変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-300 第5章を新規作成（ドメイン5「生成 AI の最適化」: RAG 最適化=類似度しきい値/チャンクサイズ/検索戦略/埋め込みモデルの選択・ファインチューニング/ハイブリッド検索/関連性メトリクス・A/B テスト、高度なファインチューニング=手法/合成データ/監視・最適化/開発から本番までのライフサイクル管理）
5.1RAG の性能と精度の最適化
類似度しきい値・チャンクサイズ・検索戦略の調整による検索性能の最適化、ドメイン固有の精度向上のための埋め込みモデルの選択とファインチューニング、セマンティック検索とキーワード検索を組み合わせたハイブリッド検索、そして関連性メトリクスと A/B テストによる RAG の評価と改善を理解します。
RAG（検索拡張生成）は、外部の根拠を検索して回答に取り込み、ハルシネーションを抑える代表的な手法です。RAG の品質は検索（retrieval）の質に強く依存するため、検索の最適化が AI-300 の重点になります。
5.1.1検索性能の最適化
検索の最適化では、類似度しきい値（どれだけ近い根拠を採用するか）、チャンクサイズ（文書を分割する単位＝大きすぎるとノイズ、小さすぎると文脈不足）、検索戦略（上位 k 件・再ランク付けなど）を調整します。さらに 埋め込みモデルの選択が精度を左右し、ドメイン固有の用語が多い場合は 埋め込みモデルのファインチューニングで関連性を高めます。これらを評価しながら反復的に調整します。
5.1.2ハイブリッド検索と A/B テスト
ハイブリッド検索は、意味の近さで探す セマンティック（ベクトル）検索と、語の一致で探す キーワード検索を組み合わせて、双方の弱点を補い再現率と精度を高めます。改善の効果は 関連性メトリクス（検索結果が適切か）と A/B テスト（複数の構成を本番に近い条件で比較）で定量的に検証します。「測って→調整して→再び測る」の反復が RAG 最適化の基本です。
| 調整対象 | 内容 | 効果 |
|---|---|---|
| 類似度しきい値 | 採用する根拠の近さ | 精度と再現率のバランス |
| チャンクサイズ | 文書の分割単位 | 大=ノイズ/小=文脈不足 |
| 埋め込みモデル | 選択／ファインチューニング | ドメイン精度向上 |
| 検索方式 | ハイブリッド（セマンティック＋キーワード） | 再現率と精度を補完 |
| 改善の検証 | 関連性メトリクス／A・B テスト | 定量的に比較 |
混同に注意：
①セマンティック（ベクトル）検索（意味）とキーワード検索（語の一致）——ハイブリッドは両方を組み合わせる。
②チャンクが大きすぎるとノイズ、小さすぎると文脈不足——適切なサイズを評価で探す。
③改善は関連性メトリクス＋A/B テストで定量検証（感覚で判断しない）。
「要件 → 調整」：例「ドメイン固有の用語で検索精度を上げる」＝埋め込みモデルの選択/ファインチューニング、「意味と語の一致の両方で探す」＝ハイブリッド検索、「採用する根拠の近さを調整」＝類似度しきい値、「文脈不足やノイズを調整」＝チャンクサイズ、「改善を定量検証」＝関連性メトリクス＋A/B テスト。
5.1.3この節のまとめ
- RAG の品質は検索の質に依存：類似度しきい値/チャンクサイズ/検索戦略を調整
- 埋め込みモデルの選択・ファインチューニングでドメイン精度向上。ハイブリッド検索で補完
- 関連性メトリクスと A/B テストで定量的に評価・改善（測る→調整→再び測る）
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. RAG で意味の近さ（ベクトル）と語の一致（キーワード）の両方を組み合わせて再現率と精度を高める検索方式はどれですか？
Q2. ドメイン固有の用語が多い場合に、検索の関連性を高めるために行うのはどれですか？
Q3. RAG の改善効果を定量的に検証するために使う組み合わせはどれですか？
Q4. RAG のチャンクサイズについて正しいものはどれですか？
Q5. 採用する根拠がどれだけ近いものかを制御する RAG の調整パラメーターはどれですか？
Q6. RAG が生成 AI の品質向上に有効な主な理由はどれですか？