「AIが嘘をつく」と嘆く前に。生成AIにカンニングペーパーを渡す技術「RAG」を完全図解
※本ページはプロモーションが含まれています
【この記事でわかること】
- AIに社内データを「学習（Fine-tuning）」させてはいけない。
- RAG（ラグ）とは、AIに「カンニングペーパー（社内資料）」を渡す技術。
- 難解な「ベクトル検索」は、「図書館の司書さん」だと思えば理解できる。
はじめに：AI社員の「知ったかぶり」問題
前回の記事で、Amazon BedrockなどのAIサービスを「優秀な社員」と紹介しました。 しかし、彼らを現場に投入すると、すぐに致命的な問題に直面します。
「うちの会社の就業規則について教えて」 と聞くと、彼らは平気な顔でこう答えます。 「はい！ 貴社の就業規則では、週休3日制が導入されており、ランチ代は全額支給です」
……そんなわけないですよね。これが「ハルシネーション（もっともらしい嘘）」です。 彼らは「一般常識（インターネットの情報）」は天才的に知っていますが、「あなたの会社のことは1ミリも知らない」のです。
今日は、このポンコツ天才社員を「即戦力」に変える魔法の技術、RAG（Retrieval-Augmented Generation） について図解します。
1. 「再教育」するな、「教科書」を渡せ
多くの人がやりがちな間違いがこれです。 「AIが社内のことを知らないなら、追加で学習（Fine-tuning）させればいいんじゃない？」
これは、新入社員に辞書を丸暗記させるようなものです。 コストも時間もかかる上に、就業規則が1行変わるたびに、また脳みそを改造（再学習）しなければなりません。
そこで登場するのが RAG（ラグ） です。 発想を逆転させましょう。 「覚えさせる」のではなく、「マニュアルを見ながら答えていいよ（オープンブック試験）」にするのです。
▼ 【図解】ファインチューニング vs RAG
RAGなら、資料を置き換えるだけで情報の更新が完了します。圧倒的に楽で安いのです。
2. RAGの裏側：「司書さん」の仕事
RAGの仕組みで一番難しいのが、「どうやってAIが膨大な資料の中から、必要な1ページを見つけてくるのか？」という点です。 ここで使われるのが「ベクトル検索」という技術です。
これを「図書館」に例えてみましょう。
-
質問: あなたが「交通費って出る？」と聞きます。
-
キーワード検索（従来）: 「交通費」という単語が含まれる本を探します。→「交通費精算書」はヒットするけど、「旅費規定」はヒットしないかもしれません。
-
ベクトル検索（AI）: 質問の「意味（ニュアンス）」を理解する「司書さん」がいます。
- 「『交通費』ってことは、移動のお金の話ね」
- 「それなら、この『旅費規程』という本の、第3条に書いてあるわよ」
この「意味で探す」技術のおかげで、表記ゆれがあっても、AIは的確なカンニングペーパーを見つけ出せるのです。
▼ 【図解】RAGの処理フロー（図書館モデル）
3. これを5分で作れる「Knowledge Bases for Amazon Bedrock」
「仕組みはわかったけど、そんな高機能な図書館（ベクトルデータベース）を作るなんて無理...」
そう思ったあなた。朗報です。 AWSには「Knowledge Bases for Amazon Bedrock」というサービスがあります。
これは、「PDFをS3に放り込むだけで、勝手にベクトル化して、検索できる状態にしてくれるフルマネージド図書館」です。
-
面倒な設定: 不要
-
インフラ管理: 不要
-
やること: S3バケットを選んで「同期」ボタンを押すだけ。
これを使えば、エンジニアでなくても、「自社専用の最強AIチャットボット」が本当に5分で作れてしまいます。
おわりに：AIは「知能」、データは「知識」
これからのAI開発の常識はこうなります。
- AI（LLM）: 考える力（知能）。AWSから借りてくる。
- RAG: 知っていること（知識）。自分たちで用意する。
「AIが賢くない」と嘆く前に、彼らに適切な「教科書（データ）」を渡してあげてください。 そうすれば、彼らはあなたの最強のパートナーに変わります。
📚 RAGを本気で実装したい方へ
「概念はわかった。で、Pythonでどう書くの？」 「LangChainとかLlamaIndexってやつと、AWSはどう組み合わせるの？」
そんな実装レベルまで踏み込みたい方には、こちらの書籍が決定版です。 Bedrockを使ったRAGの構築パターンが、コード付きで解説されています。
▼ Amazon Bedrock 生成AIアプリ開発入門
Discussion