検索拡張生成（RAG）パターン

RAGパターンの能力とリソース

以下の能力とリソースを持つRAGパターンを作成できる：

ベクトル埋め込み

ベクトル埋め込みを作成し、文や文章の意味を数値表現としてエンコードする。 ベクトルは、ユーザが質問した内容に最も近いテキストの文章を、知識ベースから効率的に見つける方法を提供します。 ベクターはベクターデータベースに格納され、ベクターインデックスで検索される。

関連項目： ベクトル・インデックスの作成。

テキストの分類と抽出

PDFや画像からベクトル化のためのテキストにコンテンツを変換します。

理解のための資料を参照。

検索されたパスのランキング

類似度ではなく、関連性によって検索された結果の上位セットを再ランク付けする。

再ランキングを参照。

ベクトル・ストア

自動的に設定されるインメモリのChromaベクトルストアから選択するか、接続を作成した他のベクトルストアから選択します。

ベクターストアの種類 」を参照。

エンベッディングとリランキングのためのエンコーダモデル

エンベッディングの作成とパッセージのリランキングには、 IBM とサードパーティのエンコーダモデルから選択できます。

対応エンコーダ基盤モデル を参照。

推論のための基盤モデル

さまざまな基盤モデル選択したり、デプロイ・オンデマンド・モデルを選択したり、カスタム・モデルをインポートしてデプロイしたりできます。

ユースケースをサポートする基盤モデル を参照。

適応するサンプル

サンプルのRAGパターンから始めて、あなたのユースケースに適合させる。

サンプルRAGパターンを参照。

様々な自然言語の知識ベース・コンテンツからRAGパターンを作成できる。 以下の表は、RAGパターンを作成するために使用されるさまざまな基盤モデルサポートされている言語の詳細を示している：

働き方

以下の方法でRAGパターンのコードを書くことができる：

• Python 図書館
• Node.js エスディーケー
• REST API

UIのツールを使って、ノー・コードまたはロー・コードで作業することができる：

• Prompt Lab :アップロードされたドキュメント、またはベクターインデックスとチャットすることができます。
• AutoAI for RAG : 最適化されたプロダクション品質のRAGパターンの検索を自動化できます。
• ベクトル・インデックス ：1つまたは複数の文書に基づいてベクトルインデックスを作成することができます。

検索拡張生成 パターン・アーキテクチャ

ナレッジベースの情報を使えば、プロンプトにコンテキストを含めるテクニックをスケールアウトできる。

このビデオは、このドキュメントのコンセプトとタスクを学ぶための視覚的な方法を提供します。

ビデオ・チャプター

[ 0:08 ] シナリオの説明
[ 0:27 ] パターンの概要
[ 1:03 ] 知識ベース
[ 1:22 ] 検索コンポーネント
[ 1:41 ] コンテキストで補強されたプロンプト
[ 2:13 ] 出力の生成
[ 2:31 ] 完全なソリューション
[ 2:55 ] 検索に関する考察
[ 3:58 ] プロンプトテキストに関する考察
[ 5:01 ] 説明可能性に関する考察

次の図は、実行時の 検索拡張生成 パターンを示している。 図では質問に答える例を示しているが、同じワークフローは他のユースケースにも対応している。

検索拡張生成 パターンには、以下のステップが含まれます

1. 知識ベースは、コンテンツをプレーンテキストに変換し、ベクトル化するために前処理されます。 前処理には、表や画像の情報をLLMが解釈できるテキストに変換するテキスト抽出を含めることができる。
2. ユーザーが質問する。
3. 質問はテキスト埋め込みに変換されます。
4. 知識ベースのベクトル化されたコンテンツを含むベクトルストアは、ユーザーの質問に類似したコンテンツを検索する。
5. 最も関連性の高い検索結果は、テキスト形式でプロンプトに追加されます
6. 組み合わされたプロンプトテキスト（指示＋検索結果＋質問）は、 基盤モデルモデルに送信される。
7. 基盤モデル、プロンプトからの文脈情報を使用して事実に基づく回答を生成します。

RAGパターン例

以下のサンプルは、 検索拡張生成 パターンの適用方法を示しています。

詳細情報

これらのチュートリアルを試してみよう：

• Prompt Lab を使用して基盤モデルをプロンプトする
• 検索拡張生成パターンを使用した基盤モデルのプロンプト