生成AIパスポート 用語解説
RAG（検索拡張生成）とは
外部の知識（ベクトルデータベース等）を検索し、その結果を文脈に加えて回答精度を高める手法。モデルの再学習はしない。
まず押さえる結論
RAG（検索拡張生成）は、生成AIパスポートの「第3章 現在の生成AI（ジェネレーティブAI）の動向」で確認しておきたい用語です。 定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
- RAGとファインチューニングの混同。RAGは外部知識（ベクトルデータベース）を検索して文脈に加える手法で、モデルの再学習はしない。ファインチューニングは追加学習。
- ディープフェイクと偽情報（ディスインフォメーション）の区別。前者は人物の映像・音声を本物のように偽造する技術、後者は意図的に作られ拡散される偽情報そのもの。
- 生成物の種類の取り違え。Soraは動画、Image Generationは画像、音声生成AIは音声。名前ではなく生成する対象で見分ける。
関連する確認問題
第3章 現在の生成AI（ジェネレーティブAI）の動向 / RAG（Retrieval Augmented Generation、検索拡張生成）
RAG（検索拡張生成）で外部の文書を回答に活用するときの処理の流れとして、最も適切なものはどれか。
RAGでは、参照したい文書をあらかじめ小さな単位（チャンク）に分割してベクトルデータベースに格納しておき、質問が来るとそれに関連する部分を検索して文脈に加え、その内容をもとに回答を生成する。先に回答を生成してから保存し検索を行わないとする流れは順序が誤りで、外部文書を使わずモデル内部の知識だけで答えるとする説明はRAGの前提に反する。パラメータを追加学習で更新するのはファインチューニングであり、検索の土台となるベクトルデータベースを削除するという流れも誤りである。
第3章 現在の生成AI（ジェネレーティブAI）の動向 / RAG（Retrieval Augmented Generation、検索拡張生成）
RAG（検索拡張生成）の導入によって期待できる効果として、最も適切なものはどれか。
RAGは検索で取得した実在の文書を根拠として回答を生成するため、出典を確認しやすく、事実と異なるもっともらしい出力（ハルシネーション）を抑えやすくなる。モデルのパラメータ数や学習の電力消費はRAGでは変わらない。また、計算の正確性は検索で補える性質の課題ではないため、RAGを導入しても解決しにくい。
第3章 現在の生成AI（ジェネレーティブAI）の動向 / RAG（Retrieval Augmented Generation、検索拡張生成）
RAG（検索拡張生成）を導入しても解決しにくい課題はどれか。
RAGは外部知識の「検索」で回答の材料を補う手法であるため、最新情報への対応・組織固有情報にもとづく回答・根拠の提示はいずれも得意とする領域である。一方、数値計算の正確性は検索で補える性質の課題ではなく、テキスト生成AIが正確な計算を不得意とする弱点はRAGを導入しても残る。
同じ章で確認したい用語
到達チェック
- RAG（検索拡張生成）を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、RAG（検索拡張生成）に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる