LLM自体の性能が飛躍的に向上した今、RAGに求められることとは

本記事では、RAG（Retrieval-Augmented Generation）の仕組みと役割、そして今もなお注目されている理由を紹介します。
最近のLLMは大幅に進化し、昔と比べて多くの問いに正確に答えられるようになってきました。そのため「本当にRAGは必要なのか？」という声も出ています。

それでも、外部の知識を取り込むことで補えることがまだ多くあります。この記事では、RAGの基本的な考え方を振り返りながら、現在の課題と今後に向けて期待される改善の方向をわかりやすく整理します。

背景

RAGとは、ユーザーが質問をすると、まず外部のデータベースから関連する情報を検索し、その検索結果をLLMに渡すことで、より正確で最新の回答を生成させる技術です。仕組みはシンプルです。たとえば「昨日発表された新しい法規制について教えて」と尋ねたとします。LLMは過去のデータで学習しているため、昨日の出来事は知りません。しかし最新のニュース記事や公式文書を検索し、その内容をLLMに読ませてから回答を作る仕組みを作ることは可能で、そうした「検索＋生成」をRAGと言います。

RAGの研究は、この数年で大きく進化しました。初期のRAGは「検索して、結果をそのまま渡す」だけのシンプルなものでした。しかし現在では、たとえばユーザーの質問を分析して検索に最適なキーワードに言い換える技術がでてきたり、また、単なるキーワード検索ではなく質問の意味を深く理解した検索も可能になったりしてきました。

ところが、ここにきて興味深い問題が浮上しています。最新のLLMは、以前のモデルと比べて格段に賢くなっており、RAGなしでも多くの質問に正確に答えられるようになってきたのです。すると当然、「そもそもRAGは本当に必要なのか？」という疑問が生まれます。

実際、RAGにも課題があります。例えば、LLMがすでに知っていることと知らないことの境界線が曖昧なため、必要ない場面でも検索してしまうことなどがあります。

それでも、RAGが今でも欠かせない場面はたくさんあります。一例として、企業の社内文書や個人のメモなど、外部に公開されていない情報を扱う際には重宝します。

こうした状況を踏まえて、RAGの現状と課題を包括的に見直した調査を取り上げます。RAGが抱える弱点を明らかにしながら、同時に、進化し続けるLLMを補完するうえでRAGが今でも果たせる独自の役割を深堀りしていきます。