【登壇レポート】 JAWS-UG熊本で「今からでも間に合う！ 生成AI『RAG』再入門」と題して登壇しました！ #jawsug #jawsugkmmt

みなさん、こんにちは！
福岡オフィスの青柳です。

2025年6月14日に熊本市内で開催された「JAWS-UG熊本」に参加・登壇してきました。

https://jawsug-kumamoto.connpass.com/event/355477/

前回 (1月開催) に続き、今回も「JAWS-UG九州キャラバン」と題して、九州のJAWS-UG各支部 (福岡・佐賀・大分・熊本) が4週連続でイベント開催するという「お祭り」の一環としての開催でした。

登壇資料

今回の勉強会は「AWSを触るのは初めて」「生成AIを利用したことはあるけど構築は初めて」という参加者の方が多いという話を伺いまして、初めての方にも楽しんで頂けるテーマで登壇しました。

以下、ポイントを抜粋して紹介します。(詳しくは登壇スライドを参照ください！)

「RAG」が生まれた経緯

• LLM (基盤モデル) の弱点
  • ごく最近の情報に関する質問に答えることができない
  • 企業の社内情報など非公開の情報に答えることができない
• 弱点を克服する従来の手法
  • 「最新データ」「社内データ」を使ってモデルを1から作る
  • 既存のモデルに「最新データ」「社内データ」を追加学習させる
  • → いずれも「コスト」や「時間」がネック
• そこで考案された「RAG」
  • 基盤モデルに「検索」を組み合わせることで「最新データ」「社内データ」に対応

RAGの仕組み

利用開始前に「検索データ」を用意する (①〜②)

ユーザーがRAGを利用する際の動作 (③〜④)

RAGで使われる検索技術

• 「ベクトル検索」
  • 一般的に使われる検索方式＝「キーワード検索 (文字列比較)」のデメリットを改善する検索方式
  • 検索対象テキストや検索キーワードを「ベクトルデータ」(＝多次元の数値情報) に変換して比較することで検索を行う
• 「チャンキング」
  • 何百ページもあるドキュメント全体を検索対象とすると、必要な情報をピンポイントで検索できない
  • → 大きなドキュメントを検索に適した単位の情報＝「チャンク」に分割する

これらの技術は奥が深く全てを理解するのは難しいですが、RAGを扱う上で頻発する用語ですので、キーワードだけでも覚えておくと良いと思います。

RAGの「回答精度」を改善する

「社内のFAQを集めたExcelファイルを使ってRAGチャットボットを作る」場合を例にします。

作成したRAGチャットボットに質問したところ、間違った回答を返してきました。(正しくは「経理部」)

• 質問「出張費を精算する時、どこに申請すればよいですか？」
• 回答「情報システム部に申請してください」

正しい回答を返してくれるようにするために「原因」を分析します。

前の節で説明した「チャンキング」(チャンク分割) に原因がありました。

この場合の改善策は、各チャンクが理想の形になるように「事前にドキュメント (Excelファイル) を分割しておく」という対応になります。(いわゆる「ドキュメントの前処理」)

おわりに

勉強会の後の「懇親会」で、参加者の方から「登壇内容を社内の勉強会で使いたい！」とのありがたい声を頂きました。

もちろんOKです！ どんどんお使いください！
みなさんの「RAGを理解する第一歩」の手助けとなれば幸いです。

---

JAWS-UGでは熊本を始め九州各県 (主に北の方) で勉強会・イベントを開催しています。
今回のレポートで興味を持った方は、ぜひ、お近くのJAWS-UG支部のイベントをチェックしてみてください。

• JAWS-UG福岡支部
• JAWS-UG佐賀支部
• JAWS-UG熊本支部
• JAWS-UG大分支部
• 全国のJAWS-UG勉強会グループ