大規模言語モデル (LLM) の学習データに含まれない知識（各社の特有の書類など）を踏まえてLLMに回答させる際に最早必須となってきたRAG (Retrieval-Augumented Generation)。 今回はそんなRAGのSurvey論文を元に、RAGの変遷や構成要素、新たに出てきた技術を俯瞰していきます。 Survey論文へのリンクはこちら arxiv.org RAGとは LLMはそれ単体で回答させると、質問によってはハルシネーションや学習時のデータにはなかった情報を生成時に加味できないといった問題から正しくない回答を生成することが多々あります。例えば世間一般に公開されていない自社の就業規則や業務標準についてをChatGPTに質問しても、正しい回答は得られません。 そのような問題への対応としてRAGが使われます。 「LLM単体で適切な回答を生成できないなら、ユーザーの質問を元に
*本 note は、Google がけんすうさんにインタビューした内容を編集して掲載しています。けんすうさんには、Gemini の改善や活用のための知見をいただくため、アドバイザーに就任いただいています。また、Gemini を含む生成 AI の利用に関する説明は例示を目的としています。実際の回答結果については、ご自身で正確性をご確認いただくようお願いいたします。 こんにちは。Google の AI「Gemini（ジェミニ）」の公式 note 編集部です。 今回は、Gemini アドバイザーのおひとり、古川健介さんのインタビューをお届けします。今注目の IT 企業アル株式会社の代表取締役を務め、けんすうという愛称で知られる古川健介さん。 早稲田大学在学中に掲示板サイト「したらば」の運営に携わり、ハウツーサイト「nanapi」の生みの親でもあるけんすうさんは、現在、大手出版社とともに漫画制作を
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
RAGのSurvey論文からRAG関連技術を俯瞰する - 元生技のデータサイエンティストのメモ帳
生成 AI とどう付き合うか？ けんすうさんに聞いてみた！｜Gemini - Google の AI