RAGってなに？生成AIのプロンプトエンジニアリングの限界を突破する方法。
ChatGPTなどの生成AIを扱うと、初期の段階で「あれもこれもプロンプトに入れたい」という欲求にかられるのではないでしょうか。たとえば自社の顧客について聞こうと思っても当然ChatGPTはそれを知らないので先に教える必要があります。今までの顧客とのやりとりを全てプロンプトにいれようと思っても数千文字で限界が来ます。（最近は数万文字も可能ですが、本来必要のない文章を処理することにその分コストと時間がかかります）
そこで注目されているのが「Retrieval-Augmented Generation（RAG）」です。これは
- キーワード検索ではなく、文脈による情報の取得（Retrieval）を行う
- その結果をベースに回答を生成（Generation）する
という技術を組み合わせることで、業務の効率化に革命をもたらす可能性を秘めています。特に、小規模なECサイトを運営する企業にとって、RAGは日々の業務を大きく変える力を持っています。なぜでしょうか？それはRAGを使うことで実質的に無制限に生成AIに情報を与えることができるからです。
特に人材の確保が難しく、またノウハウが属人化しやすい中小企業。RAGを使うことで社内の一番のスペシャリストとなるAIを作成することは組織課題を解決する方法の一つでもあります。
RAGとは何か？
まずは用語の理解から始めましょう。Retrieval Augmented Generation (RAG) は、大規模言語モデル（LLM）と外部データベースや情報源を結合するための新しい技術です。特に質問応答（QA）システムや自然言語処理（NLP）タスクでの性能向上が期待されています。RAGの基本的な動作は、外部のデータベースから関連する情報を「取得」（Retrieval）し、それを基に回答を「生成」（Generation）することです。このプロセスは、LLMが持つ「生成」の能力と外部データベースの「取得」能力を組み合わせて実現されます。
具体的な応用例として、デロイトトーマツがRAG技術を要約業務に実装した例があります。ここでは、RAGはデータベースに保管した社内データを生成AIモデルが参照し、自社固有の回答を生成する仕組みとして使用されています。ユーザーが入力したプロンプトに基づき、生成AIモデルが社内データベースや外部データソースを検索し、得られた情報を基に回答を生成しています。これにより、ビジネスにおける意思決定の質と速度が飛躍的に向上します。
RAGが小規模企業にもたらすメリット
次に具体的なメリットについて。「じゃあ社内データが沢山ある大手企業の勝ちだな」と思われた方は少し待ってください。たとえば小規模なECサイト運営では、顧客の問い合わせ対応、商品説明の作成、市場分析など、多くの業務が長文の作成や情報抽出に費やされています。
例えばある顧客のトラブルにおいて、その顧客が今までどのような購入履歴があるのか、以前にも似たトラブルはあったか、それはどうやって解決されたかなどを一瞬で答えてくれるボットがあったらどうでしょうか。また、商品の資料を大量に読み込ませてそこからEC上に商品登録してくれたら？大量のレポートから「今後売れる商品は何か？それはなぜか？」のような洞察を導いてくれたら？
大きな企業でなくとも私たちの仕事は多くのテキストで成り立っています。あまりに長いテキストはプロンプトにいれることはできませんが、RAGなら読み込んで活用することができます。
RAGを利用することで、これらの作業を高速かつ正確に行うことができ、人手不足や時間の制約に悩む小規模企業にとって大きなメリットをもたらします。
RAGを導入してみよう！
それでは実際にRAGを触ってみましょう！一番簡単なRAGの導入の仕方はChatPDFのようなサービスを使うことです。PDFをアップロードしてそのままチャットができます。
もしChatGPTの有料版を使っていらっしゃる方はGPT4で既にファイルをアップロードしてそれをベースに対話することも可能です。
実際にシステムを開発する際はLangchainやLlamaindexといったフレームワーク等でつくることができます。すこし技術的ですがエクセルなどのデータを読み込ませるシステムはこのように作ることが出来ます。
Langchainでpythonのデータ分析を自然言語でできるアプリをつくる
実践例 1：自社の商品カタログ（PDF)を使ったRAGの活用方法
一つ目の事例は商品カタログを使った顧客サービス補助システムです。自社で作成した商品カタログのPDFをRAGシステムに読み込ませることで、顧客からの特定の問い合わせに対して、即座に関連する商品情報を提示できます。これにより、顧客サービスの質が向上し、同時に業務効率も大幅に改善されます。具体的には以下のようなステップで実装することができます。
PDFの準備とシステムへのインプット: まず、自社で作成した商品カタログのPDFを準備します。このPDFには、商品の詳細情報、価格、使用方法、画像など、顧客が知りたいと思うであろう情報が網羅されていることが重要です。
RAGシステムへの統合: 次に、このPDFをRAGシステムに統合します。RAGシステムは、質問に対して最も関連性の高い情報をPDFから検索し、それを元に回答を生成する能力を持っています。多少技術的な説明はこちらにも詳しく載せています。
顧客からの問い合わせへの対応: 顧客から特定の商品に関する問い合わせがあった場合、RAGシステムはカタログPDFから関連する情報を即座に検索します。例えば、「この製品は防水機能がありますか？」という質問に対しては、製品の防水機能に関する記載部分を抽出して回答します。
顧客サービスの向上と業務効率の改善: このシステムにより、顧客からの問い合わせに対する迅速かつ正確な回答が可能になります。これによって、顧客サービスの質が向上し、従業員が手作業で情報を検索する時間が削減されるため、業務効率も大幅に改善されます。
もちろん従業員が検索するよりも顧客が直接ボットに対して聞くほうが速いかもしれません。しかし確実性を担保しようと思うと現状の現実解は従業員のアシスタントとして、というのが一般的です。
実践例 2：収集したアンケートを使ったRAGの活用方法
二つ目の事例はアンケートの分析です。別記事でも紹介していますが、集めたアンケートから改善点を得るプロセスもRAGを使うと非常に早く簡単になります。
特にアンケートの自由筆記部分などのデータを構造的なデータにすることは得意です。
たとえば「非常に楽しかったが、最初のほうは冗長だった」という文章を、
- 楽しさー５
- イントロダクションー１
といった点数に直すこともできます。これを大量のアンケートに対して行ってデータを整理することで、改善案の提案を行ってもらうことができます。
長期的な経営戦略としてのRAG
まとめると、属人的な仕事、定型的な仕事はRAGによってDXすることが可能です。その理由はプロンプトとは違い、RAGを使えば実質的に無制限の情報を生成AIに与えることができるからです。
これを機に、企業のデジタルトランスフォーメーションを進め、長期的な競争力を確保することが可能です。RAGを業務プロセスの改善や新たなビジネスチャンスの創出に活用しましょう。
＊この記事は生成AIによって半自動的に生成しています。
大好評！「マーケティングのための生成AI活用大全」のダウンロードはこちらから
弊社ではChatbotの開発や生成AIを活用した記事作成なども行っています。弊社の具体的な事例もありますのでご興味がある方はこちらからご覧ください。
また生成AI活用のイメージが湧かない、課題感はあるが言語化できていないという方はお気軽にこちらからお問合せください。
