品で、現在は20年前の商品となります。

2. 生成した回答に更新すべきデータがないか、LLMが判断&実行

3. 関数を実行し、現在の情報を取得

2002年, 20年前(更新前) 2002年, 22年前(更新後)

4. 更新された情報をもとに最終的な回答を出力

3. metadataによるVectorStore検索

1. RAGで検索をかける前に、対象のキーワードをmetadata内でフィルタリング

2. フィルタの作成

   query「製品Aの後継機種を教えてください。」 filter: 製品A

3. metadataで絞り込みしたVectorStoreとPromptを用いて回答生成

4. ユーザの質問に類似する文書をより正確に取得できる