RAG、色んな問題に顔を出しすぎ問題

こんにちは、YASUです。

AWS AI Practitionerの模擬試験を進めていて、今日ふと気づいたことがあります。検索拡張生成(RAG)という言葉が、全然テーマの違う問題に、ダミー選択肢としてやたら登場してくるんです。

今回はその実例を3つ並べて、RAGの本来の役割をあらためて整理してみます。

結論

RAGの役割は「外部の知識を検索して、それを回答の材料に使う」、この一点だけです。データを増やす話でも、何かを新しく生成する話でもありません。

ケース1:ナレッジベース検索の言い換えパターン

Bedrockナレッジベースを使ってドキュメント検索を実施したい、という問題でRAGを選びましたが、不正解でした。

問題文をよく見ると、ナレッジベースを使って検索する仕組み自体が、すでにRAGそのものでした。つまり「RAGを利用する」は、問題文の内容をそのまま言い換えただけで、新しい対応策になっていませんでした。正解は、ナレッジベース内の自動生成クエリフィルター機能で、検索精度をさらに上げる具体策でした。すでに使っている土台の名前を、もう一度答えとして選んでしまった形です。

ケース2:画像生成タスクへの紛れ込み

画像データを使って新しい画像を生成したい、という問題でもRAGが選択肢に混ざっていました。正解は敵対的生成ネットワーク(GAN)でした。

RAGは、外部知識を検索して回答の材料に使う仕組みであって、新しい画像を一から作り出す仕組みではありません。生成タスクの選択肢としては、そもそも的外れでした。

ケース3:データの偏り対策への紛れ込み

クラス不均衡(データの数に偏りがある状態)を解消したい、という問題でも「検索拡張生成(RAG)によるデータ拡張」という選択肢が混ざっていました。正解は、クラス不均衡に対するデータ拡張の実施でした。

RAGは検索して回答を作るための仕組みであって、学習データの数を水増ししたり、偏りを直したりする機能は持っていません。データの量や偏りの話に、RAGは関係ないというのが、あらためて整理できたポイントです。

まとめ

3つの問題を並べてみると、RAGという単語は「AIっぽい響きのある選択肢」として、テーマに関係なく紛れ込んでくることが分かりました。

RAGの本来の役割は「検索して、その結果をもとに回答を作る」という、この一点に尽きます。次にRAGが選択肢に出てきたら、まず「これは検索して回答する話なのか」を確認してから選ぶようにしたいと思います。

以上、YASUでした。