社内の文書から答えを探すRAGは、どこに文書をしまっているのか。生成AIパスポート第3章で問われるベクトルデータベースは、文章を埋め込み(ベクトル)に変えて保存し、意味の近さで検索できる専用のデータベースです。普通のデータベースとの違いと、RAGでの役割を整理します。なお、この記事の問題例は主催団体の公式問題ではなく、シラバスに沿って作ったオリジナルの練習問題です。
普通のデータベースと何が違うのか
普通のデータベースは、キーワードが完全に一致する行を探すのが得意です。たとえば商品番号や日付のように、決まった項目で絞り込む検索に向いています。一方で、「言い方が違うけれど意味は同じ」文章は見つけにくいという弱みがあります。「休暇の取り方」と書かれた文書は、「有給休暇の申請方法」という質問文とは文字が一致しないため、キーワード検索では漏れてしまうことがあります。
ベクトルデータベースは、文章そのものではなく、文章を数値化したベクトルを保存します。質問文も同じ方法でベクトルに変え、保存されたベクトルの中から向きが近いもの、つまりコサイン類似度が高いものを取り出します。文字の一致ではなく意味の近さで探せる点が、最大の違いです。
RAGの中での役割
RAGの流れは大きく3つです。まず事前準備として、対象の文書を小さく区切り、それぞれを埋め込みモデルでベクトルに変えてベクトルデータベースに入れておきます。次に利用者が質問すると、質問文をベクトルに変え、ベクトルデータベースから意味が近い文書の断片を数件取り出します。最後に、取り出した断片と質問文を合わせて大規模言語モデルに渡し、根拠のある回答を作らせます。
試験では、この順番を入れ替えた選択肢や、「ベクトルデータベースが回答文そのものを作る」という説明がひっかけで出ます。回答文を作るのは大規模言語モデルで、ベクトルデータベースの仕事は「近い文書を探して渡すこと」までです。役割の線引きを押さえておくと、順番問題にも対応できます。
近似検索という考え方
ベクトルデータベースでは、すべてのベクトルと1つずつ正確に比べるのではなく、近いものを速く見つける近似検索という手法がよく使われます。わずかな精度と引き換えに、大量の文書の中からでも短い時間で候補を返せるようにする工夫です。「大量の文書を高速に検索できる」という説明が出たら、ベクトルデータベースと近似検索を結びつけて考えると整理しやすくなります。
注意点もあります。元の文書が古ければ、検索で取り出す断片も古くなります。ベクトルデータベースに入れた文書を更新しなければ、RAGの答えも古い情報に基づくことになります。「RAGを入れれば情報は自動で最新になる」という説明は誤りです。文書の更新は運用側の仕事として残ります。
確認問題
問1.ベクトルデータベースが普通のデータベースと比べて得意なことは何か。
答え:文章をベクトルとして保存し、キーワードの完全一致ではなく意味の近さ(コサイン類似度など)で文書を検索できることです。
問2.RAGでベクトルデータベースが担う役割はどこまでか。
答え:質問と意味が近い文書の断片を検索して取り出すところまでです。回答文を作るのは大規模言語モデルの役割です。
まとめ
ベクトルデータベースは「意味で探すための保管場所」です。埋め込みで作ったベクトルを保存し、質問に近い断片を返すのが仕事で、回答そのものは作りません。RAGの3ステップ(入れておく、探す、渡して作らせる)とセットで覚えると、第3章の得点につながります。
※この記事は生成AIパスポートの出題範囲に沿って作成した解説で、公式問題ではありません。試験の最新情報は主催団体の公式サイトでご確認ください。生成AIパスポートの直前対策には『生成AIパスポート 直前7日ドリル』がおすすめです。