AIエンジニア向けの8つのRAGアーキテクチャ: (用法で説明) 1) ナイーブRAG ↳ クエリ埋め込みと保存された埋め込みのベクトル類似度のみに基づいて文書を取得。 ↳ 直接意味的マッチングで十分な単純で事実に基づくクエリに最適です。 2) マルチモーダルRAG ↳ 複数のデータタイプ(テキスト、画像、音声など)をモダリティ間で埋め込みと取得で処理します。 ↳ テキストクエリにテキストと画像の両方の文脈で答えるなど、クロスモーダル検索に理想的です。 3) HyDE(仮想文書埋め込み) ↳ クエリは文書と意味的に似ていません。 ↳ この手法は検索前にクエリから仮想の回答文書を生成する。 ↳ 生成された文書の埋め込みを使って、より関連する実際の文書を探す。 4) 矯正RAG ↳ 取得した結果を信頼できるソース(例:ウェブ検索)と比較して検証します。 ↳ 取得した内容をLLMに渡す前にフィルタリングや修正を行い、最新かつ正確な情報を確保します。 5) グラフRAG ↳ 取得したコンテンツをナレッジグラフに変換し、関係性やエンティティを捉えます。 ↳ LLMに対して生のテキストとともに構造化された文脈を提供することで推論を強化します。 6) ハイブリッドRAG ↳ 1つのパイプライン内で、密集ベクトル検索とグラフベースの検索を組み合わせます。 ↳ より豊かな回答を得るために、非構造化テキストと構造化リレーショナルデータの両方を必要とするタスクに有用です。 7) 適応RAG...