自動化のためのワークフロー生成における、ハルシネーションを低減するRAGシステムに関する研究について紹介します。

限られたリソースでも信頼性の高いLLMアプリケーションを構築するためにRAGの実装を工夫した取り組みです。

実験の結果、わずか110Mパラメータの小さなretrieverと7BパラメータのLLMを組み合わせるだけで、性能を損なうことなく実用的なシステムを構築できることが示されています。

背景

近年LLMの性能向上によって、自然言語による指示から、プログラミングコードなどの構造化された出力を、高精度に生成可能になってきました。

同様に、自然言語の指示から、構造化された「ワークフロー」を生成するアプリケーションも開発されています。ワークフローとは、ある一連の手続きの流れをシステム化したものです。

ビジネスの場では、このようなワークフローを用いて単純作業を自動化し、生産性を向上させる場面が多くあります。特に、最近では生成AIの活用によって、簡単な自然言語の指示だけで、非エンジニアでもワークフローを生成できると期待が高まってきました。

しかし、LLMには「幻覚（ハルシネーション）」という決定的な弱点があります。ハルシネーションとは、LLMが事実とは異なる出力を生成してしまう問題のことです。

その問題に対処するために、RAG(Retrieval-Augumented Generation)という手法が用いられてきました。RAGとは、外部の情報を検索し、その情報をもとにLLMが回答を生成するという手法です。ハルシネーションを低減させ、事実にもとづく出力が実現できるとされています。

本論文では、自然言語の指示からワークフローを生成するタスクにおいて、RAGを用いることでハルシネーションを減らし、より品質の高いワークフローを生成する方法が提案されています。

本研究では、ワークフローはJSON形式として表現され、各処理ステップがJSONオブジェクトとなります。下図は、テキスト指示と、それに対応するJSONドキュメントの例です。