2.2検索拡張生成（RAG）の実装

AI-901 で学んだ RAG（検索拡張生成）を、AI-103 では実装レベルで理解します。鍵は「ユーザーの質問に意味的に近い社内文書をどう見つけるか」です。そこで使うのが 埋め込み（embedding）——テキストを意味を捉えたベクトル（数値の並び）に変換する技術です。質問と文書を同じベクトル空間に置けば、距離が近い＝意味が近いとして検索できます（ベクトル検索/意味検索）。

2.2.1Azure AI Search によるインデックス

実装では、社内文書を チャンク（適切な大きさに分割）し、各チャンクを埋め込みでベクトル化して Azure AI Search の インデックス に格納します。検索時は、質問を同じ方法でベクトル化し、インデックスから近いチャンクを取得します。キーワード検索とベクトル検索を組み合わせた ハイブリッド検索 や、上位結果を並べ替える セマンティックランカー を使うと精度が上がります。Foundry のプロジェクトに Azure AI Search を接続し、データソースとして指定するのが基本構成です。

2.2.2検索 → 文脈付与 → 生成 → 出典

RAG の実行時フローは、
①質問に関連するチャンクを 検索、
②取得した抜粋をプロンプトの 文脈に付与、
③モデルがその文脈に基づき 生成、
④回答に 出典（どの文書のどこを根拠にしたか）を併記、という流れです。出典提示は、利用者が回答の根拠を確認できる 透明性 を高め、誤りの発見にも役立ちます。モデル自体を再学習しないため、文書を更新すれば回答も最新化されます（RAG ≠ ファインチューニング）。

2.2.3RAG の評価

RAG アプリは 評価（evaluation）で品質を測ります。代表的な観点は、回答が与えた文脈に忠実か（グラウンデッドネス／groundedness）、質問に的確に答えているか（関連性／relevance）、検索が適切な文書を取れているか（検索の再現率/適合率）です。Foundry の評価機能で、これらをデータセットに対して自動測定し、プロンプトや検索設定の改善を回します。本番では継続的に監視し、回帰を検知します。

2.2.4この節のまとめ

• 埋め込み（ベクトル）で意味検索：質問と文書を同じ空間に置き、近さ＝意味の近さで検索
• Azure AI Search のインデックスにチャンク化した文書を格納。ハイブリッド検索＋セマンティックランカーで精度向上
• 実行：検索→文脈付与→生成→出典提示。RAG ≠ ファインチューニング（文書更新で最新化）
• 品質は評価（グラウンデッドネス/関連性）で測定し継続監視