企業データを使用して生成 AI を強化する

RAG は、組織のデータに対して生成 AI を使用して価値を創出したい人にとって不可欠な頭字語です。 この重要な概念と、ビジネスで変化をもたらすための最良のアプローチをインタビュー形式で振り返ります。 😉

RAG とは何を意味し、どのように使用されますか?

ミック・レヴィ： RAG は、「検索拡張世代」の英語の頭字語です。 これは、企業固有のデータに基づいて生成 AI の結果を最適化する最も実用的な方法です。

さらに、特に生成AI 大規模言語モデル (LLM)、あらゆる分野において、あらゆる質問に対してもっともらしい答えを提供するように設計されていますが、必ずしも正しい答えであるとは限りません。 これらは幻覚と呼ばれ、組織における AI の一般化における最大の問題となります。

確かに、私たちが望んでいるからには、 生成AIを使用する 公的機関や企業では、モデルがその組織にとって特に役立つ質問に確実に答えることができることが不可欠です。 これを行うには、これらの非常に広範なモデルを組織の特定のニーズとデータに絞り込む必要があります。 それが RAG で実現できることです。

どうやって ？ 1 つ以上の参考文書を LLM に添付し、主にこの知識ベースに焦点を当てて応答するよう依頼します。 したがって、LLM によって取得される他のすべての一般データよりも組織データを重視します。

RAG が、生成 AI によって提供される結果を最適化するための最も興味深いアプローチであるのはなぜですか?

ミック・レヴィ： 実際、RAG は LLM 応答をパーソナライズする唯一の方法ではありません。 実際には次の 4 つがあります。

1. ル・プロンプト・エンジニアリング、LLM との話し方を改善し、LLM がそこからインスピレーションを得ることができるように、期待される回答の例を示します。 次に、1 回のショットまたは数回のショットについて話します。
2. RAG アプローチでは、 LLM には文書が提供され、主にこれらの文書に含まれる情報に基づいて回答を作成するよう求められます。
3. 微調整これは、LLM の機能をより深く掘り下げて、特にその機能をガイドするさまざまなパラメーターの重み付けを確認することで構成されます。
4. 独自の AI モデルを作成する 原動力 : 世界中の少数のプレイヤーのみがアクセスでき、ほとんどの組織にとっては手の届かない、役に立たないソリューションです。

データ資産を最大限に活用し、特定の価値を生み出したい企業にとって、RAG アプローチは明らかに最適です。

データ資産を最大限に活用し、特定の価値を生み出したい企業にとって、RAG アプローチは明らかに最適です。 それは同時に、最も効率的、最速、そして最も信頼性があり、ある意味で最も王様です。

RAGの応用例は？

ミック・レヴィ： 例は非常にたくさんあります。 私たちは、知識ベースや文書に依存する必要がある活動が存在する場所をどこでも探す必要があります。 たとえば、アドバイザーがナレッジ ベース情報と以前に解決されたすべてのサポート チケットに簡単にアクセスできる必要があるサポート サービスの場合です。

マーケティングでは、以前のすべてのコンテンツに基づいて新しいコンテンツの作成を支援できます。 製品部門では、すでに作成されたすべての製品シートに基づいて製品シートの作成を支援できます。 使い方は無限大！

あなたの分野で目立つために RAG がそれほど重要なのはなぜですか?

ミック・レヴィ： これが何よりも問われなければならない質問です。 なぜ、どのような目的で、何を達成するために、使用しているモデルを最適化する必要があるのでしょうか? RAG によって強化された Generative iA は、用途とその選択を可能にした理由を明確に特定した瞬間から、価値を生み出すための優れたツールです。

注ぐ 生成 AI で競争上の優位性を獲得する、組織の働き方、プロセス、ニーズ、顧客、使命を考慮した、組織に固有のユースケースに向けて進む必要があります。 これは組織のデータを活用することによってのみ可能になります。RAG はこれを可能にする最初のステップです。

最適な RAG アプローチを実現するために克服すべき課題は何ですか?

ミック・レヴィ： まず第一に、LLM とドキュメンタリーベースの間で良好なコミュニケーションを可能にするために解決すべき IT アーキテクチャの問題があります。 ソリューションはクラウドとオンプレミスの両方に存在します。

技術的な課題が克服できないわけではないとしても、本当の問題は RAG に提供されるデータと文書に関するものです。 それらは管理され、高品質でなければなりません。 これは、情報が証明され、検証され、タイムリーで新鮮で、可能な限り矛盾がないことを意味します。

これは、この非構造化データに対する具体的なガバナンスの確立を必要とする真の課題です。 この難しさは、すべての企業や組織が数十年にわたって構造化データ (主に企業データベースの行と列に編成された数値) に取り組んできたという事実から生じています。

このように経験を積んできたにもかかわらず、この構造化データには依然として多くのデータ品質の問題が存在します。 ただし、LLM を使用する場合は、非構造化データも追加する必要があります。IDC の調査によれば、これが利用可能なデータの 90% を占めています。 したがって、その課題は途方もないものになります。 しかし、潜在的な価値創造も同様であり、RAG はそれを活用するための第一歩です。

👉 フォローして、すべてのニュースをリアルタイムでご覧ください リンクトイン 👈

✍️インタビュー実施者 フレデリック・エスキュディエ – レゼコー出版。