AIF生成AIの基礎
RAG（Retrieval-Augmented Generation）システムを構築する際、外部ドキュメントをベクトルデータベースに格納する目的と、その検索の仕組みとして最も正しい説明はどれですか？
AドキュメントをSQLデータベースに格納し、キーワードの完全一致検索でLLMへ渡す関連文書を特定する
（SQLデータベースにキーワード完全一致）は、RAGのセマンティック検索の仕組みではありません。
Bドキュメントをエンベディングモデルでベクトル化し、クエリとのコサイン類似度などでセマンティックに近い文書を検索する
✓ 正解
RAGではエンベディングモデルがテキストを高次元ベクトルに変換し、意味的に近い内容が近いベクトル空間上の位置に配置されます。検索時はクエリも同様にベクトル化し、コサイン類似度などでセマンティック検索を行います。これにより「単語は違うが意味が近い」文書も発見できます。
CドキュメントをLLMに直接ファインチューニングデータとして学習させ、知識をモデルパラメータに組み込む
（LLMに直接ファインチューニング）はモデルパラメータ自体を更新するアプローチで、RAGとは根本的に異なります。
Dドキュメントをハッシュ値に変換し、クエリのハッシュと完全一致するチャンクをLLMのプロンプトに追加する
（ハッシュ値に変換）はセマンティック検索に対応していません。ハッシュの完全一致では意味的に類似した異なる文書を検索することができません。
解説
選択肢B（エンベディングモデルによるセマンティック検索）は、RAGの中核となる仕組みです。エンベディング（Embedding）モデルがテキストを高次元ベクトルに変換し、意味的に近い内容が近いベクトル空間上の位置に配置されます。クエリも同様にベクトル化してコサイン類似度などでセマンティック（意味的）に近い文書を検索することで「単語は異なるが意味が近い」文書も発見でき、Amazon Bedrock Knowledge Basesはこの仕組みをマネージドで提供します。
選択肢A（SQLデータベースにキーワード完全一致）はRAGのセマンティック検索の仕組みではありません。キーワードが完全一致しない関連文書を発見できず、RAGの主要な利点を活かせません。
選択肢C（LLMに直接ファインチューニング）はモデルパラメータ自体を更新するアプローチで、RAGとは根本的に異なります。外部ドキュメントの動的な検索・参照には対応していません。
選択肢D（ハッシュ値による完全一致）はセマンティック検索に対応していません。ハッシュの完全一致比較では類似した意味を持つ異なる文書の検索が不可能です。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →