LLMの回答に社内規程などの外部情報を反映させる手法であるRAG（Retrieval-Augmented Generation：検索拡張生成）の説明として、最も適切なものはどれか。
- 1質問に関連する文書を外部のデータベースなどから検索し、その内容をプロンプトに加えたうえでLLMに回答を生成させる
- 2社内規程などの文書を学習データとしてLLMを追加学習させ、その知識をモデルのパラメータに組み込む
- 3LLMが生成した回答を人間が評価し、その評価を報酬として強化学習を行うことで回答の質を高める
- 4LLMのパラメータを低いビット数で表現して軽量化し、検索エンジンと同程度の速度で応答できるようにする
正解と解説を見る
正解：1
RAGは、ユーザーの質問に関連する情報を外部の文書群から検索し、その検索結果をプロンプトに含めてLLMに回答させる手法です。モデル自体を再学習しないため、参照する文書を差し替えるだけで最新の情報や社内固有の情報を回答に反映しやすい点が特徴です。選択肢2はファインチューニング、選択肢3はRLHF、選択肢4は量子化の説明です。なお、RAGはハルシネーションの抑制に役立ちますが完全には防げないため、出典の確認は引き続き重要です。「RAG＝検索結果をプロンプトに加えて生成し、モデルの再学習は不要」と押さえておきましょう。
根拠：RAG（Lewis et al., 2020 "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks"）